Explorar skills

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.

Redes neurais gráficas nativas do PyTorch para moléculas e proteínas, adequadas para arquiteturas GNN personalizadas em descoberta de medicamentos, modelagem de proteínas ou raciocínio em grafos de conhecimento. É ideal para desenvolvimento de modelos personalizados, previsão de propriedades de proteínas e retrosíntese; para modelos pré-treinados e featurizers diversos, use deepchem, e para conjuntos de dados de benchmark, use pytdc.

UMAP é uma técnica rápida de redução de dimensionalidade não linear para dados de alta dimensão, útil para visualização 2D/3D, pré-processamento de agrupamento (HDBSCAN) e aprendizado supervisionado/paramétrico.

Consulte a API REST U.S. Treasury Fiscal Data para dados financeiros federais, sem necessidade de chave de API. Acesse dados sobre dívida nacional, extratos do Tesouro, leilões de títulos, taxas de juros e câmbio, títulos de poupança ou estatísticas de receita e despesa do governo dos EUA.

Esta skill processa e analisa grandes conjuntos de dados tabulares (bilhões de linhas) que excedem a RAM disponível, destacando-se em operações de DataFrame out-of-core, agregações rápidas e visualização eficiente. É ideal para trabalhar com arquivos CSV/HDF5/Arrow/Parquet massivos e realizar estatísticas rápidas em grandes volumes de dados.

Featurização molecular para ML com mais de 100 featurizadores, incluindo ECFP, MACCS, descritores e modelos pré-treinados (ChemBERTa). Converte SMILES em características para QSAR e ML molecular.

Um wrapper Pythonic para RDKit, com interface simplificada e padrões sensatos. É ideal para tarefas padrão de descoberta de fármacos, incluindo análise de SMILES, padronização, descritores, impressões digitais, agrupamento, conformadores 3D e processamento paralelo, retornando objetos rdkit.Chem.Mol nativos.

Esta skill é ideal para tarefas de machine learning com séries temporais, como classificação, regressão, clustering, previsão, detecção de anomalias, segmentação e busca de similaridade. Utilize-a ao trabalhar com dados temporais, padrões sequenciais ou observações indexadas por tempo que exigem algoritmos especializados além das abordagens padrão de ML, especialmente para séries temporais univariadas e multivariadas.

Hugging Face Transformers para carregar modelos do Hub, executar inferência de pipeline, geração de texto e ajuste fino com Trainer em tarefas de PNL, visão, áudio e multimodais. Use ao trabalhar com AutoModel, pipelines, tokenizers ou TrainingArguments – não para ML geral fora da biblioteca Transformers.

Plataforma de gerenciamento de dados de microscopia para triagem de alto conteúdo e fluxos de trabalho de microscopia. Permite acessar imagens via Python, recuperar conjuntos de dados, analisar pixels, gerenciar ROIs/anotações e processamento em lote.

Ancoragem molecular baseada em difusão que prevê poses de ligação proteína-ligante a partir de PDB/SMILES, fornecendo pontuações de confiança e permitindo triagem virtual para o design de medicamentos baseado em estrutura. Não é para previsão de afinidade.

Uma habilidade abrangente para escrever em markdown e diagramas Mermaid. Ela estabelece diagramas baseados em texto como o padrão de documentação, oferecendo guias de estilo completos, 24 referências de tipos de diagrama e 9 modelos de documento para documentos científicos, relatórios, análises ou visualizações.