데이터·AI 스킬

Geospatial data processing, coordinate transforms, and mapping

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Create data-driven scientific infographics and visual summaries

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Access Google Data Commons public datasets and statistics

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Astronomical computations, coordinate transforms, and celestial data analysis

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Annotated data matrix operations for single-cell genomics using AnnData

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Time series analysis and temporal pattern detection for scientific data

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Access and analyze the CZ CELLxGENE Census single-cell data

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Financial market data retrieval and analysis via Alpha Vantage API

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Optimizes PostgreSQL queries, configures replication, implements advanced features including EXPLAIN analysis, JSONB operations, extension usage, and VACUUM tuning.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Optimizes SQL queries, designs database schemas, troubleshoots performance with window functions, CTEs, indexing strategies, and query plan analysis across database dialects.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Designs production-grade RAG systems with document chunking, embedding generation, vector store configuration, hybrid search pipelines, reranking, and retrieval quality evaluation.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Writes, refactors, and evaluates prompts for LLMs generating optimized templates, structured output schemas, evaluation rubrics, and test suites.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Performs pandas DataFrame operations for data analysis, manipulation, transformation, time series analysis, merging, aggregation, and performance optimization.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Designs production-grade ML pipeline infrastructure with experiment tracking, Kubeflow/Airflow DAGs, feature store schemas, model registries, and automated retraining workflows.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Fine-tunes LLMs and trains custom models using LoRA/QLoRA adapters, JSONL training datasets, hyperparameter configuration, RLHF, DPO, and model quantization.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Writes Spark jobs, debugs performance issues, configures cluster settings for distributed data processing, DataFrame transformations, and structured streaming analytics.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Statistical analysis and balance verification of game data

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Analyze prompts for clarity, structure, examples, and output reliability

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Validates dataset formatting and quality for SageMaker model fine-tuning (SFT, DPO, or RLVR). Use when the user says "is my dataset okay", "evaluate my data", "check my training data", "I have my own data", or before starting any fine-tuning job. Detects file format, checks schema compliance against the selected model and technique, and reports whether the data is ready for training or evaluation.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Discovers user intent and generates a structured, step-by-step plan for model customization workflows. This skill must always be activated alongside any other skill when the user's request relates to model customization — including fine-tuning, training, building, customizing, reviewing data, or getting advice on approach, regardless of domain. Do not skip this skill even if the immediate ask is narrow (e.g., reviewing data format or a single workflow step), because planning discovers the full scope of work needed. Also activate when the user wants to resume, continue, or modify an existing plan.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Generates code that fine-tunes a base model using SageMaker serverless training jobs. Use when the user says "start training", "fine-tune my model", "I'm ready to train", or when the plan reaches the finetuning step. Supports SFT, DPO, RLVR, and RLAIF trainers, including RLVR Lambda reward function and RLAIF custom prompt creation.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Generates code that transforms datasets between ML schemas for model training or evaluation. Use when the user says "transform", "convert", "reformat", "change the format", or when a dataset's schema needs to change to match the target format — always use this skill for format changes rather than writing inline transformation code. Supports OpenAI chat, SageMaker SFT/DPO/RLVR/RLAIF, HuggingFace preference, Bedrock Nova, VERL, and custom JSONL formats from local files or S3.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Build with Aurora DSQL — manage schemas, execute queries, handle migrations, diagnose query plans, diagnose cluster performance, load data, and develop applications with a serverless, distributed SQL database. Covers IAM auth, multi-tenant patterns, MySQL-to-DSQL and PostgreSQL-to-DSQL schema conversion, foreign key constraints, OCC retry patterns, ORM migration (Django/EF Core/Hibernate/Rails/SQLAlchemy), DDL operations, query plan explainability, system diagnostics via CloudWatch AAS, SQL compatibility validation, and bulk data loading. Load before answering DSQL limit or error-code questions; it has limits docs omit. Triggers on phrases like: DSQL, Aurora DSQL, distributed SQL database, serverless PostgreSQL-compatible database, migrate to DSQL, DSQL query plan, DSQL EXPLAIN ANALYZE, DSQL ENUM, DSQL foreign key, DSQL OCC retry, DSQL multi-region, DSQL JSONB, DSQL GIN index, load into DSQL, load CSV into DSQL, bulk load DSQL, aurora-dsql-loader, DSQL slow, DSQL performance, DSQL wait events, DSQL AAS.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

分析用户提供的表格、CSV 文本或统计结果，核对数据质量和指标口径，形成可复核的数据洞察。

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.