Machine Learning

optimize-for-gpu 可搭配合適的函式庫選擇，將受 CPU 限制的 Python 轉為 NVIDIA GPU 程式碼。適用於陣列、DataFrame、ML pipelines、圖分析、影像處理、地理空間工作、向量搜尋與自訂 kernels。它會以實用的 optimize-for-gpu 使用方式與遷移建議，協助你在 CuPy、cuDF、cuML、cuGraph、cuCIM、cuVS、KvikIO、Numba CUDA 和 Warp 之間做出判斷。

hypogenic 是一項可在表格型資料或從文字衍生的資料集上，搭配 LLM 支援來產生與測試假設的技能。它能協助進行資料分析中的 hypogenic 工作，將經驗性問題轉化為結構化、可驗證的流程，適用於分類解讀、內容分析與欺瞞偵測。當你需要的是有證據支撐的假設，而不只是腦力激盪時，就很適合使用它。

diffdock 是一個 docking 技能，可根據 PDB 結構，或蛋白質序列搭配以 SMILES、SDF 或 MOL2 表示的配體，預測 protein-ligand 的結合姿勢。可用於結構導向藥物設計、虛擬篩選，以及帶有信心分數的 pose 分析。它不適用於結合親和力預測。

pytdc 是一個支援 Therapeutics Data Commons 的技能，提供可直接供 AI 使用的藥物發現資料集與基準，涵蓋 ADME、毒性、DTI、DDI、生成、scaffold 切分，以及藥理預測。

這個 pytorch-lightning 技能可協助你用 LightningModules 和 Trainer 來整理 PyTorch 專案。這份 pytorch-lightning 指南適合用來了解安裝、訓練、驗證、記錄、檢查點，以及跨多 GPU 或 TPU 工作流程的分散式執行。

pymoo 是一個用於單目標與多目標最佳化的 Python 技能，涵蓋 Pareto 前緣、約束式問題與基準測試。請用這份 pymoo 指南來選擇 NSGA-II、NSGA-III、MOEA/D 等演算法，依照安裝與使用流程操作，並在需要平衡多個指標時，將 pymoo 套用於資料分析。

pyhealth 可協助你建立臨床與醫療深度學習流程，採用 Dataset → Task → Model → Trainer → Metrics 的工作流。這個 pyhealth 技能適用於 MIMIC-III/IV、eICU、OMOP、SleepEDF、ChestXray14、EHRShot，以及預測、藥物推薦、睡眠分期、ICD 編碼、EEG 事件與醫療代碼對照等任務。

pufferlib 是一套高效能強化學習技能，適合快速平行模擬、向量化 rollout 與多智能體訓練。這份 pufferlib 指南可協助你安裝、理解 pufferlib 的用法，並將 RL 流程延伸到 Gymnasium、PettingZoo、Atari、Procgen 或 NetHack 風格環境。特別適合著重吞吐量與可擴充 PPO 工作流程的程式生成需求。

molfeat 是一個用於 ML 與資料分析的分子特徵化技能。它可將 SMILES 或 RDKit 分子轉成 fingerprint、descriptor 與預訓練 embedding，適合 QSAR、虛擬篩選、相似度搜尋與化學空間分析。可用這份 molfeat 指南挑選實用表示法，並建立可重用的特徵化流程。

geniml 是一個用於 BED 檔、scATAC-seq 輸出與染色質可及性資料的基因組區間機器學習技能。適合用來處理 Region2Vec、BEDspace、scEmbed、共識 peaks，以及其他以區域為單位的 ML 工作流程。當你需要基因組區域的 embeddings、clustering，或前處理建議時，這個技能相當合適。

適用於蛋白質語言模型的 esm 技能，涵蓋 ESM3 生成與 ESM C embeddings。可用這份 esm 指南進行蛋白質序列設計、逆摺疊、功能預測，以及透過本地推論或 Forge API 執行 code generation 工作流程。

cellxgene-census 技能可用來以程式化方式查詢 CELLxGENE Census。適合探索表達量資料、metadata、embeddings，以及跨資料集的模式，涵蓋不同組織、疾病與細胞類型。最適合大規模單細胞分析與參考圖譜比較；如果是自己的資料，建議使用 scanpy 或 scvi-tools。

aeon 是一個與 scikit-learn 相容的 Python 技能，專為時間序列機器學習而設。可用於分類、迴歸、分群、預測、異常偵測、分段、相似度搜尋，以及其他時間資料工作流程。當你需要超越一般表格型 ML 的專門方法時，它很適合單變量與多變量分析。

detecting-deepfake-audio-in-vishing-attacks 可協助資安團隊分析 vishing、詐騙與冒充案件中的音訊，判斷是否含有 AI 生成語音。它會擷取頻譜與 MFCC 特徵、對可疑樣本進行評分，並產出適合檢視的鑑識式報告。很適合安全稽核與事件應變流程使用。

使用 AI 結合 NLP、文體分析、行為訊號與關聯脈絡來偵測商務電子郵件詐騙（BEC）。這個 detecting-business-email-compromise-with-ai 技能可協助 SOC、詐欺與資安稽核團隊為可疑郵件評分、解釋風險訊號，並判斷是否應隔離、警示或升級處理。