aeon
Aplikuje strojové učení pro časové řady — klasifikaci, předpovídání, detekci anomálií.
Tested · Didn't pass
Co umí
Tento skill se má použít pro úlohy strojového učení nad časovými řadami včetně klasifikace, regrese, shlukování, předpovídání, detekce anomálií, segmentace a vyhledávání podobnosti. Použijte při práci s temporálními daty, sekvenčními vzory nebo časově indexovanými pozorováními, které vyžadují specializované algoritmy nad rámec standardních ML přístupů. Obzvlášť vhodné pro univariantní a multivariantní časové…
Testovací report
Otestována instalace (doslovný git clone + cp, čistý; striktní YAML frontmatter, přítomno všech 11 referenčních souborů), baterie 6 spouštěcích promptů a výstupní úloha detekce anomálií proti základní větvi (bez skillu). Quick-start pro klasifikaci (RocketClassifier + GunPoint) běží přesně podle návodu, ale quick-start pro anomaly_detection `from aeon.anomaly_detection import STOMP` je v aeon 1.5.0 nefunkční (skutečná cesta je `aeon.anomaly_detection.series.distance_based.STOMP`) a potichu vyžaduje nezdokumentované volitelné závislosti stumpy a psutil — psutil není pokryto ani zdokumentovaným fallbackem `aeon[all_extras]`. A/B: běh se skillem použil skutečný aeon STOMP a správně lokalizoval anomální segment, ale základní běh s čistým NumPy se mu vyrovnal a byl ve skutečnosti přesnější (přesný segment 40-44, správný vrcholový bod, čisté oddělení), takže specializovaný algoritmus na této úloze nepřinesl žádnou výhodu a navíc s sebou nesl potíže s importem/závislostmi.
Testováno: 2026-07-11 · Claude Code 2.x (agent harness)
Instalace
git clone https://github.com/K-Dense-AI/scientific-agent-skills cd scientific-agent-skills mkdir -p ~/.claude/skills cp -r skills/aeon ~/.claude/skills/aeon
Příkazy a ukázkové prompty
/aeonAplikuje strojové učení pro časové řady — klasifikaci, předpovídání, detekci anomálií.
Skilly se spouštějí běžnými požadavky — žádné příkazy k zapamatování. Po instalaci ho aktivují prompty jako tyto (anglicky):
Forecast this time series using aeon algorithmsClassify these sequences with a time-series modelDetect anomalies in this sensor time-series data