预测建模 Skill技能列表
系统动力学建模师Skill systems-dynamics-modeler
系统动力学建模师技能专注于构建和模拟系统动力学模型，用于分析复杂系统行为、识别反馈循环、预测涌现现象。该技能适用于科学发现、政策评估、情景规划等领域，通过存量-流量图建模、敏感性分析和多情景模拟，帮助用户深入理解动态系统的内在机制与长期演变趋势。关键词：系统动力学建模、复杂系统分析、反馈循环、情景模拟、科学发现、政策建模、行为预测、存量流量图。
scikit-survival：生存分析工具包Skill scikit-survival
scikit-survival是一个基于scikit-learn的Python库，专门用于生存分析和时间到事件建模。它处理截尾数据，提供多种模型如Cox比例风险模型、随机生存森林和生存支持向量机，并支持模型评估如一致性指数和Brier分数。适用于医学研究、金融风险评估和生物统计等领域。关键词：生存分析、Python、scikit-survival、截尾数据、Cox模型、机器学习、预测建模、数据分析。
收入预测引擎Skill afrexai-revenue-forecasting
收入预测引擎是一个基于数据的SaaS收入预测工具，通过管道加权预测、客户队列分析、情景建模、季节性调整和领先指标跟踪，为企业提供准确可靠的收入预测模型。适用于SaaS公司、B2B企业、财务分析师和投资者进行收入预测、财务建模、风险管理和商业决策。
创业趋势预测Skill startup-trend-prediction
这个技能提供系统化框架，通过分析2-3年的历史信号来预测未来1-2年的市场、技术或业务模型趋势。它结合采用曲线、周期模式和信号分析，评估市场进入时机（如进入/等待/避免），支持决策制定，包括趋势轨迹（上升/峰值/下降）、采用阶段识别等。关键词：趋势预测、市场分析、创业时机、数据驱动决策、采用曲线、市场进入、周期模式、信号分析。
PyMC贝叶斯建模Skill pymc-bayesian-modeling
这个技能用于使用PyMC进行贝叶斯建模，包括构建层次模型、MCMC采样（NUTS）、变分推断、模型比较（如LOO和WAIC）、后验检查等，适用于概率编程和统计推断。关键词：贝叶斯建模, PyMC, 概率编程, MCMC, 变分推断, 模型比较, 数据科学, 预测建模。
插值逼近Skill interpolation-approximation
插值逼近是一种数值分析方法，用于通过已知数据点构建函数或曲线，实现数据拟合、函数近似和预测建模。核心功能包括多项式插值、样条插值、最小二乘拟合和误差分析，广泛应用于量化金融、数据科学、工程计算和科学研究等领域。关键词：插值方法、逼近算法、数据拟合、数值分析、函数近似、量化金融、预测建模、误差估计。
MCMC收敛性诊断Skill mcmc-diagnostics
MCMC收敛性诊断技能用于对马尔可夫链蒙特卡洛（MCMC）模拟结果进行统计验证与分析，确保贝叶斯推断的可靠性。核心功能包括计算Rhat指标、有效样本量（ESS）、生成轨迹图、分析自相关性、检测发散转移以及进行能量诊断（E-BFMI）。适用于量化金融、数据科学、科研学术等领域中需要进行复杂概率建模和不确定性量化的场景。关键词：MCMC诊断，贝叶斯推断，收敛性分析，Rhat，有效样本量，轨迹图，统计计算。
混合整数优化Skill mixed-integer-optimization
混合整数优化是一种数学规划技术，用于解决包含离散变量和连续变量的优化问题。该技能涵盖混合整数线性规划（MILP）和混合整数非线性规划（MINLP）的建模与求解方法，包括分支定界算法、割平面法、Big-M重构、指示约束等关键技术。适用于资源分配、生产调度、投资组合优化、路径规划等需要离散决策的实际场景。关键词：混合整数规划，MILP，MINLP，优化算法，数学建模，运筹学，离散优化，分支定界，Gurobi，CPLEX。
数值线性代数工具包Skill numerical-linear-algebra-toolkit
数值线性代数工具包是一个专注于高性能数学计算的技能，提供矩阵分解、特征值计算、稀疏矩阵处理和迭代求解等核心线性代数操作。适用于科学计算、工程仿真、量化金融建模和机器学习算法开发等领域，帮助用户高效解决大规模数值计算问题。关键词：数值线性代数，矩阵分解，特征值计算，稀疏矩阵，迭代求解器，科学计算，高性能计算，数学建模。
多项式混沌展开Skill polynomial-chaos-expansion
多项式混沌展开是一种用于高效传播计算模型中不确定性的数学方法。该方法通过正交多项式基函数对随机输入变量进行展开，能够快速计算输出响应的统计特性（如均值、方差）和全局敏感性分析（如Sobol指数）。适用于工程仿真、金融风险评估、科学计算等领域的不确定性量化分析。关键词：不确定性量化，多项式混沌，敏感性分析，随机建模，数值仿真，风险分析，正交多项式，稀疏PCE
PyMC概率编程Skill pymc-probabilistic-programming
PyMC概率编程技能提供了一套完整的Python工具集，专门用于实现灵活的贝叶斯建模和概率编程。核心功能包括分层模型构建、自定义概率分布定义、高斯过程建模、支持MCMC和变分推断等多种推断算法，并集成了ArviZ库进行模型诊断和结果可视化。该技能适用于需要进行不确定性量化、统计推断和预测建模的数据科学、量化金融及科研领域。关键词：贝叶斯建模，概率编程，PyMC，MCMC，变分推断，分层模型，高斯过程，ArviZ可视化，统计计算，Python数据分析。
敏感性分析工具包Skill sensitivity-analysis-toolkit
本工具包是一个专注于数学优化的敏感性分析解决方案，主要用于评估优化模型的鲁棒性。核心功能包括对偶变量计算、影子价格分析、参数规划、紧约束识别和后最优性分析。它帮助用户理解模型参数变化对最优解的影响，支持鲁棒优化建模，适用于金融、工程、供应链等领域的决策支持系统。 关键词：敏感性分析，优化模型，对偶变量，影子价格，参数规划，鲁棒优化，后最优性分析，数学建模，决策支持