stable-baselines3

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。

ログ、曲線、コード、設定がそれぞれ異なる方向を示していると、トレーニング失敗のデバッグは困難です。このスキルは証拠を整理し、考えられる根本原因、修正策、検証手順を返します。

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。

強化学習プロジェクトでは、学習速度、環境設計、ポリシー構造を慎重に設定する必要があります。このスキルは、実践的な実装のためのPufferLibワークフロー、テンプレート、リファレンスガイダンスを提供します。

PyTorchプロジェクトは、一貫してトレーニングしスケールさせることが難しくなる場合があります。このスキルは、LightningModules、trainers、data modules、callbacks、logging、distributed trainingをガイドします。

従来の PyTorch ディスパッチマクロは反復が多く、手作業での移行が困難です。このスキルは AT_DISPATCH_V2 形式への安全な変換をガイドします。

PyTorch コントリビューターには、プロジェクトのフォーマットと Sphinx の規約に合った docstring が必要です。このスキルは、一貫した PyTorch API ドキュメントのために、シグネチャ、引数、例、数式表記、参照の書き方をガイドします。