Weltklasse Computer Vision-Fähigkeiten für Bild-/Videoverarbeitung, Objekterkennung, Segmentierung und visuelle KI-Systeme. Expertise in PyTorch, OpenCV, YOLO, SAM, Diffusionsmodellen und Vision-Transformern. Beinhaltet 3D-Vision, Videoanalyse, Echtzeitverarbeitung und Produktionsbereitstellung. Verwenden Sie es beim Aufbau von visuellen KI-Systemen, der Implementierung von Objekterkennung, dem Trainieren benutzerdefinierter Vision-Modelle oder der Optimierung von Inferenzpipelines.
DAZU WIRST DU
Perfekt für diese Szenarien
Erkenntnisse und Zitate aus in NotebookLM gespeicherten wissenschaftlichen Arbeiten extrahieren.
Erstellen Sie prägnante Zusammenfassungen mit Quelllinks aus Mitschriften von Besprechungen.
Suchen Sie schnell nach Codebeispielen und API-Referenzen in Entwickler-Notebooks.
Rechtsgrundlagen nach Präzedenzfällen mit genauen Zitaten durchsuchen.
MESSBARER GEWINN
Bewährte Vorteile und messbare Wirkung
Finden Sie Antworten schneller mit der direkten NotebookLM-Integration.
Quellenbasierte Antworten beseitigen von KI generierte Ungenauigkeiten.
Nahtloser Workflow zwischen Claude Code und NotebookLM.
DEIN EQUIPMENT
Dateien, Tags und die Installation in drei Schritten
Tipp: Lies Dokumentation und Code vor der ersten Nutzung, damit du Funktion und benötigte Berechtigungen kennst.
NÄCHSTE SKRIPTE
Empfohlen basierend auf Tags und Kategorie
Claude Code-Agent-Erzeugungssystem, das benutzerdefinierte Agenten und Sub-Agenten mit erweiterter YAML-Frontmatter, Tools-Zugriffsmustern und MCP-Integrationsunterstützung gemäß bewährten Produktionsmustern erstellt
Experte für die Aptos-Blockchain, Move-Sprache, Smart Contracts, NFTs, DeFi und Aptos-Entwicklung. Ausgelöst durch die Keywords aptos, move, blockchain, smart contract, nft, defi, web3, mainnet, testnet, devnet
Cloud-Laborplatform für automatisierte Proteintests und -validierung. Verwenden Sie sie bei der Proteinentwicklung und bei der Bedürfnislage nach experimenteller Validierung, einschließlich Bindungsassays, Expressionstests, Thermostabilitätsmessungen, Enzymaktivitätsassays oder Proteinssequenzoptimierung. Verwenden Sie sie auch zum Einreichen von Experimenten über API, zum Verfolgen des Experimentstatus, zum Herunterladen von Ergebnissen, zur Optimierung von Proteinsequenzen für eine bessere Expression mit Hilfe von Rechenwerkzeugen (NetSolP, SoluProt, SolubleMPNN, ESM) oder zur Verwaltung von Proteinentwicklungsworkflows mit Nasslaborvalidierung.
Diese Fähigkeit sollte für Zeitreihenmaschinelles Lernen einschließlich Klassifikation, Regression, Clustering, Prognose, Anomalieerkennung, Segmentierung und Ähnlichkeitssuche verwendet werden. Verwenden Sie sie bei der Arbeit mit zeitlichen Daten, sequentiellen Mustern oder zeitindexierten Beobachtungen, die spezialisierte Algorithmen über standardisierte ML-Ansätze hinaus erfordern. Besonders geeignet für die Analyse univariate und multivariate Zeitreihen mit scikit-learn-kompatiblen APIs.