performing-causal-analysis
Über
Diese Fähigkeit führt kausale Inferenzanalyse mit CausalPy durch und unterstützt Methoden wie Difference-in-Differences (DiD), Interrupted Time Series (ITS), Synthetic Control (SC) und Regression Discontinuity (RD). Sie passt automatisch Modelle an, schätzt Behandlungseffekte und erzeugt Visualisierungen von beobachteten versus kontrafaktischen Ergebnissen. Entwickler sollten sie verwenden, wenn sie kausale Effekte aus Beobachtungs- oder Experimentaldaten innerhalb ihres Python-Workflows analysieren müssen.
Schnellinstallation
Claude Code
Empfohlennpx skills add pymc-labs/CausalPy -a claude-code/plugin add https://github.com/pymc-labs/CausalPygit clone https://github.com/pymc-labs/CausalPy.git ~/.claude/skills/performing-causal-analysisKopieren Sie diesen Befehl und fügen Sie ihn in Claude Code ein, um diese Fähigkeit zu installieren
GitHub Repository
Häufig gestellte Fragen
Was ist der Skill performing-causal-analysis?
performing-causal-analysis ist ein Claude Skill von pymc-labs. Skills bündeln Anweisungen und Ressourcen, die Claude bei Bedarf lädt, um Aufgaben rund um performing-causal-analysis ohne zusätzliche Eingaben auszuführen.
Wie installiere ich performing-causal-analysis?
Verwende die Installationsbefehle auf dieser Seite: Füge performing-causal-analysis als Plugin zu Claude Code hinzu oder klone das Repository in dein Skills-Verzeichnis. Starte Claude danach neu, damit der Skill geladen wird.
Zu welcher Kategorie gehört performing-causal-analysis?
performing-causal-analysis gehört zur Kategorie Andere.
Kann ich performing-causal-analysis kostenlos nutzen?
Ja. performing-causal-analysis ist auf AIMCP gelistet und kann kostenlos installiert werden.
Verwandte Skills
Diese Claude Skill analysiert Sportwettenmärkte inklusive Handicaps, Over/Unders und Spezialwetten, indem sie historische Trends und situative Statistiken untersucht, um Wertwetten zu identifizieren. Sie liefert strukturierte Markdown-Ausgaben mit umsetzbaren Empfehlungen zu Bildungszwecken. Entwickler sollten dies für Sportwetten-Analysetools nutzen, wobei zu beachten ist, dass es nur zur Unterhaltung/Bildung konzipiert wurde.
LlamaGuard ist Metas 7-8B-Parameter-Modell zur Moderation von LLM-Eingaben und -Ausgaben in sechs Sicherheitskategorien wie Gewalt und Hassrede. Es bietet eine Genauigkeit von 94-95 % und kann mit vLLM, Hugging Face oder Amazon SageMaker eingesetzt werden. Nutzen Sie diese Skill, um Inhaltsfilterung und Sicherheitsguardrails einfach in Ihre KI-Anwendungen zu integrieren.
Diese Claude Skill unterstützt Entwickler bei der Optimierung von Cloud-Kosten durch Ressourcen-Dimensionierung, Tagging-Strategien und Ausgabenanalysen. Sie bietet einen Rahmen zur Senkung von Cloud-Ausgaben und zur Implementierung von Kosten-Governance für AWS, Azure und GCP. Nutzen Sie sie, wenn Sie Infrastrukturkosten analysieren, Ressourcen richtig dimensionieren oder Budgetvorgaben einhalten müssen.
Diese Fähigkeit quantisiert LLMs auf 8-Bit- oder 4-Bit-Präzision mittels bitsandbytes und erreicht dabei eine Speicherreduzierung von 50–75 % bei minimalem Genauigkeitsverlust. Sie ist ideal für den Betrieb größerer Modelle mit begrenztem GPU-Speicher oder zur Beschleunigung von Inferenzvorgängen und unterstützt Formate wie INT8, NF4 und FP4. Die Fähigkeit integriert sich in HuggingFace Transformers und ermöglicht QLoRA-Training sowie 8-Bit-Optimierer.