4 Claude Skills Every Data Scientist Needs in 2026

A couple months ago I wrote about 3 Claude skills every data scientist needs to learn in 2026: Claude Dashboards Claude Cowork for prioritizing Jira tickets Debugging with Claude Code. But these use cases only scratch the surface. There are many more ways Claude can cut down repetitive work and free up time for the parts of the job that actually need a person. So here are 4 more.

1. Deep Research for Comparing Modeling Approaches When you ask Claude a question, it will pull from one of three sources: Its own training data and knowledge Web search Research Web search and Research both need to be enabled. Web search will query the web for a singular answer to your question. But Research runs a sequence of connected web searches on its own, each one building on what the last one found. It then hands back a comprehensive report with citations. How to use research mode in Claude: Click the + button at the bottom left of the chat window. Select Research (a blue indicator confirms it's active).If Claude doesn't trigger it automatically on a question that calls for it, say so directly: "Claude, please use the research tool to..."

Here are some real data science use cases for the Claude research tool: Problem: You're new to building agentic AI systems and need to understand current best practices for evaluating whether an agent is ready for production before shipping one for the first time. Claude Deep Research prompt: Summarize current best practices and evaluation frameworks for testing AI agents before production deployment. Cover common failure modes like looping, tool misuse, and hallucinated actions, and how teams measure reliability before shipping. Cite recent papers, published benchmarks, or documented approaches from AI labs.

Problem: Decide whether to rebuild a production forecasting model around a newer approach or keep the gradient boosting setup already running. Claude Deep Research prompt: Compare classical statistical forecasting methods (SARIMA, exponential smoothing) against gradient boosting and transformer-based models for hourly energy load forecasting. For each approach, summarize accuracy on multi-day horizons, data volume requirements, and documented failure modes. Cite specific papers or benchmarks.

Problem: Decide which outlier detection method to apply to a new dataset with strong seasonal patterns before it reaches a production model. Claude Deep Research prompt: Compare z-score, IQR, and isolation forest methods for outlier detection in seasonal time series data. Summarize where each method tends to produce false positives, computational cost at scale, and documented guidance on choosing between them. Cite specific sources.

For this last one, Claude came back with an organized document containing the following sections: TLDR/Summary Methods Overview - goes over what z-score, IQR, and isolation forests are and how they work False-Positive Patterns per Method (in Seasonal Contexts)Computational Cost and Scalability Decision Guidance: Choosing Between Methods Caveats - Discusses limitations with its findings

2. HTML Project Brief for Stakeholders Let's say you work for a Social Media Marketing company where you've been working on a content engagement forecasting model for a specific short-form reel campaign. However, the model isn't working as expected. So you and other data scientists make a 2 month plan for model improvements. But non technical stakeholders are often impatient and don't understand why the posts are not performing as well as initially expected. They want improvements this week (which as data scientists know is often an unrealistic deadline). Creating an HTML project brief that can be shared as a link helps bridge this communication gap by providing a clean, readable summary of the project status, timeline, and expectations.

قبل بضعة أشهر كتبت عن 3 مهارات لكلود يحتاج كل عالم بيانات إلى تعلمها في 2026: لوحات تحكم كلود، كلود كورك لتحديد أولويات تذاكر جيرا، والتصحيح باستخدام كلود كود. لكن هذه الحالات فقط تخدش السطح. هناك العديد من الطرق الأخرى التي يمكن لكلود من خلالها تقليل العمل المتكرر وتحرير الوقت للجزء من العمل الذي يحتاج بالفعل إلى شخص. لذا فهناك 4 مهارات إضافية.

1. البحث العميق لمقارنة نهج النمذجة

عند طرح سؤال على كلود، فإنه يستقي المعلومات من أحد ثلاث مصادر: بيانات تدريبه ومعرفته، البحث على الويب، أو البحث العميق. يجب تفعيل كل من البحث على الويب والبحث العميق. البحث على الويب يستفسر الويب للحصول على إجابة منفردة لسؤالك. لكن البحث العميق ينفذ سلسلة من عمليات البحث على الويب المتصلة ذاتيًا، حيث يبني كل بحث على ما وجده البحث السابق. ثم يعيد تقريرًا شاملاً مع الاستشهادات.

