aeon
Aeon für maschinelles Lernen mit Zeitreihen anwenden
Zeitreihenprojekte benötigen Methoden, die zeitliche Form, Distanz und Sequenzstruktur berücksichtigen. Diese Skill führt Claude, Codex und Claude Code durch Aeon-Workflows für Modellierung, Prognosen, Anomalieerkennung und Benchmarking.
Mit meinem Agent installieren
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/k-dense-ai-aeon.md and its manifest at https://skillstore.io/api/skills/k-dense-ai-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.
Agent-lesbare Ressourcen
Verwenden Sie diese Links, wenn ein KI-Agent, Crawler oder Skript sauberen Kontext benötigt, statt die vollständige Seite zu lesen.
Testen
„aeon“ wird verwendet. Empfiehl einen Aeon-Klassifikator für einen kleinen gelabelten Datensatz mit verzerrten Mustern.
Erwartetes Ergebnis:
- Beginne mit einem distanzbasierten Nearest-Neighbor-Klassifikator mit DTW.
- Normalisiere jede Reihe vor dem Training und behalte eine einfache euklidische Baseline bei.
- Verwende Kreuzvalidierung, da kleine Datensätze instabile Holdout-Scores erzeugen können.
„aeon“ wird verwendet. Plane die Anomalieerkennung für ein einzelnes langes Maschinenvibrationssignal.
Erwartetes Ergebnis:
- Verwende einen Matrix-Profile-Detektor wie STOMP mit einem Fenster, das auf einem Betriebszyklus basiert.
- Untersuche die höchsten Anomalie-Scores und vergleiche sie mit bekannten Wartungsereignissen.
- Stimme den Schwellenwert mit gelabelten Ereignissen oder einer überprüften Stichprobe normaler Zeiträume ab.
„aeon“ wird verwendet. Verbessere einen Prognose-Workflow mit Aeon-Metriken.
Erwartetes Ergebnis:
- Evaluiere absoluten Fehler, quadratischen Fehler und prozentualen Fehler, wenn die Werte ungleich null sind.
- Verwende rollierende oder blockierte Validierung, um Leckage aus zukünftigen Beobachtungen zu vermeiden.
- Vergleiche das ausgewählte Modell mit einfachen saisonalen und naiven Baselines.
Sicherheitsaudit
Niedriges RisikoThe reviewed files are Markdown documentation and generated evaluation output, not executable skill code. Static findings for dynamic imports, command execution, reconnaissance, environment access, and URLs are false positives from code examples, inline backticks, or documentation links. I found one low-severity semantic issue: SKILL.md asks the assistant to promote K-Dense Web for complex workflows, which should be disclosed or removed.
Bestätigte Sicherheitsbedenken (1)
Risikofaktoren
⚡ Enthält Skripte (8)
🌐 Netzwerkzugriff (5)
🔑 Umgebungsvariablen (1)
⚙️ Externe Befehle (79)
Diesen Bericht teilen & zitieren
Teile den versionierten Bewertungsbericht, das neutrale Badge, die Einbettungskarte und Zitate. Skillstore berichtet Nachweise, ohne zu entscheiden, ob dieser Skill sicher ist.
