Interprétabilité et expliquabilité de modèle à l'aide de SHAP (SHapley Additive exPlanations). Utilisez cette compétence pour expliquer les prédictions de modèles d'apprentissage automatique, calculer l'importance des caractéristiques, générer des tracés SHAP (cascade, essaim d'abeilles, barre, dispersion, force, carte thermique), déboguer des modèles, analyser le biais ou l'équité des modèles, comparer des modèles ou mettre en œuvre une IA explicable. Fonctionne avec les modèles basés sur les arbres (XGBoost, LightGBM, Random Forest), le deep learning (TensorFlow, PyTorch), les modèles linéaires et tout modèle boîte noire.
CE QUE VOUS DEVENEZ
Parfait pour ces scénarios
Découvrez des inhibiteurs à haute affinité pour des cibles protéiques spécifiques en utilisant des données de bioactivité.
Analyser les relations structure-activité pour optimiser les composés leaders dans le cadre du développement de médicaments.
Cribler des bibliothèques de molécules pour leurs propriétés pharmacologiques et profils d'activité souhaités.
Identifier les médicaments existants ayant une efficacité potentielle contre de nouvelles cibles thérapeutiques.
GAIN MESURÉ
Avantages prouvés et impact mesurable
Réduisez de moitié le temps de confirmation de l'activité cible grâce à des requêtes rapides sur les composés.
Triplez la vitesse d'identification des composés chefs de file prometteurs grâce à l'accès aux données structurées.
Réduisez les coûts expérimentaux en donnant la priorité aux composés avec des taux de succès prédits plus élevés.
CE QUE VOUS OBTENEZ
Fichiers, tags et installation en trois étapes
Conseil : Lisez la documentation et le code avant la première utilisation pour connaître son rôle et les permissions requises.
SCRIPTS SUIVANTS
Recommandé selon les tags et la catégorie
Système de génération d'agents de code Claude qui crée des agents et sous-agents personnalisés avec un en-tête YAML amélioré, des modèles d'accès aux outils et un support d'intégration MCP conformément à des modèles de production éprouvés
Générez et maintenez les fichiers AGENTS.md conformément à la convention publique agents.md. Utilisez-le lors de la création de documentation pour les flux de travail des agents IA, les guides d’intégration ou lors de la standardisation des modèles d’interaction des agents à travers les projets.
Cette compétence doit être utilisée lors du travail avec des matrices de données annotées en Python, en particulier pour l'analyse génomique à cellule unique, la gestion des mesures expérimentales avec des métadonnées, ou le traitement de jeux de données biologiques à grande échelle. Utilisez-la lors de tâches impliquant des objets AnnData, des fichiers h5ad, des données de RNA-seq à cellule unique ou une intégration avec les outils scanpy/scverse.
Cette compétence doit être utilisée pour les tâches d'apprentissage automatique sur séries temporelles, y compris la classification, la régression, le clustering, la prévision, la détection d'anomalies, la segmentation et la recherche de similarité. Utilisez-la lors du travail avec des données temporelles, des motifs séquentiels ou des observations indexées dans le temps nécessitant des algorithmes spécialisés au-delà des approches ML standard. Particulièrement adaptée à l'analyse de séries temporelles univariées et multivariées avec des APIs compatibles scikit-learn.