pytorch-lightning

学術投稿は、投稿先によってフォーマット規則が異なるため失敗することがよくあります。このスキルは、より迅速な準備のためにテンプレート、要件、例を提供します。

医療機器チームは、認証監査の前に完全なQMS文書を作成する必要があります。このスキルは、ISO 13485対応準備のためのテンプレート、チェックリスト、ギャップ分析ガイダンスを提供します。

創薬チームには、信頼できるデータセットと公正な評価プロトコルが必要です。このスキルは、ClaudeがPyTDCを使用して、キュレーション済みの治療薬MLデータ、ベンチマーク分割、メトリクス、分子オラクルを扱うのに役立ちます。

タンパク質リガンドドッキングには、慎重なセットアップ、パラメータ選択、結果解釈が必要です。このスキルは、ポーズ、信頼度スコア、スクリーニングのためのDiffDockワークフローをガイドします。

研究者は観察結果を明確で検証可能な説明へと変換する必要があります。このスキルは、エビデンスレビュー、競合する仮説、予測、実験計画を構造化します。

検定の選択や結果の報告は時間がかかり、誤りが生じやすい作業です。このスキルは、検定の選択、前提条件、効果量、検出力分析、ベイズ的選択肢、APA形式での報告を支援します。

深層学習リポジトリは、変更を加える前に理解するのが困難です。このスキルはコードを変更せずに、エントリポイント、設定、評価経路、レビュー上のリスクを整理します。

強化学習プロジェクトは、アルゴリズムの選択、環境の契約、評価ワークフローに一貫性がないため、失敗することが少なくありません。このスキルは、実践的なStable Baselines3のガイダンスと再利用可能なトレーニングテンプレートを提供します。

トレーニングの失敗は、根本原因が明らかになる前にエージェントをリスクのあるパッチ適用へ進ませる可能性があります。このスキルは、保守的な診断、セーブポイント計画、承認に基づく修正をガイドします。

強化学習プロジェクトには、構造化されたセットアップ、トレーニングループ、評価、デプロイ前チェックが必要です。このスキルは、AgentDBユーザーがアルゴリズム選定、トレーニング、ベンチマーキング、本番展開を進めるためのガイドを提供します。

本番環境のMLシステムは、信頼性高くデプロイ、監視、スケールすることが困難です。このスキルは、モデルサービング、特徴量エンジニアリング、テスト、MLOpsワークフローをガイドします。

グラフ学習プロジェクトでは、データ、モデル、サンプリング、評価について慎重に選択する必要があります。このスキルは、PyTorch Geometricに関するガイダンス、例、テンプレート、ベンチマーク、可視化ユーティリティを提供します。