K-Dense-AI

Análise estatística guiada com seleção de testes e relatórios. Ajuda a escolher testes apropriados, verificar suposições, realizar análise de poder e formatar resultados em APA, ideal para pesquisa acadêmica.

Um framework Python para simulações de dinâmica de fluidos computacional, suportando equações de Navier-Stokes (2D/3D), águas rasas e fluxos estratificados, além de análise de turbulência e dinâmica de vórtices. Ele oferece métodos pseudoespectrais com FFT, suporte a HPC e análise de saída abrangente.

Um kit de ferramentas Python abrangente para criar, analisar e visualizar redes e grafos complexos. Ideal para trabalhar com dados de rede, analisar relacionamentos, calcular algoritmos de grafo, detectar comunidades e visualizar topologias de rede, aplicável a áreas como redes sociais e biológicas.

Armazenamento e recuperação eficientes de dados de variantes genômicas usando TileDB. Ingestão escalável de VCF/BCF, adição incremental de amostras, armazenamento compactado, consultas paralelas e capacidades de exportação para genômica populacional.

MATLAB e GNU Octave para computação numérica, abrangendo operações de matriz, análise de dados, visualização e computação científica. Utilize para scripts de álgebra linear, processamento de sinal/imagem, equações diferenciais, otimização, estatística ou visualizações científicas, e para assistência com sintaxe, funções ou conversões de MATLAB.

Computação distribuída para fluxos de trabalho pandas/NumPy maiores que a RAM, escalando código existente além da memória ou entre clusters. Ideal para processamento paralelo de arquivos, ML distribuído e integração com pandas.

Consulte programaticamente o CELLxGENE Census (mais de 61 milhões de células) para obter dados de expressão em tecidos, doenças ou tipos de células do maior atlas de célula única curado. É ideal para consultas em escala populacional e comparações de atlas de referência.

PyTorch Geometric (PyG) é para redes neurais gráficas, abrangendo classificação de nós/links/grafos, passagem de mensagens (GCN, GAT, GraphSAGE, GIN), grafos heterogêneos, amostragem de vizinhos e datasets personalizados. Utilize-o com torch_geometric, não para análises gerais com NetworkX ou modelos PyTorch não gráficos.

Use esta skill sempre que um arquivo .pptx estiver envolvido, seja como entrada, saída ou ambos. Ela permite criar, ler, editar, combinar ou dividir apresentações.

Análise de gravações neurais Neuropixels, incluindo carregamento de dados SpikeGLX/OpenEphys, pré-processamento, correção de movimento, classificação de picos com Kilosort4, métricas de qualidade e análise visual assistida por IA para eletrofisiologia extracelular Neuropixels 1.0/2.0.

Modelos generativos profundos para ômicas de célula única são ideais para modelagem avançada, efeitos de lote e dados multimodais, oferecendo correção probabilística de lote (scVI), aprendizado por transferência, expressão diferencial com incerteza e integração multimodal (TOTALVI, MultiVI). Para pipelines de análise padrão, use scanpy.

Aprenda modelagem Bayesiana com PyMC, abordando modelos hierárquicos, MCMC (NUTS), inferência variacional e comparação LOO/WAIC para programação probabilística e inferência.