登录
下载
Skill UI
浏览并发现
9967+
精选技能
全部
编程开发
人工智能
设计创意
产品商业
数据科学
市场营销
职场通用
效率工具
硬件工程
语言学习
搜索
样本量
,共找到
19
条记录
默认排序
最新上传
最多下载
A/B测试设计指南
ab-test-setup
coreyhaines31/marketingskills
134
指导团队从假设、样本量、指标到实现与分析,系统搭建 A/B 测试与增长实验体系,确保结论可量化、风险受控。
查看详情
BLIP-2 视觉语言框架
blip-2-vision-language
Orchestra-Research/AI-Research-SKILLs
239
该框架将冻结的图像编码器与大语言模型连接,适用于图像描述、视觉问答、检索与多模态对话,在无需微调的条件下实现零样本推理,并仅训练轻量 Q-Former。
查看详情
BGPT结构化论文检索
bgpt-paper-search
K-Dense-AI/claude-scientific-skills
438
BGPT论文检索通过远程MCP服务,从全文提取实验数据和方法、量化结果、样本与质量评分,便于进行系统综述、证据整理和元分析准备。
查看详情
TileDB VCF 变体存储
tiledbvcf
K-Dense-AI/claude-scientific-skills
466
TileDB-VCF 使用 TileDB 稀疏数组高效管理 VCF/BCF 变异数据,支持增量样本、并行区域查询、云本地存储与导出,适合群体基因组分析与变异数据库构建。
查看详情
零样本时间序列预测模型
timesfm-forecasting
K-Dense-AI/claude-scientific-skills
300
该技能利用Google的TimesFM基础模型,实现零样本时间序列预测。无需用户进行模型训练,即可对任何单变量时间序列(如销量、传感器数据或天气数据)进行高效预测。结果包含点预测值和校准的预测区间,提供了完整的概率预测视图,适用于各种时间序列数据分析。
查看详情
A/B测试与实验设计
ab-test-setup
alirezarezvani/claude-skills
157
该技能是A/B测试和产品实验的专家指南。它帮助用户设计和规划具有统计学严谨性的实验,涵盖了从构建假设、选择关键指标、计算样本量到结果分析的完整流程,旨在提供可执行的商业洞察。
查看详情
实验设计指南
experiment-designer
alirezarezvani/claude-skills
454
帮助产品团队撰写假设、定义指标、估算样本量、使用 ICE 优先级、以及解读统计结果,确保实验在业务决策中既实用又有说服力。
查看详情
统计显著性与A/B测试分析
statistical-analyst
alirezarezvani/claude-skills
322
该工具是专业的统计分析助手,专注于A/B测试和假设检验。它可以帮助用户计算实验所需的样本量,执行Z检验、T检验和卡方检验等专业统计分析,并核心区分“统计显著性”与“实际意义”,确保基于严谨的统计证据做出产品和商业决策。
查看详情
利用数字定位学术论文
paper-numeric-anchor
EverMind-AI/EverOS
212
本技能指导用户如何为学术论文构建高精确度的搜索查询。用户不应仅依赖宽泛的主题关键词,而应优先结合论文中提及的具体数值锚点,例如精确的样本量、人口百分比、浓度值或年份范围,并将其与研究方法和学科关键词结合。使用这些数字锚点能极大地提高搜索结果的唯一性和准确性,从而精确定位所需的原始研究。
查看详情
科学文献搜索与数据结构化提取
bgpt-paper-search
K-Dense-AI/scientific-agent-skills
280
本技能用于科学文献综述和证据综合。它能够搜索包含完整文本的科学论文,并提取超越摘要的结构化、定量数据。返回结果包括方法、定量结果、样本大小、质量评分和25个以上的元数据字段,非常适用于进行系统综述和元分析。
查看详情
DeepTools:NGS数据分析工具包
deeptools
K-Dense-AI/scientific-agent-skills
427
deepTools是一个全面的命令行工具包,用于处理和分析高通量测序数据。它支持ChIP-seq、RNA-seq、ATAC-seq等多种NGS实验类型。核心功能包括将BAM文件转换为归一化覆盖度轨道(bigWig),执行质量控制(QC),进行样本关联分析,并生成用于学术发表的热图和谱图等高质量可视化结果。
查看详情
TimesFM 零样本时间序列预测
timesfm-forecasting
K-Dense-AI/scientific-agent-skills
314
使用 TimesFM 基础模型进行零样本时间序列预测。用户无需训练任何模型,即可对任何单变量时间序列(如销售、传感器数据)进行点预测和置信区间预测,支持高效的批量预测,并包含系统资源检查。
查看详情
1
2
下一页
语言
简体中文
English