Machine Learning

optimize-for-gpu 可以根据合适的库选择，帮助把受 CPU 限制的 Python 代码转成 NVIDIA GPU 代码。适用于数组、DataFrame、机器学习流水线、图分析、图像处理、地理空间任务、向量检索和自定义 kernel。它会针对 CuPy、cuDF、cuML、cuGraph、cuCIM、cuVS、KvikIO、Numba CUDA 和 Warp 的选择提供实用的 optimize-for-gpu 用法与迁移建议。

hypogenic 是一项用于在 LLM 支持下，对表格数据或文本衍生数据集生成并测试假设的技能。它通过将经验性问题转化为结构化、可检验的工作流，帮助你进行数据分析中的假设生成，适用于分类解释、内容分析和欺骗检测。适合需要有证据支撑的假设，而不只是头脑风暴的场景。

diffdock 是一项对接技能，可基于 PDB 结构，或蛋白序列加上以 SMILES、SDF、MOL2 表示的配体，预测蛋白-配体结合构象。适用于基于结构的药物设计、虚拟筛选以及带置信度评分的构象分析。它不用于结合亲和力预测。

pytdc 是面向 Therapeutics Data Commons 的技能，提供可直接用于 AI 的药物发现数据集和基准，覆盖 ADME、毒性、DTI、DDI、生成、scaffold 划分以及药理预测。

用于通过 LightningModules 和 Trainers 组织 PyTorch 项目的 pytorch-lightning 技能。可将这份 pytorch-lightning 指南用于安装、训练、验证、日志记录、检查点保存，以及跨多 GPU 或 TPU 工作流的分布式执行。

pymoo 是一款面向单目标和多目标优化、Pareto 前沿、约束问题以及基准测试的 Python 技能。使用这份 pymoo 指南，选择 NSGA-II、NSGA-III 和 MOEA/D 等算法，按照安装与使用流程操作，并在需要平衡多个指标时将 pymoo 用于数据分析。

pyhealth 帮你搭建临床与医疗深度学习流水线，采用 Dataset → Task → Model → Trainer → Metrics 的工作流。适用于 MIMIC-III/IV、eICU、OMOP、SleepEDF、ChestXray14、EHRShot，以及预测、药物推荐、睡眠分期、ICD 编码、EEG 事件和医疗代码映射等任务。

pufferlib 是一款高性能强化学习技能，适用于快速并行仿真、向量化 rollout 和多智能体训练。可通过本 pufferlib 指南完成安装、理解 pufferlib 的用法，并将 RL 流水线适配到 Gymnasium、PettingZoo、Atari、Procgen 或 NetHack 风格环境中。适合面向吞吐量优化和可扩展 PPO 工作流的代码生成。

molfeat 是一款面向 ML 和数据分析的分子特征化技能。它可以将 SMILES 或 RDKit 分子转换为 fingerprints、descriptors 和预训练 embeddings，适用于 QSAR、虚拟筛选、相似性搜索和化学空间分析。使用这份 molfeat 指南，选择实用的表示方式并构建可复用的特征化流水线。

geniml 是一个用于 BED 文件、scATAC-seq 输出和染色质可及性数据的基因组区间机器学习技能。可用于 Region2Vec、BEDspace、scEmbed、consensus peaks 以及其他面向区域的 ML 工作流。若你需要基因组区域的 embeddings、聚类或预处理建议，它是一个合适的选择。

用于蛋白质语言模型的 esm 技能，涵盖 ESM3 生成和 ESM C embeddings。可将这份 esm 指南用于蛋白序列设计、逆折叠、功能预测以及在本地推理或 Forge API 下的代码生成工作流。

用于通过程序化方式查询 CELLxGENE Census 的 cellxgene-census 技能。可用来探索表达数据、元数据、embedding，以及跨数据集的模式，覆盖不同组织、疾病和细胞类型。最适合群体规模的单细胞分析和参考图谱比较；如果是你自己的数据，建议使用 scanpy 或 scvi-tools。

aeon 是一个与 scikit-learn 兼容的 Python 技能，用于时间序列机器学习。可用于分类、回归、聚类、预测、异常检测、分段、相似性搜索以及其他时序数据工作流。对于单变量和多变量分析，当你需要超出通用表格型 ML 的专门方法时，它尤其合适。

detecting-deepfake-audio-in-vishing-attacks 可帮助安全团队分析音频中的 AI 生成语音，适用于 vishing、诈骗和冒充类案件。它会提取频谱特征和基于 MFCC 的特征，对可疑样本进行评分，并生成可供复核的法医风格报告。非常适合安全审计和事件响应工作流。

使用 AI 结合 NLP、文体分析、行为信号和关系上下文来检测商业电子邮件欺诈（BEC）。这个 detecting-business-email-compromise-with-ai 技能可帮助 SOC、反欺诈和安全审计团队对可疑邮件进行风险评分，解释风险信号，并判断是隔离、提醒还是升级处置。