kdense-scikit-learn

Machine learning in Python with scikit-learn. Use when working with supervised learning (classification, regression), unsupervised learning (clustering, dimensionality reduction), model evaluation, hyperparameter tuning, preprocessing, or building ML pipelines. Provides comprehensive reference documentation for algorithms, preprocessing techniques, pipelines, and best practices.

Ir para a instalação

Repositório: eightmm/codex-science
Última atividade na origem: 10 de julho de 2026 às 15:27
Idioma detectado do SKILL.md: inglês
Estrelas: 2
Forks: 0

Opções de instalação

Por padrão, está selecionado o prompt que primeiro revisa a origem. Você pode mudar para um comando direto ou baixar uma cópia local.

Instalar com Codex ou Claude Copie este prompt, cole no Codex, Claude ou outro assistente e deixe que ele revise a página da skill e instale para você.

Um comando direto ignora o prompt de revisão. Verifique a origem antes de executá-lo.

npx skills add https://github.com/eightmm/codex-science --skill kdense-scikit-learn

O comando permanece em uma só linha. Role horizontalmente para revisá-lo antes de copiar.

Prefere uma cópia local? Baixe os arquivos disponíveis atualmente no SkillsMP.

Revise os arquivos de origem

Leia o SKILL.md e os arquivos complementares exibidos pelo SkillsMP antes de decidir se vai instalar.

Explorador de arquivos

2 arquivos

SKILL.md

Instruções da origem · Visualização somente leitura

Voltar à pesquisa Voltar à instalação

quantitative-research

Execute auditable quantitative research across preregistered study design, statistical inference, numerical verification, dimensional analysis, uncertainty propagation, counterexample search, and formal proof. Use when a scientific or mathematical question needs actual computation and machine-readable evidence rather than only explanation.

2026-08-04

statistical-decision-analysis

Compare finite actions under uncertainty with explicit states, loss, utility or risk-neutral payoff, priors, experiment likelihoods, and a declared decision criterion. Use for Bayes risk, expected utility or payoff, pure-action minimax, minimax regret, dominance, posterior decision policies, EVPI/EVSI, experiment-cost decisions, and prior-threshold sensitivity; do not use for ordinary statistical testing, causal identification, strategic games, or MDP/POMDP/RL planning.

2026-08-04

cx-statistical-decision-analysis

2026-08-04

Ver todas deste repositório

name	kdense-scikit-learn
description	Machine learning in Python with scikit-learn. Use when working with supervised learning (classification, regression), unsupervised learning (clustering, dimensionality reduction), model evaluation, hyperparameter tuning, preprocessing, or building ML pipelines. Provides comprehensive reference documentation for algorithms, preprocessing techniques, pipelines, and best practices.