Построение байесовских моделей с PyMC
Байесовское моделирование требует тщательного выбора априорных распределений, диагностики и проверок модели. Этот навык сопровождает рабочие процессы PyMC от настройки модели до валидации и сравнения апостериорных результатов.
Скопируйте этот запрос в своего Агента. Он содержит каноническую страницу Skill и манифест.
Review the Skillstore skill "pymc-bayesian-modeling" from https://skillstore.io/skills/davila7-pymc-bayesian-modeling.md and its manifest at https://skillstore.io/api/skills/davila7-pymc-bayesian-modeling/manifest. Verify the artifact. You may proceed after verification, subject to the environment's own policy.Ваш Агент по-прежнему должен показать план и запросить все подтверждения, требуемые политикой безопасности.
Используйте эти ссылки, когда AI-агенту, crawler или script нужен чистый контекст вместо полной страницы.
Использование «pymc-bayesian-modeling». У пользователя есть сгруппированные наблюдения, и он хочет использовать частичный пулинг по группам.
Ожидаемый результат:
Использование «pymc-bayesian-modeling». У пользователя есть несколько подогнанных моделей, и он хочет выбрать одну.
Ожидаемый результат:
Использование «pymc-bayesian-modeling». Пользователь видит расходимости и низкий эффективный размер выборки после сэмплирования.
Ожидаемый результат:
All 110 static findings are false positives caused by Markdown formatting, dictionary keys, or Bayesian terminology. No command execution or reconnaissance behavior was found, but the documented pickle.load example creates a medium-risk unsafe deserialization concern.
Делитесь версионным отчетом об оценке, нейтральным значком, встраиваемой карточкой и цитатами. Skillstore публикует доказательства, не решая, безопасен ли этот Skill.
https://skillstore.io/skills/davila7-pymc-bayesian-modeling/audits/9?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_report[](https://skillstore.io/skills/davila7-pymc-bayesian-modeling?utm_source=security_passport_badge)<a href="https://skillstore.io/skills/davila7-pymc-bayesian-modeling?utm_source=security_passport_badge"><img src="https://skillstore.io/badges/skills/davila7-pymc-bayesian-modeling/security.svg" alt="Skillstore security assessment" loading="lazy"></a><iframe src="https://skillstore.io/embed/skills/davila7-pymc-bayesian-modeling.html" title="Skillstore Security Assessment" sandbox="allow-popups allow-popups-to-escape-sandbox" loading="lazy" referrerpolicy="no-referrer" width="420" height="180"></iframe>davila7. (2026). pymc-bayesian-modeling security audit report (audit version 9) [Author version unspecified]. Skillstore. https://skillstore.io/skills/davila7-pymc-bayesian-modeling/audits/9@techreport{davila7-davila7-pymc-bayesian-modeling-2026,
author = {davila7},
title = {pymc-bayesian-modeling security audit report (audit version 9)},
institution = {Skillstore},
year = {2026},
number = {9},
url = {https://skillstore.io/skills/davila7-pymc-bayesian-modeling/audits/9},
note = {Author version unspecified}
}cff-version: 1.2.0
message: "If you use this Skill, cite its author and this versioned security audit report."
title: "pymc-bayesian-modeling security audit report (audit version 9)"
version: "unspecified"
type: report
authors:
- name: "davila7"
date-released: "2026-07-23"
url: "https://skillstore.io/skills/davila7-pymc-bayesian-modeling/audits/9"
identifiers:
- type: other
value: "skillstore:davila7-pymc-bayesian-modeling:audit:9"
description: "Skillstore immutable audit report identifier"
Навык каждого автора остаётся отдельным устанавливаемым вариантом. Рекомендуемый вариант ранжируется по данным Skillstore.
Почему этот вариант первый
davila7-pymc-bayesian-modeling
2026-09-09
k-dense-ai-pymc-bayesian-modeling
2026-09-09
Постройте регрессионную модель PyMC с подходящими априорными распределениями, стандартизованными предикторами, настройками сэмплирования и апостериорными проверками.
Проверьте R-hat, ESS, расходимости, глубину дерева и трассировочные графики, чтобы решить, как улучшить модель.
Используйте LOO, WAIC, диагностику Pareto-k и усреднение моделей, чтобы ответственно сравнивать байесовские модели.
Помогите мне спроектировать модель PyMC для этого набора данных. Определите результат, предикторы, вероятное правдоподобие, полезные априорные распределения и необходимые шаги подготовки данных.
