К основному содержанию
скилл CX Codex

data-science — скилл для Claude Code: что делает и как установить

Скилл data-science для Claude Code собирает инструкции по машинному обучению, статистике и архитектуре данных. Помогает проектировать ML-пайплайны, выбирать алгоритмы и выстраивать аналитику.

MIT 189 установок ★ 114 обновлён 2026-10-25

Установить в Claude Code · Через Skills CLI (Vercel) Все способы и платформы ↓
npx skills add travisjneuman/.claude --skill data-science -a claude-code
Открыть на GitHub

Что делает data-science

Скилл добавляет в контекст ассистента готовые структуры для аналитики и Data Science. Внутри собраны правила расчёта статистических показателей и матрицы подбора алгоритмов — от XGBoost для табличной классификации до моделей Prophet для временных рядов.

Отдельные разделы описывают организацию управления данными с параметрами качества вроде полноты и согласованности. Также приведены архитектурные уровни BI-систем, шаблоны оформления метрик и базовые принципы этики ИИ.

Без файлов из каталога references/ детальные руководства по проверке гипотез остаются недоступными, поэтому в базовом виде скилл работает как концептуальный справочник.

Какие задачи решает

  • подобрать подходящий алгоритм под регрессию, классификацию или поиск аномалий
  • оформить спецификацию бизнес-метрики по структурированному шаблону
  • проверить качество данных по критериям полноты, уникальности и актуальности
  • спроектировать архитектуру аналитики от ETL-слоя до дашбордов

Примеры запросов агенту

  • Посоветуй подходящий алгоритм для прогнозирования оттока клиентов на табличных данных
  • Оформи спецификацию продуктовой метрики по шаблону data-science
  • Проверь распределение признаков и рассчитай показатели разброса данных

Как установить data-science

1Через Skills CLI (Vercel)

npx skills add travisjneuman/.claude --skill data-science -a claude-code

2Вручную: положить файлы

~/.claude/skills/data-science/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/data-science/

По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов

Вопросы о data-science

Как установить data-science в Claude Code?

Выполните в терминале команду npx skills add travisjneuman/.claude --skill data-science -a claude-code.

Для чего нужен скилл data-science?

Он предоставляет готовые матрицы выбора ML-моделей, правила статистического анализа и шаблоны управления данными.

Какие задачи машинного обучения охватывает скилл?

В руководстве описаны модели для классификации, регрессии, кластеризации, снижения размерности, поиска аномалий, временных рядов, рекомендаций и NLP.

Исходный текст

SKILL.md · MIT
---
name: data-science
description: Data science and analytics expertise for statistical analysis, machine learning pipelines, data governance, business intelligence, predictive modeling, and analytics strategy. Use when building ML models, analyzing data, creating dashboards, or designing data architectures.
---

# Data Science Expert

Comprehensive data science frameworks for analytics, machine learning, and data-driven decision making.

## Data Strategy

### Data Maturity Model

| Level | Name                | Characteristics                           |
| ----- | ------------------- | ----------------------------------------- |
| 1     | **Ad Hoc**          | Manual, inconsistent, siloed              |
| 2     | **Opportunistic**   | Some automation, point solutions          |
| 3     | **Systematic**      | Defined processes, governance emerging    |
| 4     | **Differentiating** | Data-driven decisions, advanced analytics |
| 5     | **Transformative**  | AI-first, competitive advantage           |

### Analytics Value Chain

```
DATA → INFORMATION → INSIGHT → ACTION → VALUE

PROGRESSION:
Descriptive: What happened?
Diagnostic: Why did it happen?
Predictive: What will happen?
Prescriptive: What should we do?
Autonomous: Self-optimizing systems
```

## Statistical Analysis

### Descriptive Statistics

```
CENTRAL TENDENCY:
- Mean: Sum / Count (sensitive to outliers)
- Median: Middle value (robust to outliers)
- Mode: Most frequent value

DISPERSION:
- Range: Max - Min
- Variance: Average squared deviation
- Standard Deviation: √Variance
- IQR: Q3 - Q1 (robust)

DISTRIBUTION SHAPE:
- Skewness: Asymmetry (0 = symmetric)
- Kurtosis: Tail heaviness (3 = normal)
```

For detailed inferential statistics and hypothesis testing, see [Statistical Methods Reference](references/statistical-methods.md).

