Bayessche Modelle mit PyMC erstellen
Bayessche Modellierung erfordert sorgfältige Priors, Diagnostik und Modellprüfungen. Dieser Skill begleitet PyMC-Workflows von der Modelleinrichtung bis zur Posterior-Validierung und zum Vergleich.
Kopieren Sie diese Anfrage in Ihren Agent. Sie enthält die maßgebliche Skill-Seite und das Manifest.
Review the Skillstore skill "pymc-bayesian-modeling" from https://skillstore.io/skills/davila7-pymc-bayesian-modeling.md and its manifest at https://skillstore.io/api/skills/davila7-pymc-bayesian-modeling/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.
„pymc-bayesian-modeling“ wird verwendet. Ein Benutzer hat gruppierte Beobachtungen und möchte partielles Pooling nach Gruppe.
Erwartetes Ergebnis:
„pymc-bayesian-modeling“ wird verwendet. Ein Benutzer hat mehrere angepasste Modelle und möchte eines auswählen.
Erwartetes Ergebnis:
„pymc-bayesian-modeling“ wird verwendet. Ein Benutzer sieht nach dem Sampling Divergenzen und eine niedrige effektive Stichprobengröße.
Erwartetes Ergebnis:
All 110 static findings are false positives caused by Markdown formatting, dictionary keys, or Bayesian terminology. No command execution or reconnaissance behavior was found, but the documented pickle.load example creates a medium-risk unsafe deserialization concern.
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-pymc-bayesian-modeling/audits/9?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_report[](https://skillstore.io/skills/davila7-pymc-bayesian-modeling?utm_source=security_passport_badge)<a href="https://skillstore.io/skills/davila7-pymc-bayesian-modeling?utm_source=security_passport_badge"><img src="https://skillstore.io/badges/skills/davila7-pymc-bayesian-modeling/security.svg" alt="Skillstore security assessment" loading="lazy"></a><iframe src="https://skillstore.io/embed/skills/davila7-pymc-bayesian-modeling.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). pymc-bayesian-modeling security audit report (audit version 9) [Author version unspecified]. Skillstore. https://skillstore.io/skills/davila7-pymc-bayesian-modeling/audits/9@techreport{davila7-davila7-pymc-bayesian-modeling-2026,
author = {davila7},
title = {pymc-bayesian-modeling security audit report (audit version 9)},
institution = {Skillstore},
year = {2026},
number = {9},
url = {https://skillstore.io/skills/davila7-pymc-bayesian-modeling/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: "pymc-bayesian-modeling security audit report (audit version 9)"
version: "unspecified"
type: report
authors:
- name: "davila7"
date-released: "2026-07-23"
url: "https://skillstore.io/skills/davila7-pymc-bayesian-modeling/audits/9"
identifiers:
- type: other
value: "skillstore:davila7-pymc-bayesian-modeling: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-pymc-bayesian-modeling
2026-09-09
k-dense-ai-pymc-bayesian-modeling
2026-09-09
Erstelle ein PyMC-Regressionsmodell mit passenden Priors, standardisierten Prädiktoren, Sampling-Einstellungen und Posterior-Checks.
Überprüfe R-hat, ESS, Divergenzen, Baumtiefe und Trace-Plots, um zu entscheiden, wie ein Modell verbessert werden kann.
Verwende LOO, WAIC, Pareto-k-Diagnostik und Model Averaging, um bayessche Modelle verantwortungsvoll zu vergleichen.
Hilf mir, ein PyMC-Modell für diesen Datensatz zu entwerfen. Identifiziere Zielvariable, Prädiktoren, wahrscheinliche Likelihood, nützliche Priors und erforderliche Schritte zur Datenvorbereitung.
Überprüfe diese Modellvariablen und schlage schwach informative Priors vor. Erkläre, warum jeder Prior geeignet ist und welche prior-prädiktiven Checks ich ausführen sollte.
Interpretiere diese PyMC-Diagnostik und schlage Änderungen vor. Konzentriere dich auf Divergenzen, R-hat, ESS, Baumtiefe, Parametrisierung und target_accept-Einstellungen.
Vergleiche diese PyMC-Kandidatenmodelle mit LOO oder WAIC. Erkläre die Zuverlässigkeit von Pareto-k, die Unsicherheit in den Unterschieden und ob Model Averaging angemessen ist.
Autor
davila7Lizenz
MIT
Skillstore-Revision
r2
Versionshinweis
Der Autor hat keine Version angegeben.
Ref.
c43861a65bb95efcae259cd161c9d6f4dc7eec6f
Aktualität der Wartung
26.7.2026
Nutzung
11 Downloads · 210 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.
JSON-, YAML- und TOML-Daten verarbeiten
von 0xDarkMatter
Strukturierte Konfigurationsdaten können über JSON-, YAML- und TOML-Dateien hinweg schwer zu prüfen sein. Diese Skill-Anleitung unterstützt bei jq- und yq-Abfragen zur Extraktion, Filterung, Konvertierung und Aktualisierung.
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.
Nature-Datenverfügbarkeitserklärungen entwerfen
von Yuan1z0825
Forschungsautorinnen und -autoren benötigen vor der Einreichung häufig präzise Formulierungen zur Datenverfügbarkeit. Diese Skill hilft dabei, Erklärungen zu entwerfen, Datensätze Zugangswegen zuzuordnen und FAIR-Metadaten zu prüfen.
Zuverlässige E-Mail-Experimente konzipieren
von aaron-he-zhu
E-Mail-Tests führen häufig zu wenig belastbaren Schlussfolgerungen, weil die Testdesigns eine unzureichende Teststärke aufweisen oder mehrere Variablen gleichzeitig verändern. Dieser Skill erstellt fundierte Pläne und interpretiert Ergebnisse unter Berücksichtigung der Unsicherheit.
Produktionsreife Computer-Vision-Systeme entwickeln
von alirezarezvani
Computer-Vision-Teams benötigen verlässliche Orientierung zu Modellen, Datensätzen, Inferenz und Bereitstellung. Dieser Skill hilft dabei, produktionsreife Vision-Pipelines mit praxisnahen Engineering-Prüfungen zu planen und zu optimieren.
JSON in LLM-Kontext umwandeln
von vc999999999
Große JSON-Payloads verschwenden Tokens und verbergen die Fakten, die ein Modell benötigt. Diese Skill wandelt strukturierte JSON- oder jsonb-Exporte in prägnante, lesbare Zusammenfassungen für Claude, Codex und Claude Code um.