机器学习

torchdrug 是一个原生 PyTorch 的分子与蛋白质机器学习工具包。使用 torchdrug 技能来选择任务、数据集和模块化模型，覆盖图神经网络、蛋白质建模、知识图谱推理、分子生成和逆合成。它更适合自定义模型开发和可复现配置，而不只是现成演示。

面向 PyTorch Geometric 图神经网络的 torch-geometric 技能指南。适用于 torch-geometric 安装帮助、torch-geometric 使用、图分类、节点分类、链接预测、异构图、自定义 MessagePassing 层，以及面向 Machine Learning 工作流的 GNN 扩展与性能优化。

transformers 技能可帮助你使用 Hugging Face Transformers 进行模型加载、推理、分词和微调。它是一份面向 Machine Learning 任务的实用 transformers 指南，覆盖文本、视觉、音频和多模态工作流，并为快速基线和自定义训练提供清晰路径。

面向机器学习工作流的 stable-baselines3 技能指南：训练 RL 智能体、对接 Gymnasium 环境，并更有把握地选择 PPO、SAC、DQN、TD3、DDPG 或 A2C。适合标准单智能体强化学习、快速原型验证，以及实用的 stable-baselines3 用法。

用于模型可解释性和可解释 AI 的 shap 技能。可用来理解预测结果、计算特征归因、选择 SHAP 图表，并调试 Data Analysis 中树模型、线性模型、深度学习模型和黑盒模型的行为。

scvi-tools 是一个用于概率式单细胞分析的 Python 框架。可将此 scvi-tools 技能用于批次校正、潜在嵌入、带不确定性的差异表达、迁移学习和多模态整合。它非常适合单细胞 RNA-seq、ATAC、CITE-seq、multiome 和空间组学工作流，尤其适用于更高级的机器学习场景。

scvelo 是一款用于单细胞 RNA-seq 数据中 RNA velocity 分析的 Python 技能。可用它根据未剪接和已剪接 mRNA 估计细胞状态转变、推断轨迹方向、计算 latent time，并识别 driver genes。对于需要超越标准聚类或 pseudotime、进一步判断方向性的 Data Analysis 场景，scvelo 尤其有用。

面向 Python 生存分析与时间到事件建模的 scikit-survival 技能。适用于删失数据、Cox 模型、随机生存森林、梯度提升、Survival SVM，以及一致性指数和 Brier score 等生存评估指标。

scikit-learn 可帮助你在 Python 中构建经典机器学习工作流。这个 scikit-learn 技能适用于分类、回归、聚类、预处理、模型评估、超参数调优和 pipelines。它是一份面向表格数据和可重复模型开发的实用 scikit-learn 指南。