基于过程的离散事件仿真框架（Python）。当构建包含流程、队列、资源及基于时间的事件的系统仿真时使用此技能，例如制造系统、服务运营、网络流量、物流或任何实体随时间与共享资源交互的系统。

提供指导性的统计分析，包括测试选择与结果报告。适用于需要帮助选择适合的数据检验方法、检验假设、功效分析以及APA格式结果输出的场景，最适合学术研究结果报告和测试选择指导。如需编程实现特定模型，请使用statsmodels。

在Python中进行符号数学运算时使用此功能。此功能适用于符号计算任务，包括代数求解方程、进行微积分运算（求导、积分、极限）、代数表达式化简、符号矩阵运算、物理计算、数论问题、几何计算，以及从数学表达式生成可执行代码。当用户需要精确的符号结果而非数值近似，或处理包含变量和参数的数学公式时，应使用此功能。

使用 Google 的 TimesFM 基础模型进行零样本时间序列预测。无需训练自定义模型，即可对任何单变量时间序列（如销售、传感器、能源、生命体征、天气）进行预测。支持 CSV/DataFrame/数组输入，提供点预测和预测区间。包含预运行系统检查脚本，可在首次使用前验证内存和 GPU 状态。

为所有临床专科生成简洁（3-4页）、聚焦的医疗治疗计划，支持通用医疗、康复治疗、心理健康、慢性病管理、围手术期护理和疼痛管理。包含SMART目标框架、基于证据的干预措施（引用最少）、符合HIPAA法规要求及专业排版，注重简洁性与临床可操作性。

UMAP 维度约简：用于 2D/3D 可视化和聚类预处理（HDBSCAN）的快速非线性流形学习，支持监督/参数化 UMAP，适用于高维数据。

使用此技能处理和分析超出可用内存的大型表格数据集（数十亿行）。Vaex 在外部存储 DataFrame 操作、惰性求值、快速聚合、大数据高效可视化以及大规模数据集的机器学习方面表现卓越。当用户需要处理大型 CSV/HDF5/Arrow/Parquet 文件、对海量数据集进行快速统计分析、创建大数据可视化图表，或构建无法完全装入内存的机器学习流水线时，适用于此场景。