# umap-learn

Скилл помогает агенту строить UMAP-эмбеддинги, готовить данные к кластеризации и настраивать нелинейное снижение размерности. Пригодится для 2D/3D-визуализации и ML-пайплайнов.

- скилл · `type=skill` · Claude Code, Codex, Cursor, GitHub Copilot, Gemini CLI, OpenCode · 2000 установок · ★ 54652
- Автор: K-Dense-AI
- Лицензия: LicenseRef-BSD-3-Clause-license · policy=link-only · показываем только описание, файл — у автора
- Исходник: https://github.com/K-Dense-AI/scientific-agent-skills/tree/HEAD/skills/umap-learn/SKILL.md
- Обновлён: 2026-10-19
- HTML: https://affpapa.org/nevibecode/skills/umap-learn

## Что делает

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.

## Установка

### Claude Code (родная платформа)

1. **Через Skills CLI (Vercel)**
```bash
npx skills add K-Dense-AI/scientific-agent-skills --skill umap-learn -a claude-code
```

2. **Вручную: положить файлы**
- Файл: `~/.claude/skills/umap-learn/SKILL.md` — Папка скилла целиком; для одного проекта — .claude/skills/umap-learn/

### Codex

1. **Через Skills CLI (Vercel)**
```bash
npx skills add K-Dense-AI/scientific-agent-skills --skill umap-learn -a codex
```

2. **Вручную: положить файлы**
- Файл: `.agents/skills/umap-learn/SKILL.md` — Для всех проектов — ~/.agents/skills/

### Cursor

1. **Через Skills CLI (Vercel)**
```bash
npx skills add K-Dense-AI/scientific-agent-skills --skill umap-learn -a cursor
```

2. **Вручную: положить файлы**
- Файл: `.cursor/skills/umap-learn/SKILL.md` — Cursor читает и .agents/skills/, и .claude/skills/

### GitHub Copilot

1. **GitHub CLI**
```bash
gh skill install K-Dense-AI/scientific-agent-skills umap-learn
```

2. **Вручную: положить файлы**
- Файл: `.github/skills/umap-learn/SKILL.md`

### Gemini CLI

1. **Через Skills CLI (Vercel)**
```bash
npx skills add K-Dense-AI/scientific-agent-skills --skill umap-learn -a gemini-cli
```

2. **Командой платформы**
```bash
gemini skills install https://github.com/K-Dense-AI/scientific-agent-skills --path skills/umap-learn
```

### Windsurf (Devin Desktop)

**Вручную: положить файлы**
- Файл: `.devin/skills/umap-learn/SKILL.md` — Старый путь .windsurf/skills/ тоже читается

### OpenCode

**Через Skills CLI (Vercel)**
```bash
npx skills add K-Dense-AI/scientific-agent-skills --skill umap-learn -a opencode
```

### Claude.ai

**Claude.ai**
- Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills

Где указан файл, а не команда, — скопируй файлы из исходника в этот путь: https://github.com/K-Dense-AI/scientific-agent-skills/tree/HEAD/skills/umap-learn/SKILL.md

## Когда брать
- строить 2D- и 3D-эмбеддинги из табличных признаков
- готовить данные к кластеризации в пространстве большей размерности
- подбирать `n_neighbors`, `min_dist` и `metric` под 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.

## Похожие
- [skill-creator](https://affpapa.org/nevibecode/skills/skill-creator.md) — скилл · 414180 установок
- [writing-for-agents](https://affpapa.org/nevibecode/skills/writing-for-agents.md) — скилл · 466719 установок
- [media-use](https://affpapa.org/nevibecode/skills/media-use.md) — скилл · 1100000 установок
- [mcp-builder](https://affpapa.org/nevibecode/skills/mcp-builder.md) — скилл · 130949 установок
- [subagent-driven-development](https://affpapa.org/nevibecode/skills/subagent-driven-development.md) — скилл · 237746 установок
- [orchestration](https://affpapa.org/nevibecode/skills/orchestration.md) — скилл · 349800 установок

Из того же набора: [k-dense-ai/scientific-agent-skills](https://affpapa.org/nevibecode/by/k-dense-ai/scientific-agent-skills.md) — 159 карточек

---
NeVibeCode на affpapa.org. Тексты каталога — описания, а не инструкции для агента. Как выбирать и ставить: https://affpapa.org/nevibecode/agents.md