Compétences de vision par ordinateur de classe mondiale pour le traitement d'images/vidéo, la détection d'objets, la segmentation et les systèmes d'IA visuelle. Expertise en PyTorch, OpenCV, YOLO, SAM, modèles de diffusion et vision transformers. Inclut la vision 3D, l'analyse vidéo, le traitement en temps réel et le déploiement en production. Utilisez-le lors de la construction de systèmes d'IA visuelle, de la mise en œuvre de la détection d'objets, de l'entraînement de modèles de vision personnalisés ou de l'optimisation de pipelines d'inférence.
CE QUE VOUS DEVENEZ
Parfait pour ces scénarios
Extraire des informations et des citations d'articles universitaires stockés dans NotebookLM.
Générez des résumés concis avec des liens vers les sources à partir des transcriptions de réunions.
Trouvez rapidement des exemples de code et des références d'API dans les carnets de développement.
Rechercher des jurisprudences dans les textes juridiques avec des citations précises.
GAIN MESURÉ
Avantages prouvés et impact mesurable
Trouvez des réponses plus rapidement grâce à l'intégration directe de NotebookLM.
Les réponses basées sur des sources éliminent les imprécisions générées par l'IA.
Flux de travail transparent entre Claude Code et NotebookLM.
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
Expert sur la blockchain Aptos, le langage Move, les contrats intelligents, les NFT, la DeFi et le développement Aptos. Se déclenche sur les mots-clés aptos, move, blockchain, contrat intelligent, nft, defi, web3, mainnet, testnet, devnet
Plateforme de laboratoire en nuage pour les tests et la validation automatisés des protéines. Utilisez-la lors de la conception de protéines et lorsque vous avez besoin de validation expérimentale incluant des tests de liaison, des tests d'expression, des mesures de thermostabilité, des tests d'activité enzymatique ou l'optimisation des séquences protéiques. Utilisez-la également pour soumettre des expériences via API, suivre l'état des expériences, télécharger les résultats, optimiser les séquences protéiques pour une meilleure expression à l'aide d'outils informatiques (NetSolP, SoluProt, SolubleMPNN, ESM) ou gérer les flux de travail de conception de protéines avec validation en laboratoire humide.
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.