Los grandes arrays científicos pueden sobrecargar la memoria y los sistemas de almacenamiento. Esta habilidad ofrece orientación sobre fragmentación, compresión, almacenamiento en la nube y flujos de trabajo paralelos con Zarr, NumPy, Dask y Xarray.

Los datos de alta dimensionalidad son difíciles de visualizar, agrupar y reutilizar en flujos de aprendizaje automático. Esta habilidad ofrece orientación práctica para configurar, ajustar, transformar y evaluar UMAP.

Los proyectos de aprendizaje sobre grafos requieren elegir cuidadosamente los datos, los modelos, el muestreo y la evaluación. Esta habilidad ofrece orientación, ejemplos, plantillas, pruebas comparativas y utilidades de visualización para PyTorch Geometric.

Los flujos de trabajo estadísticos suelen fallar por una elección deficiente del modelo, diagnósticos débiles o una interpretación incorrecta. Esta habilidad proporciona orientación estructurada sobre statsmodels para una inferencia y previsión confiables.

La elección y presentación de pruebas estadísticas puede ser inconsistente y propensa a errores. Esta skill orienta la planificación del análisis, los diagnósticos, los tamaños del efecto, la potencia, la interpretación y la presentación de resultados según el estilo APA.

Las colas complejas y los recursos compartidos son difíciles de evaluar antes del despliegue. Esta habilidad ofrece orientación sobre modelos de SimPy, supervisión, sincronización y análisis de resultados.

Los equipos de aprendizaje automático necesitan comprender claramente las razones detrás de las predicciones de los modelos. Esta skill orienta sobre la selección de explicadores de SHAP, las visualizaciones, la depuración, las comprobaciones de equidad y los flujos de trabajo de explicaciones en producción.

Los sistemas de ML para producción son difíciles de diseñar, desplegar y supervisar de manera coherente. Esta skill ofrece orientación sobre MLOps, integración de LLM, arquitectura RAG y estructuras base para flujos de trabajo locales.

Las elecciones de gráficos estadísticos pueden ralentizar el análisis de datos y la producción de figuras. Esta habilidad guía la selección de gráficos de Seaborn, los parámetros, el estilo y los ejemplos para crear visualizaciones claras en Python.

El análisis de ómicas unicelulares requiere una elección cuidadosa del modelo, el preprocesamiento y la interpretación. Esta habilidad guía flujos de trabajo de scvi-tools para integración, expresión diferencial, anotación y análisis espacial.

El modelado de supervivencia requiere métodos que manejen datos censurados de tiempo hasta el evento. Esta skill guía flujos de trabajo de scikit-survival desde la preparación de datos hasta la evaluación del modelo.

Los proyectos de aprendizaje automático necesitan patrones coherentes de preprocesamiento, evaluación y selección de modelos. Esta skill proporciona a Claude, Codex y Claude Code orientación enfocada sobre scikit-learn, con referencias y ejemplos.

El trabajo en bioinformática a menudo requiere flujos de trabajo correctos para secuencias, árboles, diversidad y ordenación. Esta skill guía a Claude, Codex y Claude Code a través de las APIs de scikit-bio.

Las figuras científicas suelen incumplir las comprobaciones de las revistas en cuanto a tamaño, resolución, color y etiquetas. Esta habilidad orienta a Claude, Codex y Claude Code para crear figuras accesibles y listas para publicación.

Los flujos de trabajo de RNA-seq de célula única requieren un control de calidad, normalización, clustering y documentación cuidadosos. Esta skill proporciona flujos de trabajo de Scanpy, scripts, plantillas y referencias para un análisis reproducible.

El análisis genómico suele fallar cuando los formatos de archivo, los índices y los sistemas de coordenadas se gestionan de forma inconsistente. Esta habilidad proporciona a Claude, Codex y Claude Code orientación enfocada en pysam para flujos de trabajo de alineamiento, variantes, secuencias y cobertura.

Los equipos de descubrimiento de fármacos necesitan conjuntos de datos consistentes y benchmarks justos. Esta skill guía flujos de trabajo de PyTDC para cargar datos, dividir conjuntos de datos, evaluar modelos y usar oráculos moleculares.

Los proyectos de optimización suelen necesitar selección repetible de algoritmos, restricciones y análisis del frente de Pareto. Esta skill guía flujos de trabajo con pymoo mediante ejemplos, referencias y patrones de resolución de problemas.

Los flujos de trabajo de espectrometría de masas requieren muchos objetos, formatos de archivo y algoritmos de OpenMS. Esta skill proporciona a Claude, Codex y Claude Code orientación práctica sobre pyOpenMS para análisis de proteómica y metabolómica.

El modelado bayesiano requiere priores cuidadosos, diagnósticos y comprobaciones del modelo. Esta skill guía flujos de trabajo de PyMC desde la configuración del modelo hasta la validación y comparación posterior.