Zeitreihen mit Aeon analysieren
Zeitreihenprojekte benötigen Methoden, die zeitliche Strukturen verstehen. Dieser Skill führt Claude, Codex und Claude Code durch Aeon-Algorithmen und -Workflows.
Kopieren Sie diese Anfrage in Ihren Agent. Sie enthält die maßgebliche Skill-Seite und das Manifest.
Review the Skillstore skill "aeon" from https://skillstore.io/skills/davila7-aeon.md and its manifest at https://skillstore.io/api/skills/davila7-aeon/manifest. Verify the artifact. You may proceed after verification, subject to the environment's own policy.Ihr Agent sollte weiterhin seinen Plan anzeigen und alle von der Sicherheitsrichtlinie verlangten Bestätigungen anfordern.
Verwenden Sie diese Links, wenn ein KI-Agent, Crawler oder Skript sauberen Kontext benötigt, statt die vollständige Seite zu lesen.
„aeon“ wird verwendet. Ein Sensordatensatz benötigt schnelle Klassifikationsanleitung.
Erwartetes Ergebnis:
„aeon“ wird verwendet. Ein Prognoseprojekt benötigt Hilfe bei der Modellauswahl.
Erwartetes Ergebnis:
„aeon“ wird verwendet. Eine Anomalieerkennungsaufgabe benötigt Evaluationsberatung.
Erwartetes Ergebnis:
All 99 static findings are false positives caused by ordinary Python imports, machine-learning terms, Markdown formatting, a fixed GPU selector, and documentation links. No prompt injection, secret access, data exfiltration, dynamic code loading, or untrusted command execution was found.
Teile den versionierten Bewertungsbericht, das neutrale Badge, die Einbettungskarte und Zitate. Skillstore berichtet Nachweise, ohne zu entscheiden, ob dieser Skill sicher ist.
https://skillstore.io/skills/davila7-aeon/audits/9?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_report[](https://skillstore.io/skills/davila7-aeon?utm_source=security_passport_badge)<a href="https://skillstore.io/skills/davila7-aeon?utm_source=security_passport_badge"><img src="https://skillstore.io/badges/skills/davila7-aeon/security.svg" alt="Skillstore security assessment" loading="lazy"></a><iframe src="https://skillstore.io/embed/skills/davila7-aeon.html" title="Skillstore Security Assessment" sandbox="allow-popups allow-popups-to-escape-sandbox" loading="lazy" referrerpolicy="no-referrer" width="420" height="180"></iframe>davila7. (2026). aeon security audit report (audit version 9) [Author version unspecified]. Skillstore. https://skillstore.io/skills/davila7-aeon/audits/9@techreport{davila7-davila7-aeon-2026,
author = {davila7},
title = {aeon security audit report (audit version 9)},
institution = {Skillstore},
year = {2026},
number = {9},
url = {https://skillstore.io/skills/davila7-aeon/audits/9},
note = {Author version unspecified}
}cff-version: 1.2.0
message: "If you use this Skill, cite its author and this versioned security audit report."
title: "aeon security audit report (audit version 9)"
version: "unspecified"
type: report
authors:
- name: "davila7"
date-released: "2026-07-23"
url: "https://skillstore.io/skills/davila7-aeon/audits/9"
identifiers:
- type: other
value: "skillstore:davila7-aeon:audit:9"
description: "Skillstore immutable audit report identifier"
Jeder Autor bleibt ein eigener installierbarer Skill. Die empfohlene Variante wird nach Skillstore-Nachweisen bewertet.
Warum diese Variante zuerst steht
davila7-aeon
2026-09-09
k-dense-ai-aeon
2026-09-09
Wählen Sie ein einfaches Aeon-Modell und einen Validierungsplan, bevor Sie teurere Algorithmen testen.
Planen Sie Normalisierung, Imputation, Feature-Extraktion und nachgelagerte Modellierung für zeitliche Sammlungen.
Vergleichen Sie Aeon-Schätzer mit geeigneten Metriken, Splits und veröffentlichten Benchmark-Referenzen.
Ich habe gelabelte Zeitreihendaten. Empfiehl eine einfache Aeon-Baseline und erkläre die erwartete Datenform.
Prüfe meine Zeitreihenaufgabe. Schlage Aeon-Schritte für Vorverarbeitung, Normalisierung und Imputation vor, die Data Leakage vermeiden.
