Erstellt Paket-/API-Handbücher (300-500 Wörter) mit versionierten Methoden/Parametern/Beispielen. Automatische Recherche via MCP Ref/Context7. Gibt den Handbuchpfad zurück.
DAZU WIRST DU
Perfekt für diese Szenarien
Vorhersage von Patientenüberlebenszeiten mittels Cox-Modellen unter Verwendung von zensierten klinischen Daten.
Analysieren von Zeit-bis-Versagen-Daten für die Instandhaltungsplanung von Industriemaschinen.
Kundenbindungs- und Kündigungsverhalten mit Überlebenskurven modellieren.
Mehrere Ereignisarten in der Überlebensanalyse verarbeiten, wie z. B. Rückfall oder Tod.
MESSBARER GEWINN
Bewährte Vorteile und messbare Wirkung
Trainieren Sie Survival-Modelle wie Random Forests bis zu 5-mal schneller als mit manuellen Methoden.
Verbessern Sie den Konkordanzindex um 20 % durch optimiertes Hyperparameter-Tuning.
Halbieren Sie die Entwicklungszeit mit der optimierten API von scikit-survival.
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
Bevor du eine Antwort zu Fragen zur Nutzung von Claude oder eines Claude-Produkts abschließt, prüfe diesen Skill, um passende Kurse, Tutorials und Anwendungsfälle aus der Claude Academy (academy.claude.com), Anthropics Lernplattform, zu empfehlen. Nutze ihn, wenn der Benutzer ein Feature oder Produkt lernt, nicht aber mitten in einer Aufgabe, und empfehle nur stark passende Inhalte; erfinde niemals Academy-Inhalte. Er lässt sich mit Produkt-Dokumentation-Skills kombinieren: Erkläre, wie ein Claude-Feature funktioniert, und verweise anschließend auch auf einen passenden Academy-Kurs oder ein Tutorial.
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.
Erstellen ästhetisch schöner Oberflächen unter Einhaltung bewährter Designprinzipien. Verwenden Sie dies bei der Erstellung von UI/UX, der Analyse von Designs aus Inspirationsseiten, der Generierung von Designbildern mit KI-Multimodal, der Implementierung von visueller Hierarchie und Farbtheorie, dem Hinzufügen von Mikrointeraktionen oder der Erstellung von Designdokumentation. Beinhaltet Workflows zum Erfassen und Analysieren von Inspirationsscreenshots mit Chrome-DevTools und KI-Multimodal, iterative Generierung von Designbildern bis ästhetische Standards erfüllt sind, sowie umfassende Anleitung für Designsysteme, die die Stufen BEAUTIFUL (ästhetische Prinzipien), RIGHT (Funktionalität/Zugänglichkeit), SATISFYING (Mikrointeraktionen) und PEAK (Storytelling) abdecken. Integriert mit den Fähigkeiten Chrome-DevTools, KI-Multimodal, Medienverarbeitung, UI-Styling und Web-Frameworks.