Datenbankteams benötigen vor einer Analyse häufig einen schnellen Überblick über Tabellen, Beziehungen und Datenqualität. Dieser Skill führt Claude, Codex oder Claude Code durch einen strukturierten Profiling-Workflow in DBX Studio.

Das Erkunden einer unbekannten Datenbank kann langsam und uneinheitlich sein. Diese Skill gibt DBX Studio einen wiederholbaren Workflow für Schema-Prüfung, Profiling, Beziehungen und Qualitätsprüfungen.

Die Suche nach käuflichen Verbindungen und geeigneten Analoga in ZINC kann eine spezielle Abfragesyntax erfordern. Dieser Skill unterstützt bei Suchen, Downloads, Filterung und der Vorbereitung für das Docking.

Große wissenschaftliche Arrays können Arbeitsspeicher- und Speichersysteme überlasten. Dieser Skill bietet Anleitungen zu Chunking, Komprimierung, Cloud-Speicherung und parallelen Workflows mit Zarr, NumPy, Dask und Xarray.

Hochdimensionale Daten lassen sich nur schwer visualisieren, clustern und in Machine-Learning-Pipelines wiederverwenden. Dieser Skill bietet eine praxisorientierte Anleitung zur Konfiguration, Optimierung, Transformation und Bewertung von UMAP.

Projekte zum Graphenlernen erfordern sorgfältige Entscheidungen hinsichtlich Daten, Modellen, Sampling und Auswertung. Dieser Skill bietet Anleitungen, Beispiele, Vorlagen, Benchmarks und Visualisierungswerkzeuge für PyTorch Geometric.

Statistische Arbeitsabläufe scheitern häufig an einer ungeeigneten Modellwahl, unzureichender Diagnostik oder falscher Interpretation. Dieser Skill bietet strukturierte Anleitungen zu statsmodels für zuverlässige Inferenz und Prognosen.

Die Auswahl und Berichterstattung statistischer Tests kann uneinheitlich und fehleranfällig sein. Diese Fähigkeit unterstützt die Analyseplanung, Diagnostik, Effektstärken, Teststärke, Interpretation und Berichterstattung im APA-Stil.

Komplexe Warteschlangen und gemeinsam genutzte Ressourcen lassen sich vor der Bereitstellung nur schwer bewerten. Dieser Skill unterstützt bei SimPy-Modellen, Überwachung, Synchronisierung und Ergebnisanalyse.

Teams für maschinelles Lernen benötigen klare Gründe hinter Modellvorhersagen. Diese Skill unterstützt bei der Auswahl von SHAP-Explainers, Visualisierungen, Fehlersuche, Fairness-Prüfungen und Workflows für Erklärungen in der Produktion.

Produktionsreife ML-Systeme sind schwer konsistent zu entwerfen, bereitzustellen und zu überwachen. Diese Skill bietet Leitlinien zu MLOps, LLM-Integration, RAG-Architektur und lokalen Workflow-Gerüsten.

Die Auswahl statistischer Diagramme kann Datenanalysen und die Erstellung von Abbildungen verlangsamen. Diese Skill unterstützt bei der Auswahl von Seaborn-Diagrammen, Parametern, Styling und Beispielen für klare Python-Visualisierungen.

Die Analyse von Single-Cell-Omics erfordert eine sorgfältige Modellauswahl, Vorverarbeitung und Interpretation. Diese Skill-Anleitung unterstützt scvi-tools-Workflows für Integration, differentielle Expression, Annotation und räumliche Analyse.

Survival-Modellierung erfordert Methoden, die zensierte Time-to-Event-Daten verarbeiten können. Diese Skill-Anleitung führt durch scikit-survival-Workflows von der Datenvorbereitung bis zur Modellevaluierung.

Machine-Learning-Projekte benötigen konsistente Muster für Preprocessing, Evaluierung und Modellauswahl. Dieser Skill gibt Claude, Codex und Claude Code gezielte scikit-learn-Anleitungen mit Referenzen und Beispielen.

Bioinformatikarbeit erfordert oft korrekte Workflows für Sequenzen, Bäume, Diversität und Ordination. Dieser Skill führt Claude, Codex und Claude Code durch scikit-bio-APIs.

Wissenschaftliche Abbildungen erfüllen häufig nicht die Vorgaben von Fachzeitschriften hinsichtlich Größe, Auflösung, Farben und Beschriftungen. Dieser Skill unterstützt Claude, Codex und Claude Code bei der Erstellung barrierefreier, publikationsreifer Abbildungen.

Single-Cell-RNA-seq-Workflows erfordern sorgfältige Qualitätskontrolle, Normalisierung, Clustering und Dokumentation. Dieser Skill stellt Scanpy-Workflows, Skripte, Vorlagen und Referenzen für reproduzierbare Analysen bereit.

Genomische Analysen scheitern häufig, wenn Dateiformate, Indizes und Koordinatensysteme uneinheitlich behandelt werden. Dieser Skill gibt Claude, Codex und Claude Code gezielte pysam-Anleitungen für Workflows zu Alignments, Varianten, Sequenzen und Coverage.

Teams in der Wirkstoffforschung benötigen konsistente Datensätze und faire Benchmarks. Dieser Skill leitet PyTDC-Workflows zum Laden von Daten, Aufteilen von Datensätzen, Evaluieren von Modellen und Verwenden molekularer Orakel an.