Анализ данных с руководством по Data Science
Командам по работе с данными нужны структурированные рекомендации по статистике, машинному обучению и бизнес-отчетности. Этот навык помогает Claude, Codex и Claude Code планировать анализ, проверять методы и объяснять практически применимые выводы.
Скопируйте этот запрос в своего Агента. Он содержит каноническую страницу Skill и манифест.
Review the Skillstore skill "data-scientist" from https://skillstore.io/skills/sickn33-data-scientist.md and its manifest at https://skillstore.io/api/skills/sickn33-data-scientist/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 «data-scientist». Спланируйте проект прогнозирования оттока для подписочного бизнеса.
Ожидаемый результат:
План проекта с определением цели, правилами когорт, группами признаков, окнами валидации, вариантами моделей, метриками оценки и проверками развертывания.
Использование «data-scientist». Проанализируйте, улучшил ли редизайн checkout конверсию.
Ожидаемый результат:
Обзор эксперимента, охватывающий дизайн теста, выбор метрики, проверку статистической значимости, размер эффекта, guardrail metrics, оговорки и рекомендацию по решению.
Использование «data-scientist». Суммируйте результаты сегментации клиентов для руководителей.
Ожидаемый результат:
Готовое для заинтересованных сторон повествование с профилями сегментов, бизнес-ценностью, рекомендуемыми действиями, ограничениями данных и следующими шагами анализа.
The skill contains only instructional Markdown and no executable code, network actions, credential access, or destructive operations. No static or semantic security findings were identified, including no prompt injection language.
Делитесь версионным отчетом об оценке, нейтральным значком, встраиваемой карточкой и цитатами. Skillstore публикует доказательства, не решая, безопасен ли этот Skill.
https://skillstore.io/skills/sickn33-data-scientist/audits/5?utm_source=security_passport&utm_medium=share&utm_campaign=versioned_report[](https://skillstore.io/skills/sickn33-data-scientist?utm_source=security_passport_badge)<a href="https://skillstore.io/skills/sickn33-data-scientist?utm_source=security_passport_badge"><img src="https://skillstore.io/badges/skills/sickn33-data-scientist/security.svg" alt="Skillstore security assessment" loading="lazy"></a><iframe src="https://skillstore.io/embed/skills/sickn33-data-scientist.html" title="Skillstore Security Assessment" sandbox="allow-popups allow-popups-to-escape-sandbox" loading="lazy" referrerpolicy="no-referrer" width="420" height="180"></iframe>sickn33. (2026). data-scientist security audit report (audit version 5) [Author version unspecified]. Skillstore. https://skillstore.io/skills/sickn33-data-scientist/audits/5@techreport{sickn33-sickn33-data-scientist-2026,
author = {sickn33},
title = {data-scientist security audit report (audit version 5)},
institution = {Skillstore},
year = {2026},
number = {5},
url = {https://skillstore.io/skills/sickn33-data-scientist/audits/5},
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: "data-scientist security audit report (audit version 5)"
version: "unspecified"
type: report
authors:
- name: "sickn33"
date-released: "2026-07-23"
url: "https://skillstore.io/skills/sickn33-data-scientist/audits/5"
identifiers:
- type: other
value: "skillstore:sickn33-data-scientist:audit:5"
description: "Skillstore immutable audit report identifier"
Определите целевую переменную, признаки, стратегию валидации, метрики и аспекты развертывания для рабочего процесса supervised learning.
Выберите статистические тесты, оцените размеры эффекта, проверьте допущения и преобразуйте результаты эксперимента в бизнес-рекомендации.
Преобразуйте результаты анализа в понятные визуализации, оговорки, решения и следующие шаги для нетехнических заинтересованных сторон.
Помогите мне спланировать data science анализ для [business question]. Доступные данные включают [fields]. Сначала запросите любой недостающий контекст.
Порекомендуйте статистические методы для проверки того, повлияло ли [change] на [metric]. Включите допущения, вопросы размера выборки и рекомендации по интерпретации.
