需要精確的數學結果而非數值近似。此技能提供使用 Python SymPy 庫進行符號代數、微積分、方程求解、矩陣運算和物理計算的全面指導。

使用 OLS、GLM、ARIMA 和離散選擇模型進行嚴謹的統計分析。透過完整的診斷、係數表和殘差分析，獲得可直接發表的結果。

不再猜測該使用哪種統計檢驗。獲得指導性的檢驗選擇、假設檢查以及適合您研究數據的APA格式結果。非常適合需要嚴謹統計分析的學生和研究人員。

SimPy 讓你用流程、佇列與共享資源來建模複雜系統。在實作前先模擬製造產線、服務作業、網路流量與物流，以最佳化效能。

機器學習模型通常像黑盒一樣運作。SHAP 提供了一個統一的框架，透過使用來自博弈論的 Shapley 值計算特徵貢獻來解釋任何模型預測。使用此技能來視覺化特徵重要性、除錯模型行為，並實作可解釋的人工智慧。

存活分析適用於事件可能未對所有受試者發生的資料。此技能提供 Python 工具，可用於處理右截距資料的時間至事件建模，包括 Cox 模型、隨機存活森林、SVM，以及像是一致性指數的專門評估指標。

處理生物序列、計算多樣性指標，並對微生物組和生態數據進行統計檢驗。本技能提供全面的生物信息學工作流指導，包括序列比對、系統發育分析和排序。

單細胞 RNA 定序會產生複雜資料集，需要專門的分析。此技能提供完整流程，涵蓋品質控制、降維、分群與單細胞基因表達資料的視覺化。

使用 Reactome 資料庫分析生物途徑和基因列表。執行途徑富集分析、將基因對應到途徑，並探索系統生物學研究中的分子交互作用。

使用完整的質譜工具處理蛋白質體與代謝體資料。此技能提供存取 OpenMS 演算法以處理檔案格式、光譜處理、特徵偵測與胜肽鑑定工作流程。

多目標最佳化是在多個彼此衝突的目標必須同時滿足時，尋找權衡解的過程。此技能提供對 pymoo 演算法的完整存取，包括 NSGA-II、NSGA-III 與 MOEA/D，用於尋找帕累托最優解並視覺化權衡前緣。

使用 PyMC 建立、擬合並驗證貝葉斯模型。建立階層式模型，執行 MCMC 取樣，並使用 LOO 與 WAIC 指標比較模型。

醫療保健研究人員和數據科學家經常與複雜的臨床數據格式和編碼系統搏鬥。PyHealth提供了一個統一的工具包，用於加載醫療數據集、處理EHR數據、訓練預測模型以及處理標準醫療代碼。

處理 DICOM 醫學影像，包括 CT、MRI、X 光與超音波。可讀取、寫入、匿名化、轉換，並從醫療影像檔案中擷取中繼資料。

PyDESeq2 可對大量 RNA-seq 計數資料進行差異基因表現分析。執行統計檢定、多重比較校正，並為您的基因體學研究產生可直接發表的火山圖和 MA 圖。

訓練強化學習代理需要高效能平行環境和高效能演算法。PufferLib 提供優化的 PPO+LSTM 訓練，透過向量化、共享記憶體緩衝區和多代理支援，實現 2-10 倍的加速。

使用 Polars（高效能 DataFrame 庫）在記憶體中處理大型資料集。具備延遲執行、平行運算和 Apache Arrow 後端，比 pandas 快 10 倍。

資料視覺化通常需要複雜的程式碼且缺乏探索互動性。本技能提供使用 Plotly 建立互動式、出版品質圖表的全面指導,具備滑鼠懸停提示、縮放、平移功能,以及超過 40 種圖表類型,適用於儀表板和資料分析。

使用 Open Targets Platform 資料尋找治療靶點和藥物候選者。存取基因證據、可成藥性評估、安全數據以及靶點-疾病關聯的已知藥物。

此技能提供對 OMERO（用於顯微鏡和高通量篩選的科學影像管理平台）的 Python API 存取。連線到 OMERO 伺服器、擷取影像、分析像素資料，以及以程式化方式管理註釋。