كيفية استخدام وضع البحث في كلود: انقر على زر + في الزاوية السفلية اليسرى من نافذة الدردشة. حدد البحث (مؤشر أزرق يؤكد أنه نشط). إذا لم يُفعّل كلود البحث تلقائيًا على سؤال يستدعي ذلك، فقل ذلك مباشرة: "كلود، من فضلك استخدم أداة البحث لل..."

إليك بعض حالات الاستخدام الحقيقية لأداة البحث العميق لكلود في علوم البيانات:

المشكلة: أنت جديد في بناء أنظمة الذكاء الاصطناعي الوكيل وتحتاج إلى فهم أفضل الممارسات الحالية لتقييم ما إذا كان الوكيل جاهزًا للإنتاج قبل نشره لأول مرة.

مُحفِّز البحث العميق لكلود: تلخيص أفضل الممارسات الحالية وأطر التقييم لاختبار وكلاء الذكاء الاصطناعي قبل النشر في الإنتاج. تغطية أنماط الفشل الشائعة مثل الحلقات، سوء استخدام الأدوات، والإجراءات الوهمية، وكيف تقيس الفرق الموثوقية قبل الشحن. الاستشهاد بأوراق بحثية حديثة، أو معايير معيارية منشورة، أو منهجيات موثقة من مختبرات الذكاء الاصطناعي.

المشكلة: اتخاذ قرار ما إذا كان سيتم إعادة بناء نموذج تنبؤ إنتاجي حول نهج أحدث أم الاحتفاظ بإعداد تقوية التدرج الحالي قيد التشغيل.

مُحفِّز البحث العميق لكلود: مقارنة طرق التنبؤ الإحصائي الكلاسيكي (SARIMA، التمليس الأسي) مع تقوية التدرج والنماذج القائمة على المحولات لتوقع حمل الطاقة بالساعة. لكل منهج، تلخيص الدقة على أفاق متعددة الأيام، متطلبات حجم البيانات، وأنماط الفشل الموثقة. الاستشهاد بأوراق بحثية محددة أو معايير معيارية.

المشكلة: اتخاذ قرار بشأن طريقة كشف القيم الشاذة التي سيتم تطبيقها على مجموعة بيانات جديدة ذات أنماط موسمية قوية قبل وصولها إلى نموذج إنتاج.

مُحفِّز البحث العميق لكلود: مقارنة طرق z-score، IQR، وغابة العزل للكشف عن القيم الشاذة في بيانات السلاسل الزمنية الموسمية. تلخيص أين تميل كل طريقة إلى إنتاج إيجابيات كاذبة، التكلفة الحسابية على نطاق واسع، والإرشادات الموثقة لاختيار بينها. الاستشهاد بمصادر محددة.

بالنسبة لهذا الأخير، أعاد كلود مستندًا منظمًا يحتوي على الأقسام التالية:

TLDR/الملخص

نظرة عامة على الطرق — يشرح ما هي z-score، IQR، وغابات العزل وكيف تعمل

أنماط الإيجابيات الكاذبة لكل طريقة (في السياق الموسمي)

tكلفة الحساب والقابلية للتوسع

إرشادات اتخاذ القرار: الاختيار بين الطرق

تحذيرات — تناقش قيود نتائجها

2. ملخص مشروع HTML لأصحاب المصلحة

لنفترض أنك تعمل في شركة تسويق عبر وسائل التواصل الاجتماعي وقد كنت تعمل على نموذج توقع تفاعل المحتوى لحملة محددة للفيديوهات القصيرة. ومع ذلك، لم يعمل النموذج كما هو متوقع. لذا فإنك وعالمي بيانات آخرين وضعتم خطة لمدة شهرين لتحسين النموذج. لكن أصحاب المصلحة غير التقنيين غالبًا ما يكونون غير صبورين ولا يفهمون لماذا لا تؤدي المنشورات كما هو متوقع في البداية. إنهم يريدون تحسينات هذا الأسبوع (والذي يعلمه علماء البيانات أنه غالبًا موعد نهائي غير واقعي).