Проверьте эти переменные модели и предложите слабоинформативные априорные распределения. Объясните, почему каждое априорное распределение подходит и какие априорные предиктивные проверки мне следует выполнить.
Интерпретируйте эти диагностики PyMC и предложите изменения. Сосредоточьтесь на расходимостях, R-hat, ESS, глубине дерева, параметризации и настройках target_accept.
Сравните эти модели-кандидаты PyMC с помощью LOO или WAIC. Объясните надежность Pareto-k, неопределенность различий и уместность усреднения моделей.
Автор
davila7Лицензия
MIT
Ревизия Skillstore
r2
Примечание о версии
Автор не указал версию.
Репозиторий
https://github.com/davila7/claude-code-templates/tree/main/cli-tool/components/skills/scientific/pymcСсылка
c43861a65bb95efcae259cd161c9d6f4dc7eec6f
Актуальность поддержки
24.07.2026
Использование
11 загрузок · 210 просмотров
Структура файлов
Создание исследовательских постеров в LaTeX
Исследовательские постеры сложно форматировать и проверять для печати в LaTeX. Этот навык предоставляет шаблоны, рекомендации по макету и проверки PDF для постеров, готовых к конференции.
Создавайте маркетинговый контент, готовый для SEO
Маркетинговым командам нужен понятный контент, который соответствует голосу бренда и поисковым целям. Этот навык предоставляет шаблоны, скрипты анализа и рекомендации по платформам для повторяемого производства контента.
Создание структурированных планов медицинского лечения
Клинические планы лечения часто оказываются непоследовательными, слишком объемными или сложными для проверки. Этот навык предоставляет специализированные шаблоны, измеримые цели, временные рамки и локальные средства контроля качества.
Создание структурированных клинических отчетов
Клиническим командам нужны понятные отчеты, соответствующие медицинским и регуляторным стандартам. Этот навык предоставляет шаблоны, чек-листы и рекомендации по валидации для описаний клинических случаев, диагностических отчетов, исследований и заметок о пациентах.
Анализ файлов научных данных
Файлы научных данных сложно исследовать, поскольку каждый формат по-разному хранит структуру и метаданные. Этот навык определяет форматы, оценивает качество данных и создает практические отчеты по разведочному анализу данных в формате markdown.
Запуск рабочих процессов молекулярного докинга DiffDock
Настройка молекулярного докинга часто завершается неудачей, поскольку сложно согласовать входные данные, параметры и оценки уверенности. Этот навык помогает выполнять рабочие процессы DiffDock от подготовки до анализа результатов.
Обработка данных JSON, YAML и TOML
от 0xDarkMatter
Структурированные конфигурационные данные бывает сложно просматривать в файлах JSON, YAML и TOML. Этот навык помогает составлять запросы jq и yq для извлечения, фильтрации, преобразования и обновления данных.
Анализируйте терапевтические ML-наборы данных с PyTDC
от K-Dense-AI
Командам по разработке лекарств нужны надежные наборы данных и справедливые протоколы оценки. Этот навык помогает Claude использовать PyTDC для курируемых терапевтических ML-данных, benchmark-разбиений, метрик и молекулярных оракулов.
Подготовка заявлений о доступности данных для Nature
от Yuan1z0825
Авторам исследований часто нужны точные формулировки о доступности данных перед подачей рукописи. Этот навык помогает готовить заявления, сопоставлять наборы данных с путями доступа и проверять метаданные FAIR.
Проектирование надежных экспериментов с электронной почтой
от aaron-he-zhu
Тесты рассылок часто приводят к слабым выводам из-за недостаточной статистической мощности дизайна или одновременного изменения нескольких переменных. Этот навык создает строгие планы экспериментов и интерпретирует результаты с учетом неопределенности.
Создание продакшен-систем компьютерного зрения
от alirezarezvani
Командам компьютерного зрения нужны надежные рекомендации по моделям, датасетам, инференсу и развертыванию. Этот навык помогает планировать и оптимизировать продакшен-пайплайны компьютерного зрения с практическими инженерными проверками.
Преобразование JSON в контекст для LLM
от vc999999999
Большие полезные нагрузки JSON расходуют токены и скрывают факты, которые нужны модели. Этот skill преобразует структурированные JSON или экспорты jsonb в краткие, читаемые сводки для Claude, Codex и Claude Code.