Utilisez cette compétence pour des tâches d'apprentissage par renforcement, y compris l'entraînement d'agents RL (PPO, SAC, DQN, TD3, DDPG, A2C, etc.), la création d'environnements Gym personnalisés, la mise en œuvre de callbacks pour la surveillance et le contrôle, l'utilisation d'environnements vectorisés pour l'entraînement parallèle, et l'intégration dans des flux de travail RL profonds. Cette compétence doit être utilisée lorsque les utilisateurs demandent l'implémentation d'algorithmes RL, l'entraînement d'agents, la conception d'environnements ou l'expérimentation RL.
CE QUE VOUS DEVENEZ
Parfait pour ces scénarios
Journalisez automatiquement chaque erreur dans Sentry pour un débogage en temps réel.
Suivez les requêtes lentes et optimisez les requêtes de base de données sans effort
Assurez-vous que les tâches planifiées s'exécutent sans problème grâce à des journaux d'exécution détaillés
Corréler les erreurs aux sessions utilisateur pour prioriser les corrections
GAIN MESURÉ
Avantages prouvés et impact mesurable
Identifiez et corrigez rapidement les bugs grâce à leur contexte d'erreur complet
Résoudre les problèmes de manière proactive avant qu'ils n'affectent les utilisateurs
Livrez plus rapidement en toute confiance avec la surveillance des erreurs
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
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.
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.
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.
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.