搜索结果: "量化"
Stan贝叶斯建模Skill stan-bayesian-modeling
Stan贝叶斯建模技能专注于使用Stan概率编程语言进行高级贝叶斯统计推断和复杂统计模型构建。核心功能包括MCMC采样（如NUTS和HMC算法）、变分推断、先验与后验预测检验，以及基于LOO-CV和WAIC的模型比较。适用于量化金融中的预测建模、风险管理、因子挖掘，以及数据科学领域的统计计算、不确定性量化和概率预测。关键词：Stan概率编程，贝叶斯推断，MCMC采样，变分推断，模型比较，统计建模，量化金融，数据科学。
SymPy符号计算引擎Skill sympy-computer-algebra
SymPy符号计算引擎是基于Python的数学分析工具，提供符号微分、积分、方程求解、级数展开、矩阵运算等核心功能。适用于数学建模、科学计算、工程分析、量化金融建模、算法开发等场景。关键词：符号计算、数学分析、Python数学库、SymPy教程、微分方程求解、线性代数、科学计算、量化建模、算法开发
材料选择技能Skill material-selection
材料选择技能是一个基于Ashby方法的系统性工程材料优选工具，专门用于机械工程和产品设计领域。该技能通过性能指标计算、材料数据库查询和多维度评估，帮助工程师根据刚度、强度、重量、成本、制造工艺和环境兼容性等约束条件，从金属、聚合物、陶瓷、复合材料等各类材料中做出最优选择。核心功能包括Ashby图表分析、性能指数推导、制造可行性评估、成本效益分析和可持续性考量。适用于航空航天、汽车制造、医疗器械、消费电子等行业的研发设计阶段，是实现轻量化设计、成本控制和性能优化的关键技术支撑。 关键词：材料选择，Ashby方法，性能指标，机械工程，材料数据库，制造兼容性，成本分析，轻量化设计，工程材料，材料性能评估
测试相关性分析技能Skill test-correlation
测试相关性分析技能是机械工程领域的专业工具，用于将物理测试结果与计算机仿真预测进行系统化对比和验证。该技能提供完整的测试数据与仿真模型相关性分析流程，包括数据处理、统计比较、模态相关性评估、模型参数校准、不确定性量化和验证标准判定。适用于FEA/CFD仿真模型验证、结构测试分析、机械系统校准等场景，帮助工程师确保仿真模型的准确性和可靠性。 关键词：测试相关性分析，模型验证，FEA验证，CFD验证，机械测试，仿真校准，不确定性量化，模态分析，统计比较，工程验证
emceeMCMC采样器Skill emcee-mcmc-sampler
emcee MCMC 采样器技能专为物理学领域的贝叶斯参数估计和后验采样设计。它提供仿射不变集成采样、并行回火、自相关分析、收敛性诊断以及先验/似然函数规范等核心功能。通过定义对数概率函数、初始化游走者、运行采样器、检查收敛性并提取后验分布，帮助研究人员高效完成不确定性量化、模型拟合和参数推断。关键词：贝叶斯推断，MCMC采样，参数估计，后验分布，物理学数据分析，emcee，收敛诊断，不确定性量化。
PyMC贝叶斯建模器Skill pymc-bayesian-modeler
PyMC贝叶斯建模器是一个专注于物理数据分析的专业技能，利用PyMC概率编程框架构建和推断层次贝叶斯模型。它支持高级采样方法（如NUTS/HMC）、变分推断、高斯过程以及模型比较（如WAIC和LOO），帮助研究人员和数据分析师进行不确定性量化、参数估计和模型选择。关键词：PyMC，贝叶斯建模，层次模型，物理数据分析，概率编程，NUTS采样，变分推断，模型比较。
RB基准测试器Skill rb-benchmarker
RB基准测试器是一款专注于量子计算领域的专业工具，用于执行随机化基准测试协议，以精确表征量子门的保真度、评估硬件性能并分离系统误差。核心功能包括标准RB、交错RB、串扰分析、衰减曲线拟合和SPAM误差分离，帮助研究人员和工程师量化量子计算系统的可靠性，为硬件优化和错误缓解提供数据支持。 关键词：量子计算，随机化基准测试，量子门保真度，硬件表征，错误管理，量子基准测试，保真度衰减，SPAM误差，量子硬件性能
贝叶斯推理引擎Skill bayesian-inference-engine
贝叶斯推理引擎是一个基于贝叶斯概率论的统计建模与分析工具，专门用于先验概率设定、后验分布计算和动态信念更新。它支持MCMC采样、变分推理、模型比较和后验预测检验等核心功能，广泛应用于科学研究、量化金融、数据分析和机器学习等领域。关键词：贝叶斯推理、概率建模、MCMC采样、后验计算、信念更新、统计推断、PyMC、Stan、数据科学、量化分析
回归分析器Skill regression-analyzer
回归分析器技能是一个用于科学数据建模的专业工具，专注于执行全面的回归分析。它能够进行线性与广义模型拟合、模型诊断、处理多重共线性、生成预测并解释系数。该技能适用于量化金融、预测建模、数据分析、统计套利、因子挖掘、风险管理等场景，是数据科学家和量化研究员进行关系探索、效应估计和变量选择的强大助手。
量化方法Skill quantitative-methods
量化方法技能专注于使用R、Stata、SPSS或Python等统计工具，为社会科学研究提供严谨的数据分析解决方案。核心能力包括回归建模、假设检验、功效分析和稳健性检验，旨在帮助研究者设计定量研究、分析调查数据、验证假设并构建预测模型。该技能强调最佳实践，如预注册分析、假设检查和代码文档化，确保分析结果的可靠性和可重复性。
效用AISkill utility-ai
效用AI技能是一种基于效用理论的AI决策系统，主要用于评分函数计算、动作选择、上下文评估和行为优先级排序。该技能通过量化评估不同选项的效用值，帮助AI智能体在复杂环境中做出最优决策，适用于游戏AI、自动化决策、智能体行为控制等场景。关键词：AI决策，效用理论，评分函数，动作选择，智能体，行为优先级，上下文评估，自动化决策。
Stryker变异测试Skill StrykerMutationTesting
Stryker 变异测试技能是一种用于评估软件测试套件质量和有效性的专业工具。它通过在源代码中自动引入微小的、有意义的改动（变异），并运行现有测试来检测这些变异是否被“杀死”，从而量化测试的健壮性。该技能能帮助开发者识别测试覆盖的盲区、发现薄弱的断言、优化测试策略，并集成到 CI/CD 流程中，确保代码质量。关键词：变异测试，测试质量评估，Stryker，测试覆盖率，CI/CD，JavaScript，TypeScript，测试有效性，软件测试。