umap-learn

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。

科学データファイルは、形式ごとに構造やメタデータの保存方法が異なるため、調査が困難です。このスキルは形式を検出し、データ品質をプロファイリングし、実用的な Markdown EDA レポートを作成します。

データサイエンスプロジェクトは、実験、特徴量、モデルに明確な統計的構造がない場合に失敗しがちです。このスキルは、Claude、Codex、Claude Code に対して、実験、特徴量エンジニアリング、モデルレビューのためのガイド付きワークフローを提供します。

MLプロジェクトは一見正確に見えても、データリーケージや弱い評価によって重大な欠陥が隠れていることがあります。このスキルは、分割、指標、トレーニング、デプロイ準備状況を体系的にチェックするためのガイドを提供します。

本番環境向けMLシステムでは、一貫して設計、デプロイ、監視を行うことが困難です。このスキルは、MLOps、LLM統合、RAGアーキテクチャ、ローカルワークフローのスキャフォールドを支援します。

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。

機械学習プロジェクトには、一貫した前処理、評価、モデル選択のパターンが必要です。このスキルは、Claude、Codex、Claude Codeに対して、参考資料と例を含むscikit-learnに特化したガイダンスを提供します。