## Machine Learning

### Algorithm Selection

| Task                         | Algorithms                                                   | When to Use                      |
| ---------------------------- | ------------------------------------------------------------ | -------------------------------- |
| **Classification**           | Logistic Regression, Random Forest, XGBoost, Neural Networks | Categorical outcomes             |
| **Regression**               | Linear Regression, Ridge/Lasso, Random Forest, XGBoost       | Continuous outcomes              |
| **Clustering**               | K-Means, Hierarchical, DBSCAN                                | Group discovery                  |
| **Dimensionality Reduction** | PCA, t-SNE, UMAP                                             | Feature reduction, visualization |
| **Anomaly Detection**        | Isolation Forest, One-Class SVM, Autoencoders                | Outlier detection                |
| **Time Series**              | ARIMA, Prophet, LSTM                                         | Sequential data                  |
| **Recommendation**           | Collaborative Filtering, Content-Based, Matrix Factorization | Personalization                  |
| **NLP**                      | Transformers, BERT, GPT                                      | Text understanding/generation    |

For detailed ML pipelines, feature engineering, and model monitoring, see [ML Pipelines Reference](references/ml-pipelines.md).

## Data Governance

### Data Governance Framework

```
GOVERNANCE PILLARS:

POLICIES:
- Data ownership
- Data classification
- Data retention
- Data access
- Data quality standards

ROLES:
- Data Owner: Accountable for data domain
- Data Steward: Day-to-day quality management
- Data Custodian: Technical implementation
- Data Consumer: End user

PROCESSES:
- Data cataloging
- Metadata management
- Data lineage
- Issue resolution
- Change management

METRICS:
- Data quality scores
- Policy compliance
- Data access requests
- Issue resolution time
```

### Data Quality Dimensions

| Dimension        | Definition                        | Measurement               |
| ---------------- | --------------------------------- | ------------------------- |
| **Accuracy**     | Correct representation of reality | % records matching source |
| **Completeness** | All required data present         | % non-null values         |
| **Consistency**  | Same across systems               | % matching across sources |
| **Timeliness**   | Available when needed             | Latency, freshness        |
| **Validity**     | Conforms to format/rules          | % passing validation      |
| **Uniqueness**   | No unwanted duplicates            | Duplicate rate            |

## Business Intelligence

### BI Architecture

```
ARCHITECTURE LAYERS:

DATA SOURCES:
- Operational systems
- External data
- IoT/streaming

DATA INTEGRATION:
- ETL/ELT pipelines
- Data lakes
- Data warehouses

SEMANTIC LAYER:
- Business definitions
- Calculated metrics
- Hierarchies
- Relationships

PRESENTATION:
- Dashboards
- Reports
- Ad-hoc analysis
- Embedded analytics
```

### Dashboard Design Principles

```
DESIGN PRINCIPLES:

PURPOSE:
- One clear objective per dashboard
- Know your audience
- Enable decisions

LAYOUT:
- Most important top-left
- Related items grouped
- Progressive disclosure
- Whitespace for clarity

VISUALS:
- Right chart for data type
- Consistent formatting
- Minimal decoration
- Color with purpose

INTERACTIVITY:
- Filters for exploration
- Drill-down capability
- Cross-filtering
- Tooltip details
```

### Metric Design

```
METRIC DEFINITION TEMPLATE:

NAME: [Metric name]
DEFINITION: [Clear business definition]
FORMULA: [Precise calculation]
OWNER: [Responsible person]
DATA SOURCE: [Where it comes from]
GRAIN: [Level of detail]
FREQUENCY: [Update cadence]
DIMENSIONS: [Slicing attributes]
TARGETS: [Goals/benchmarks]
RELATED: [Related metrics]
```

## Predictive Modeling

### Use Case Framework

| Use Case                  | Business Application | Approach                |
| ------------------------- | -------------------- | ----------------------- |
| **Churn Prediction**      | Retention programs   | Classification          |
| **Demand Forecasting**    | Inventory planning   | Time series             |
| **Lead Scoring**          | Sales prioritization | Classification          |
| **Price Optimization**    | Revenue management   | Regression/RL           |
| **Fraud Detection**       | Risk mitigation      | Anomaly detection       |
| **Recommendation**        | Personalization      | Collaborative filtering |
| **Customer Segmentation** | Marketing targeting  | Clustering              |
| **Lifetime Value**        | Customer investment  | Regression              |

## Data Ethics & Privacy

### Ethical AI Framework

```
PRINCIPLES:

FAIRNESS:
- No discriminatory outcomes
- Bias testing across groups
- Regular auditing

ACCOUNTABILITY:
- Clear ownership
- Decision audit trails
- Escalation process

TRANSPARENCY:
- Explainable decisions
- Clear documentation
- User communication

PRIVACY:
- Data minimization
- Consent management
- Security controls
```

### Bias Detection

```
BIAS TYPES:

HISTORICAL: Reflects past discrimination
REPRESENTATION: Training data not representative
MEASUREMENT: Proxy variables correlate with protected attributes
AGGREGATION: Single model for diverse populations
EVALUATION: Inappropriate benchmarks

FAIRNESS METRICS:
- Demographic Parity: Equal positive rates
- Equalized Odds: Equal TPR and FPR
- Individual Fairness: Similar inputs, similar outputs
- Calibration: Equal accuracy across groups
```