Спроектируйте рабочий процесс предиктивного моделирования для [target outcome]. Охватите feature engineering, валидацию, метрики, проверки bias, интерпретируемость и мониторинг.
Проверьте этот data science подход для [project]. Определите статистические риски, data leakage, пробелы в управлении моделями и улучшения коммуникации с заинтересованными сторонами.
Автор
sickn33Лицензия
MIT
Ревизия Skillstore
r2
Примечание о версии
Автор не указал версию.
Ссылка
f9e2c34b4f19c7f3e6b0a1e93227b5f77cc12526
Актуальность поддержки
26.07.2026
Использование
17 загрузок · 94 просмотров
Структура файлов
📄 SKILL.md
Создание маркетингового контента в едином стиле бренда
Маркетинговым командам нужен контент, который остается согласованным во всех каналах. Этот навык помогает планировать, писать, анализировать и оптимизировать контент с учетом голоса бренда и SEO.
Улучшайте LLM-промпты с помощью проверенных паттернов
Непоследовательные промпты тратят время и снижают доверие к результатам AI. Этот навык помогает проектировать промпты с использованием переиспользуемых паттернов, примеров, этапов оценки и рабочих процессов оптимизации.
Проектируйте масштабируемые архитектуры ПО
Архитектурные решения сложно сравнивать для веб-, мобильных, backend- и облачных систем. Этот навык предоставляет структурированные руководства и локальные скрипты-заготовки для отчетов, анализа зависимостей и документирования компромиссов.
Создавайте fullstack-приложения с senior-паттернами
Командам нужны единые рекомендации по настройке, архитектуре и ревью для современных веб-приложений. Этот skill предоставляет scaffolders, справочные материалы по рабочим процессам и quality prompts для проектов на React, Next.js, Node.js, GraphQL и PostgreSQL.
Оптимизируйте AI-промпты с Prompt Engineer
Писать понятные промпты сложно, когда цели расплывчаты или комплексны. Этот навык превращает черновые запросы в структурированные промпты с использованием проверенных фреймворков для промптинга.
Приоритизируйте продуктовую работу с помощью исследовательских инсайтов
Продуктовым командам нужны более быстрые способы ранжировать функции, обобщать интервью и документировать решения. Этот навык предоставляет RICE-оценку, анализ интервью и шаблоны PRD для структурированного планирования.
Проектирование экспериментов и моделей в науке о данных
от alirezarezvani
Проекты в области науки о данных часто терпят неудачу, когда эксперименты, признаки и модели не имеют четкой статистической структуры. Этот навык дает Claude, Codex и Claude Code пошаговые рабочие процессы для экспериментов, инженерии признаков и анализа моделей.
Создание рабочих процессов машинного обучения scikit-learn
от davila7
Проектам машинного обучения нужны согласованные шаблоны предобработки, оценки и выбора моделей. Этот навык дает Claude, Codex и Claude Code целевые рекомендации по scikit-learn со справочными материалами и примерами.
Анализ терапевтических ML-данных с PyTDC
от davila7
Командам по разработке лекарств нужны согласованные наборы данных и справедливые бенчмарки. Этот skill направляет рабочие процессы PyTDC для загрузки данных, разбиения наборов данных, оценки моделей и использования молекулярных оракулов.
Анализируйте исследовательские данные со статистической строгостью
от davila7
Выбор и представление статистических тестов могут быть непоследовательными и подверженными ошибкам. Этот навык помогает с планированием анализа, диагностикой, размерами эффекта, мощностью, интерпретацией и оформлением в стиле APA.
Проверка ML-процессов на скрытые антипаттерны
от Doyajin174
ML-проекты могут выглядеть точными, пока утечка данных или слабая оценка скрывают серьезные недостатки. Этот навык помогает проводить структурированные проверки разбиений, метрик, обучения и готовности к развертыванию.
Создание production-систем ML и RAG
от davila7
Production-системы ML сложно последовательно проектировать, развертывать и мониторить. Этот навык помогает с MLOps, интеграцией LLM, архитектурой RAG и локальными заготовками рабочих процессов.