aeon
Bruker maskinlæring for tidsserier — klassifisering, prognoser, anomalideteksjon.
Tested · Didn't pass
Hva den gjør
Dette skillet bør brukes til maskinlæringsoppgaver for tidsserier, inkludert klassifisering, regresjon, klynging, prognoser, anomalideteksjon, segmentering og likhetssøk. Bruk når du jobber med temporale data, sekvensielle mønstre eller tidsindekserte observasjoner som krever spesialiserte algoritmer utover standard ML-tilnærminger. Særlig egnet for univariate og multivariate tids…
Testrapport
Testet installasjon (verbatim git-clone + cp, ren; streng YAML-frontmatter, alle 11 referansefiler til stede), et 6-prompt triggerbatteri, og en anomalideteksjon-OUTPUT-oppgave mot en base-arm (uten skill). Hurtigstarten for klassifisering (RocketClassifier + GunPoint) kjører nøyaktig som skrevet, men hurtigstarten for anomaly_detection, `from aeon.anomaly_detection import STOMP`, er ødelagt i aeon 1.5.0 (den reelle stien er `aeon.anomaly_detection.series.distance_based.STOMP`) og krever stille to udokumenterte myke avhengigheter, stumpy og psutil — psutil er ikke engang dekket av den dokumenterte `aeon[all_extras]`-reserveløsningen. A/B: skill-armen brukte ekte aeon STOMP og lokaliserte det anomale segmentet korrekt, men en ren NumPy-basert base-arm matchet den og var faktisk skarpere (eksakt segment 40-44, korrekt toppunkt, ren separasjon), så den spesialiserte algoritmen ga ingen fordel på denne oppgaven og kom med import-/avhengighetsfriksjon.
Testet på: 2026-07-11 · Claude Code 2.x (agent harness)
Installer
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
/aeonBruker maskinlæring for tidsserier — klassifisering, prognoser, anomalideteksjon.
Skills utløses av vanlige forespørsler — ingen kommandoer å huske. Etter installasjonen 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