senior-data-scientist
Construir modelos estatísticos e experimentos
También disponible en: alirezarezvani
Projete experimentos, construa modelos preditivos e tome decisões baseadas em dados com técnicas de ciência de dados de nível especialista. Esta skill fornece frameworks de nível de produção para análise estatística, engenharia de features e avaliação de modelos.
Descargar el ZIP de la skill
Subir en Claude
Ve a Configuración → Capacidades → Skills → Subir skill
Activa y empieza a usar
Pruébalo
Usando "senior-data-scientist". Analyze our A/B test results. We tested a new checkout flow with 10,000 users. Control conversion: 3.2%, Treatment conversion: 3.8%.
Resultado esperado:
- Significância estatística: p-valor = 0.012 (significativo com 95% de confiança)
- Aumento: 18.75% de melhoria relativa
- IC 95% para diferença: (0.0012, 0.0112)
- Recomendação: Implantar novo fluxo de checkout
- Acompanhamento: Monitorar efeitos de novidade nas semanas 2-4
Usando "senior-data-scientist". Design feature engineering for customer churn prediction with these features: age, contract type, usage patterns, support calls, payment history.
Resultado esperado:
- Transformações recomendadas: transformação logarítmica em padrões de uso, codificação one-hot para tipo de contrato
- Seleção de features: usar análise de correlação para remover features redundantes
- Considerar features derivadas: tempo de permanência do cliente, média de chamadas de suporte por mês
- Lidar com valores ausentes: imputar chamadas de suporte com mediana, sinalizar ausentes como feature separada
Usando "senior-data-scientist". Evaluate our classification model. We have 1000 test samples. Confusion matrix: TP=420, TN=380, FP=100, FN=100.
Resultado esperado:
- Acurácia: 80%, Precisão: 80.8%, Recall: 80.8%, F1: 80.8%
- Desbalanceamento de classes detectado: revisar impacto de negócio dos falsos negativos
- Considerar ajuste de threshold se o recall para classe positiva precisar de melhoria
- Próximos passos: Examinar amostras classificadas incorretamente em busca de padrões
Auditoría de seguridad
SeguroAll 75 static findings are FALSE POSITIVES. The scanner misidentified Python logging format strings (containing '%') as 'weak cryptographic algorithms', bash documentation backticks as 'command execution risks', and hash values as 'C2 keywords'. This is a legitimate data science skill containing skeleton CLI templates with no network calls, credential access, or malicious patterns.
Factores de riesgo
⚡ Contiene scripts (3)
📁 Acceso al sistema de archivos (3)
Puntuación de calidad
Lo que puedes crear
Construir pipelines de ML
Projete workflows de engenharia de features e avalie modelos com as melhores práticas de produção
Executar experimentos A/B
Projete experimentos estatisticamente válidos e interprete resultados para decisões de produto
Analisar conjuntos de dados
Realize análise causal e modelagem estatística em dados de pesquisa
Prueba estos prompts
Analyze these A/B test results. Calculate statistical significance, confidence intervals, and provide recommendations. Use senior data scientist expertise.
Design a feature engineering pipeline for this dataset. Suggest transformations, encoding strategies, and feature selection methods.
Evaluate this model using production-grade metrics. Include accuracy, precision, recall, F1, ROC-AUC, and provide improvement suggestions.
Perform causal inference analysis on this observational dataset. Identify potential confounders and suggest appropriate statistical methods.
Mejores prácticas
- Sempre validar pressupostos estatísticos antes de escolher métodos de análise
- Documentar design do experimento e critérios de decisão antes de executar testes
- Usar validação cruzada e conjuntos de holdout ao avaliar modelos
Evitar
- Executar experimentos sem hipóteses pré-registradas
- Ignorar correções de comparações múltiplas em testes A/B
- Avaliar modelos apenas por acurácia sem verificar viés