umap-learn — скилл для Claude Code: что делает и как установить
Скилл помогает агенту строить UMAP-эмбеддинги, готовить данные к кластеризации и настраивать нелинейное снижение размерности. Пригодится для 2D/3D-визуализации и ML-пайплайнов.
npx skills add K-Dense-AI/scientific-agent-skills --skill umap-learn -a claude-codeЧто делает umap-learn
Скилл описывает работу с umap-learn: снижение размерности, построение 2D/3D-эмбеддингов и подготовку признаков к кластеризации. Агент может выбрать параметры n_neighbors, min_dist, n_components и metric, разделить обучение и преобразование данных, а также учесть размеченные данные в supervised или semi-supervised сценариях. В описании также есть DensMAP, AlignedUMAP и Parametric UMAP.
Внутри есть примеры с интерфейсом scikit-learn, StandardScaler и визуализацией через Matplotlib. Для установки нужен Python 3.9+ и пакет umap-learn; HDBSCAN, Matplotlib и TensorFlow с Keras 3 используются как дополнительные зависимости для отдельных сценариев. Для установки нужен доступ к сети, но локальное обучение UMAP его не требует.
Размерность и метрику нужно выбирать по задаче: 2–3 измерения подходят для визуализации, а 5–10 могут использоваться перед кластеризацией. Оси, площади «островов» и разрывы между кластерами нельзя трактовать как калиброванные расстояния. Для предсказательных задач препроцессинг и embedding нужно обучать только на тренировочных данных.
Какие задачи решает
- строить 2D- и 3D-эмбеддинги из табличных признаков
- готовить данные к кластеризации в пространстве большей размерности
- подбирать
n_neighbors,min_distиmetricпод задачу - учитывать метки классов при снижении размерности
- сравнивать локальную и глобальную структуру данных
Примеры запросов агенту
- Построй 2D-эмбеддинг для
data, подбери параметры UMAP и покажи результат на графике. - Подготовь признаки к кластеризации: используй 10 компонентов UMAP и объясни выбор метрики.
- Обучи supervised UMAP на данных с метками
labels, не включая тестовые данные в fit.
Как установить umap-learn
1Через Skills CLI (Vercel)
npx skills add K-Dense-AI/scientific-agent-skills --skill umap-learn -a claude-code2Вручную: положить файлы
~/.claude/skills/umap-learn/SKILL.mdПапка скилла целиком; для одного проекта — .claude/skills/umap-learn/
1Через Skills CLI (Vercel)
npx skills add K-Dense-AI/scientific-agent-skills --skill umap-learn -a codex2Вручную: положить файлы
.agents/skills/umap-learn/SKILL.mdДля всех проектов — ~/.agents/skills/
1Через Skills CLI (Vercel)
npx skills add K-Dense-AI/scientific-agent-skills --skill umap-learn -a cursor2Вручную: положить файлы
.cursor/skills/umap-learn/SKILL.mdCursor читает и .agents/skills/, и .claude/skills/
1GitHub CLI
gh skill install K-Dense-AI/scientific-agent-skills umap-learn2Вручную: положить файлы
.github/skills/umap-learn/SKILL.md1Через Skills CLI (Vercel)
npx skills add K-Dense-AI/scientific-agent-skills --skill umap-learn -a gemini-cli2Командой платформы
gemini skills install https://github.com/K-Dense-AI/scientific-agent-skills --path skills/umap-learnВручную: положить файлы
.devin/skills/umap-learn/SKILL.mdСтарый путь .windsurf/skills/ тоже читается
Через Skills CLI (Vercel)
npx skills add K-Dense-AI/scientific-agent-skills --skill umap-learn -a opencodeClaude.ai
Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills
По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов
Вопросы о umap-learn
Как установить umap-learn в Claude Code?
Выполните npx skills add K-Dense-AI/scientific-agent-skills --skill umap-learn -a claude-code, затем проверьте файл ~/.claude/skills/umap-learn/SKILL.md.
Что делает скилл umap-learn?
Он помогает применять UMAP для нелинейного снижения размерности, 2D/3D-визуализации, подготовки к кластеризации и работы с размеченными данными. Также рассматриваются DensMAP, AlignedUMAP и Parametric UMAP.
Что нужно для работы umap-learn?
Нужны Python 3.9+ и umap-learn. Для отдельных примеров могут потребоваться HDBSCAN, Matplotlib или TensorFlow с Keras 3; установка требует доступа к сети.
