Explorar skills

Use the Hugging Face Hub CLI (`hf`) to download, upload, and manage models, datasets, and Spaces.

Query Hugging Face datasets through the Dataset Viewer API for splits, rows, search, filters, and parquet links.

Coleta e consulta dados de leiloeiros oficiais de todas as 27 Juntas Comerciais do Brasil. Scraper multi-UF, banco SQLite, API FastAPI e exportacao CSV/JSON.

Publica y gestiona artículos de investigación en Hugging Face Hub, permitiendo crear páginas, vincularlos a modelos/datasets, reclamar autoría y generar artículos profesionales basados en markdown.

Muestra el contexto de observabilidad de datos de Monte Carlo (salud de la tabla, alertas, linaje, radio de impacto) antes de ediciones de SQL/dbt.

Orientación experta para bases de datos NoSQL distribuidas (Cassandra, DynamoDB). Se centra en modelos mentales, modelado query-first, diseño de tabla única y cómo evitar particiones calientes en sistemas de alta escala.

Marco de optimización multiobjetivo con NSGA-II, NSGA-III, MOEA/D, frentes de Pareto y manejo de restricciones. Ideal para problemas de diseño y optimización en ingeniería, utilizando benchmarks como ZDT y DTLZ.

Analiza archivos FCS (Flow Cytometry Standard) v2.0-3.1. Extrae eventos como arrays NumPy, lee metadatos/canales y convierte a CSV/DataFrame para el preprocesamiento de datos de citometría de flujo.

Filtros de química medicinal para la clasificación de compuestos. Aplica reglas de 'drug-likeness' (Lipinski, Veber, CNS), catálogos de alertas estructurales (PAINS, NIBR, ChEMBL), métricas de complejidad y el lenguaje de consulta de química medicinal para el filtrado de bibliotecas.

Esta habilidad proporciona una revisión estructurada de manuscritos y subvenciones con evaluación basada en listas de verificación, ideal para revisiones formales por pares que evalúan metodología, validez estadística y cumplimiento de estándares de informes, ofreciendo retroalimentación constructiva.

Formula hipótesis estructuradas y comprobables a partir de observaciones o datos experimentales, incluyendo predicciones, mecanismos propuestos y diseños experimentales, siguiendo el método científico.

Infiere redes reguladoras génicas (GRNs) a partir de datos de expresión génica utilizando algoritmos escalables (GRNBoost2, GENIE3). Es útil para analizar datos transcriptómicos (RNA-seq masivo, de célula única) e identificar relaciones entre factores de transcripción y genes diana, soportando computación distribuida para grandes conjuntos de datos.