aeon
Anvender machine learning til tidsserier — klassifikation, forecasting, anomalidetektion.
Tested · Didn't pass
Hvad det gør
Dette skill bør bruges til machine learning-opgaver med tidsserier, herunder klassifikation, regression, clustering, forecasting, anomalidetektion, segmentering og similarity search. Brug det, når du arbejder med tidsmæssige data, sekventielle mønstre eller tidsindekserede observationer, der kræver specialiserede algoritmer ud over standard ML-tilgange. Særligt velegnet til univariate og multivariate tids…
Testrapport
Testede installationen (verbatim git-clone + cp, ren; streng YAML-frontmatter, alle 11 referencefiler til stede), et 6-prompt trigger-batteri og en anomalidetektion-OUTPUT-opgave op mod et basisforsøg (uden skill). Quick-starten til klassifikation (RocketClassifier + GunPoint) kører præcis som skrevet, men anomaly_detection-quick-starten `from aeon.anomaly_detection import STOMP` er ødelagt i aeon 1.5.0 (den rigtige sti er `aeon.anomaly_detection.series.distance_based.STOMP`) og kræver stiltiende udokumenterede soft deps stumpy og psutil — psutil er end ikke dækket af det dokumenterede `aeon[all_extras]`-fallback. A/B: skill-forsøget brugte ægte aeon STOMP og lokaliserede korrekt det anomale segment, men et rent NumPy-baseret basisforsøg matchede det og var faktisk skarpere (præcist segment 40-44, korrekt peak-punkt, ren separation), så den specialiserede algoritme gav ingen fordel på denne opgave og medførte import-/afhængighedsfriktion.
Testet: 2026-07-11 · Claude Code 2.x (agent harness)
Installation
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
Kommandoer og eksempelprompter
/aeonAnvender machine learning til tidsserier — klassifikation, forecasting, anomalidetektion.
Skills udløses af almindelige forespørgsler — ingen kommandoer at huske. Efter installationen aktiverer prompter som disse skillen (på engelsk):
Forecast this time series using aeon algorithmsClassify these sequences with a time-series modelDetect anomalies in this sensor time-series data