Cette compétence doit être utilisée au début de toute tâche scientifique intensive en calcul pour détecter et rapporter les ressources système disponibles (cœurs CPU, GPU, mémoire, espace disque). Elle crée un fichier JSON avec des informations sur les ressources et des recommandations stratégiques qui éclairent les décisions relatives à l'approche computationnelle, comme l'utilisation du traitement parallèle (joblib, multiprocessing), du calcul hors mémoire (Dask, Zarr), de l'accélération GPU (PyTorch, JAX) ou de stratégies économes en mémoire. Utilisez cette compétence avant d'effectuer des analyses, d'entraîner des modèles, de traiter de grands ensembles de données ou toute tâche où les contraintes de ressources sont importantes.
CE QUE VOUS DEVENEZ
Parfait pour ces scénarios
Automatiser l'analyse de milliers d'images de microscopie pour des tests de découverte de médicaments.
Standardiser l'annotation et le reporting des ROI pour les flux de travail d'histologie diagnostique.
Appliquez efficacement des filtres et des mesures uniformes sur de vastes ensembles de données de microscopie.
Suivez les processus cellulaires dynamiques avec un suivi de région d'intérêt (ROI) automatisé dans le temps.
GAIN MESURÉ
Avantages prouvés et impact mesurable
Accédez instantanément à des images ou des jeux de données spécifiques sans navigation manuelle.
Les outils ROI standardisés réduisent les erreurs humaines lors des mesures et des annotations.
Automatisez les tâches répétitives pour vous concentrer sur l'analyse critique en microscopie.
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 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.
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.