Командам, работающим с базами данных, часто нужен быстрый обзор таблиц, связей и качества данных перед анализом. Этот навык проводит Claude, Codex или Claude Code через структурированный рабочий процесс профилирования в DBX Studio.

Исследование незнакомой базы данных может быть медленным и непоследовательным. Этот навык дает DBX Studio воспроизводимый рабочий процесс для обзора схемы, профилирования, связей и проверок качества.

Для поиска доступных для покупки соединений и полезных аналогов в ZINC может потребоваться специализированный синтаксис запросов. Этот навык помогает выполнять поиск, скачивание, фильтрацию и подготовку к докингу.

Большие научные массивы могут перегружать оперативную память и системы хранения. Этот навык содержит рекомендации по разбиению на чанки, сжатию, облачному хранению и параллельным рабочим процессам с использованием Zarr, NumPy, Dask и Xarray.

Данные высокой размерности сложно визуализировать, кластеризовать и повторно использовать в конвейерах машинного обучения. Этот навык содержит практические рекомендации по настройке, оптимизации, преобразованию и оценке UMAP.

Проекты по машинному обучению на графах требуют тщательного выбора данных, моделей, методов сэмплирования и оценки. Этот навык предоставляет руководства, примеры, шаблоны, тесты производительности и утилиты визуализации для PyTorch Geometric.

Статистические рабочие процессы часто дают сбой из-за неправильного выбора модели, недостаточной диагностики или неверной интерпретации. Этот навык предоставляет структурированные рекомендации по statsmodels для надежного статистического вывода и прогнозирования.

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.

Сложные очереди и совместно используемые ресурсы трудно оценить до развертывания. Этот навык помогает создавать модели SimPy, настраивать мониторинг и синхронизацию, а также анализировать результаты.

Командам машинного обучения нужны понятные причины, лежащие в основе предсказаний моделей. Этот навык помогает выбрать SHAP explainer, использовать графики, отлаживать модели, проверять справедливость и выстраивать процессы объяснения для продакшена.

Production-системы ML сложно последовательно проектировать, развертывать и мониторить. Этот навык помогает с MLOps, интеграцией LLM, архитектурой RAG и локальными заготовками рабочих процессов.

Выбор статистических графиков может замедлять анализ данных и подготовку фигур. Этот навык помогает выбирать типы графиков Seaborn, параметры, оформление и примеры для понятных визуализаций на Python.

Анализ одноклеточных омикс-данных требует тщательного выбора модели, предварительной обработки и интерпретации. Этот навык помогает выстраивать рабочие процессы scvi-tools для интеграции, дифференциальной экспрессии, аннотации и пространственного анализа.

Моделирование выживаемости требует методов, которые работают с цензурированными данными времени до события. Этот навык сопровождает рабочие процессы scikit-survival от подготовки данных до оценки модели.

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.

Работа в биоинформатике часто требует корректных рабочих процессов для последовательностей, деревьев, разнообразия и ординации. Этот навык помогает Claude, Codex и Claude Code работать с API scikit-bio.

Научные иллюстрации часто не проходят проверку журнала из-за размера, разрешения, цветов и подписей. Этот навык помогает Claude, Codex и Claude Code создавать доступные иллюстрации, готовые к публикации.

Рабочие процессы single-cell RNA-seq требуют тщательного контроля качества, нормализации, кластеризации и документирования. Этот навык предоставляет рабочие процессы Scanpy, скрипты, шаблоны и справочные материалы для воспроизводимого анализа.

Геномный анализ часто дает сбои, когда форматы файлов, индексы и системы координат обрабатываются непоследовательно. Этот навык дает Claude, Codex и Claude Code специализированные рекомендации по pysam для рабочих процессов с выравниваниями, вариантами, последовательностями и покрытием.

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.