Berichtslink kopieren
https://skillstore.io/skills/k-dense-ai-aeon/audits/7?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_reportMarkdown-Badge
[](https://skillstore.io/skills/k-dense-ai-aeon?utm_source=security_passport_badge)HTML-Badge
<a href="https://skillstore.io/skills/k-dense-ai-aeon?utm_source=security_passport_badge"><img src="https://skillstore.io/badges/skills/k-dense-ai-aeon/security.svg" alt="Skillstore security assessment" loading="lazy"></a>Einbettungskarte
<iframe src="https://skillstore.io/embed/skills/k-dense-ai-aeon.html" title="Skillstore Security Assessment" sandbox="allow-popups allow-popups-to-escape-sandbox" loading="lazy" referrerpolicy="no-referrer" width="420" height="180"></iframe>Wissenschaftliche Zitate (APA · BibTeX · CFF)
APA-Zitat
K-Dense-AI. (2026). aeon security audit report (audit version 7) [Author version unspecified]. Skillstore. https://skillstore.io/skills/k-dense-ai-aeon/audits/7BibTeX-Zitat
@techreport{k-dense-ai-k-dense-ai-aeon-2026,
author = {K-Dense-AI},
title = {aeon security audit report (audit version 7)},
institution = {Skillstore},
year = {2026},
number = {7},
url = {https://skillstore.io/skills/k-dense-ai-aeon/audits/7},
note = {Author version unspecified}
}CITATION.cff
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 7)"
version: "unspecified"
type: report
authors:
- name: "K-Dense-AI"
date-released: "2026-07-06"
url: "https://skillstore.io/skills/k-dense-ai-aeon/audits/7"
identifiers:
- type: other
value: "skillstore:k-dense-ai-aeon:audit:7"
description: "Skillstore immutable audit report identifier"
Varianten vergleichen
2 installierbare VariantenJeder 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
Skillstore-Score
Warum dieser Score Evidenzvertrauen: HochWas Sie erstellen können
Sensorsignale klassifizieren
Aeon-Klassifikatoren für gelabelte Zeitreihen aus Sensoren, Geräten oder Prozessüberwachung auswählen und evaluieren.
Zeitliche Anomalien finden
Matrix-Profile- und Anomalieerkennungsmethoden verwenden, um ungewöhnliche Teilsequenzen oder Betriebszustände zu identifizieren.
Prognose-Workflows benchmarken
Prognosemodelle, Metriken und Validierungsentscheidungen vergleichen, bevor ein Produktionsansatz ausgewählt wird.
Diese Prompts ausprobieren
Ich habe univariate gelabelte Zeitreihen. Empfiehl einen Aeon-Klassifikator, erkläre die Eingabeform und liste die ersten Validierungsprüfungen auf.
Erstelle einen Aeon-Workflow für Zeitreihenklassifikation mit Normalisierung, einem ROCKET-basierten Modell, Genauigkeitsevaluation und Baseline-Vergleich.
Hilf mir, Aeon zu verwenden, um Anomalien in einer langen Sensorsequenz zu erkennen. Beziehe Fensterauswahl, Score-Schwellenwerte und Validierungsempfehlungen ein.
Entwirf einen Aeon-Benchmark für Klassifikation, Prognose und Segmentierung über mehrere Datensätze hinweg. Beziehe Metriken, statistische Tests und Berichtsstruktur ein.
Bewährte Praktiken
- Zeitreihen normalisieren oder skalieren, bevor distanzbasierte, konvolutionsbasierte oder Merkmalsextraktionsmethoden verwendet werden.
- Mit einfachen Baselines und ROCKET-artigen Modellen beginnen, bevor Deep-Learning-Architekturen eingesetzt werden.
- Validierungssplits verwenden, die die zeitliche Reihenfolge erhalten und Leckage zukünftiger Daten verhindern.
Vermeiden
- Deep-Learning-Modelle auf sehr kleinen Datensätzen ohne einfachere Baseline trainieren.
- Trainings- und Testdaten während Transformation, Merkmalsextraktion oder Normalisierung vermischen.
- Standardmethoden für tabellarische Daten verwenden, ohne zu prüfen, ob zeitliche Ausrichtung oder Sequenzlänge relevant sind.
Häufig gestellte Fragen
Welche Datenform erwartet Aeon?
Kann Aeon mit sklearn-Pipelines arbeiten?
Welches Modell sollte ich zuerst ausprobieren?
Führt diese Skill das Training automatisch aus?
Wie sollte ich mit fehlenden Werten umgehen?
Wann sollte ich die DTW-Distanz verwenden?
Entwicklerdetails
Autor
K-Dense-AILizenz
BSD-3-Clause license
Skillstore-Revision
r1
Versionshinweis
Der Autor hat keine Version angegeben.
Ref.
b8ca75d2c0a7e7102978993058777d82b8ab2610
Aktualität der Wartung
22.7.2026
Nutzung
7 Downloads · 562 Aufrufe
Dateistruktur