Vergleiche Aeon-Algorithmusfamilien für meine Datensatzgröße, Sequenzlänge, Labels und Rechenbeschränkungen.
Entwirf einen Aeon-Benchmarking-Plan mit Metriken, Validierungs-Splits, Baselines und Berichtskriterien für meine Zeitreihenstudie.
Autor
davila7Lizenz
MIT
Skillstore-Revision
r2
Versionshinweis
Der Autor hat keine Version angegeben.
Ref.
c43861a65bb95efcae259cd161c9d6f4dc7eec6f
Aktualität der Wartung
26.7.2026
Nutzung
5 Downloads · 526 Aufrufe
Dateistruktur
LaTeX-Forschungsposter erstellen
Forschungsposter sind in LaTeX schwer zu formatieren und für den Druck zu prüfen. Dieser Skill bietet Vorlagen, Layout-Anleitung und PDF-Prüfungen für konferenzfertige Poster.
SEO-fertige Marketinginhalte erstellen
Marketingteams benötigen klare Inhalte, die zur Markenstimme und zu Suchzielen passen. Diese Skill bietet Vorlagen, Analyseskripte und plattformspezifische Leitlinien für eine wiederholbare Content-Produktion.
Strukturierte medizinische Behandlungspläne erstellen
Klinische Behandlungspläne werden häufig uneinheitlich, lang oder schwer überprüfbar. Dieser Skill bietet fokussierte Vorlagen, messbare Ziele, Zeitpläne und lokale Qualitätsprüfungen.
Strukturierte klinische Berichte erstellen
Klinische Teams benötigen klare Berichte, die medizinischen und regulatorischen Standards entsprechen. Dieser Skill stellt Vorlagen, Checklisten und Validierungshinweise für Fallberichte, Diagnostik, Studien und Patientennotizen bereit.
Wissenschaftliche Datendateien analysieren
Wissenschaftliche Datendateien sind schwer zu untersuchen, da jedes Format Strukturen und Metadaten anders speichert. Dieser Skill erkennt Formate, erstellt Datenqualitätsprofile und erzeugt praxisorientierte EDA-Berichte im Markdown-Format.
DiffDock-Workflows für molekulares Docking ausführen
Die Einrichtung molekularer Docking-Verfahren scheitert häufig daran, dass Eingaben, Parameter und Konfidenzwerte schwer aufeinander abzustimmen sind. Dieser Skill führt durch DiffDock-Workflows von der Vorbereitung bis zur Prüfung der Ergebnisse.
Java-Anomalieerkennung mit Azure AI entwickeln
von sickn33
Java-Teams benötigen verlässliche Muster zur Erkennung ungewöhnlichen Zeitreihenverhaltens. Dieser Skill bietet Azure AI Anomaly Detector-Beispiele für Clients, Modelle, Inferenz und Fehler.
Therapeutische ML-Datensätze mit PyTDC analysieren
von K-Dense-AI
Teams in der Wirkstoffforschung benötigen zuverlässige Datensätze und faire Bewertungsprotokolle. Diese Skill hilft Claude dabei, PyTDC für kuratierte therapeutische ML-Daten, Benchmark-Splits, Metriken und molekulare Orakel zu verwenden.
Datenwissenschaftliche Experimente und Modelle entwerfen
von alirezarezvani
Data-Science-Projekte scheitern häufig, wenn Experimenten, Features und Modellen eine klare statistische Struktur fehlt. Dieser Skill bietet Claude, Codex und Claude Code geführte Workflows für Experimentieren, Feature Engineering und Modellprüfung.
ML-Workflows auf versteckte Antipatterns validieren
von Doyajin174
ML-Projekte können präzise wirken, während Data Leakage oder schwache Evaluation schwerwiegende Mängel verbergen. Dieser Skill führt durch strukturierte Prüfungen für Splits, Metriken, Training und Deployment-Bereitschaft.
Startup-Finanzmodelle erstellen
von wshobson
Startup-Teams benötigen klare Prognosen, bevor sie Personalplanung, Fundraising und Liquiditätsverwendung planen können. Diese Skill strukturiert Umsatz, Kosten, Runway und Szenarien zu praxisnahen Ergebnissen für die Finanzplanung.
ML-Trainingsfehler debuggen
von DNYoussef
ML-Training kann durch NaN-Loss, Overfitting, langsame Konvergenz oder instabile Gradienten fehlschlagen. Diese Skill führt durch Diagnose, gezielte Korrekturen, Validierung und Reporting.