## Analytics Team Structure

### Team Roles

| Role                   | Focus                      | Skills                      |
| ---------------------- | -------------------------- | --------------------------- |
| **Data Engineer**      | Pipelines, infrastructure  | SQL, Python, Spark, Cloud   |
| **Data Analyst**       | Reporting, ad-hoc analysis | SQL, BI tools, Statistics   |
| **Data Scientist**     | Modeling, ML               | Python/R, ML, Statistics    |
| **ML Engineer**        | Model deployment           | MLOps, Software Engineering |
| **Analytics Engineer** | Data modeling              | dbt, SQL, Data Modeling     |

### Operating Models

| Model             | Description                   | Best For                |
| ----------------- | ----------------------------- | ----------------------- |
| **Centralized**   | Single analytics team         | Consistency, efficiency |
| **Decentralized** | Embedded in business units    | Business alignment      |
| **Hub & Spoke**   | Central CoE + embedded        | Balance of both         |
| **Federated**     | Shared platform, domain teams | Scale with autonomy     |

## References

- [ML Pipelines Reference](references/ml-pipelines.md) - Detailed ML pipeline, feature engineering, model development
- [Statistical Methods Reference](references/statistical-methods.md) - Inferential statistics, hypothesis testing, evaluation metrics

## See Also

- [Product Management](../product-management/SKILL.md)
- [Business Strategy](../business-strategy/SKILL.md)
- [Finance](../finance/SKILL.md)

© travisjneuman · MIT · travisjneuman/.claude

Похожие скиллы

Все скиллы по теме «Данные и базы» →
data-science-expert personamanagmentlayer Скилл data-science-expert для аналитики, статистики и визуализации: подключается, когда в задаче есть pandas, NumPy или разведочный анализ данных. CX Codex +1 594установок data-scientist borghei Скилл data-scientist задаёт структуру для машинного обучения, проверки гипотез и отбора признаков. Пригодится при оценке моделей и подготовке пайплайнов. CX Codex +1 452установок google-cloud-solution-agentic-ai-data-science-workflow официальный google Скилл google-cloud-solution-agentic-ai-data-science-workflow для Claude Code проектирует архитектуру агентной аналитики и ML на Google Cloud. Он разбирает требования, подбирает продукты и готовит план развёртывания. CX Codex +1 5 200установок Data Science and Engineering Coach microsoft Субагент Data Science and Engineering Coach, который ведёт сессию data science и инженерии данных с явным выбором задач, сохранением состояния и маршрутизацией работы в специализированные скиллы. CX Codex +1 ★ 1 627звёзд репо finding-data-scientists-on-twitter apidojo Скилл finding-data-scientists-on-twitter ищет дата-сайентистов и ML-инженеров в Twitter для найма, обогащает профили и выделяет сигналы готовности к работе. CX Codex +1 925установок Data Scientist shvuuuu Промпт Data Scientist для ChatGPT и Claude.ai переключает модель в режим дата-сайентиста. Анализирует метрики приложения и планирует удержание аудитории. GP ChatGPT ★ 178 201звёзд репо

Из того же набора117

Весь набор →
learning-gap-analyzer Скилл learning-gap-analyzer для Claude Code оценивает знания по темам, выявляет пробелы и составляет план учёбы с интервальным повторением. CX Codex +1 196установок tauri-desktop Скилл tauri-desktop для Claude Code настраивает проект Tauri 2.0 с Rust-бэкендом и веб-фронтендом. Описывает сборку десктопных и мобильных приложений. CX Codex +1 195установок monetization-strategy Скилл monetization-strategy для Claude Code помогает выбрать модель дохода и спланировать цены для продукта или услуги. Включается при разработке ценовой стратегии и поиске способов увеличить выручку. CX Codex +1 194установок generic-react-design-system Скилл generic-react-design-system для Claude Code собирает правила и сниппеты дизайн-системы для React с Tailwind CSS, Framer Motion и WCAG AA. CX Codex +1 191установок ui-research Скилл ui-research для Claude Code задаёт процесс исследования интерфейсов перед вёрсткой: собирает референсы реальных продуктов, анализирует паттерны и помогает избегать шаблонного ИИ-дизайна. CX Codex +1 188установок research-presenter Скилл research-presenter для Claude Code превращает результаты исследований в структуру презентации со сценарной аркой и советами по слайдам. Включается при подготовке докладов на конференции или отчётов. CX Codex +1 188установок ios-development Скилл ios-development для Claude Code помогает проектировать приложения под iOS, iPadOS, tvOS и watchOS на Swift. Включается при сборке экранов, настройке навигации и согласовании верстки с гайдлайнами Apple. CX Codex +1 186установок volunteer-coordinator Скилл volunteer-coordinator для Claude Code помогает проектировать программу волонтёров: роли, расписание, подбор по навыкам и коммуникации. Задача — запуск или перестройка такой программы. CX Codex +1 184установок

Спонсоры проекта

Компании, которые помогают держать аналитику открытой