إنشاء ملخص مشروع HTML يمكن مشاركته كرابط يساعد في جسر هذا الفجوة في التواصل من خلال تقديم ملخص نظيف وقابل للقراءة لحالة المشروع، الجدول الزمني، والتوقعات.

الكيانات الرئيسية:

الشركات: Towards Data Science

الأسئلة الشائعة:

كيف تختلف أداة البحث العميق لكلود عن البحث على الويب؟

البحث على الويب يستخرج إجابة منفردة من الويب، بينما البحث العميق ينفذ سلسلة من عمليات البحث على الويب المتصلة، كل بحث يبني على السابق، ثم يعيد تقريرًا شاملاً مع الاستشهادات.

السؤال الشائع: كيف تختلف أداة البحث العميق لكلود عن البحث على الويب؟

الإجابة الشائعة: البحث على الويب يستخرج إجابة منفردة من الويب، بينما البحث العميق ينفذ سلسلة من عمليات البحث على الويب المتصلة، كل بحث يبني على السابق، ثم يعيد تقريرًا شاملاً مع الاستشهادات।

কুচু মাস আগে আমি লিখেছিলাম যে 2026-এ প্রতিটি ডেটা বিজ্ঞানীকে শেখার দরকার থাকা 3টি ক্লোড कौশল: ক্লোড ড্যাশবোর্ড, ক্লোড কোয়ার্ক (জিরা টিকেটকে অগ্রাধিকার দিতে) এবং ক্লোড কোডের সাথে ডিবাগিং। কিন্তু এই ব্যবহারের ক্ষেত্রগুলো শুধুমাত্র সতحينের বাহিরের পাতা ছুঁয়েছে। ক্লোডের আরও অনেক উপায় আছে যাতে পুনরাবৃত্তি করা কাজ কমাতে এবং সেই কাজের জন্য সময় নিতে পারে যা সত্যিই মানব হস্তক্ষেপের প্রয়োজন। তাই এখানে 4টি আরও कौশল দেওয়া হল।

1. মডেলিং পদ্ধতির তুলনা করার জন্য গভীর গবেষণা

যখন আপনি ক্লোডকে কোনো প্রশ্ন করেন, তখন এটি তথ্য পায় তিনটি উৎস থেকে: নিজের প্রশিক্ষণ ডেটা এবং জ্ঞান, ওয়েব খোঁজ, বা গভীর গবেষণা। ওয়েব খোঁজ এবং গভীর গবেষণা উভয়ই সক্রিয় করা দরকার। ওয়েব খোঁজ আপনার প্রশ্নের জন্য ওয়েব থেকে একক উত্তর খোঁজে। কিন্তু গভীর গবেষণা নিজে নিজে একটি সংযুক্ত ওয়েব খোঁজের ক্রম চালায়, যেখানে প্রতিটি খোঁজ আগের খোঁজের ফলাফলের ভিত্তিতে তৈরি হয়। তারপর এটি উদ্ধৃতি সহ একটি ব্যাপক প্রতিবেদন ফেরত দেয়।

ক্লোডে গভীর গবেষণা মোড ব্যবহার করার উপায়: চ্যাট উইন্ডোর বাম নিচের + বোতামে ক্লিক করুন। গভীর গবেষণা (Research) বেছে নিন (একটি নীল সূচক इसकी সক্রিয়তা নিশ্চিত করে)। যদি ক্লোড কোনো প্রশ্নে যা এর জন্য বলেছে, স্বয়ংক্রিয়ভাবে এটি ট্রিগার না করে, তাহলে সরাসরি বলুন: "ক্লোড, দয়া করে গবেষণা টুল ব্যবহার করার জন্য..."

এখানে ক্লোড গভীর গবেষণা টুলের কিছু বাস্তব ডেটা বিজ্ঞানের ব্যবহারের ক্ষেত্র দেওয়া হল:

সমস্যা: আপনি এজেন্টিক AI সিস্টেম তৈরি করতে নতুন এবং উৎপাদনে বিনিয়োগ করার আগে একটি এজেন্ট উৎপাদনের জন্য প্রস্তুত কি না তা মূল্যায়ন করার বর্তমান সর্বোত্তম অনুশীলন বুঝতে চান।

ক্লোড গভীর গবেষণা প্রম্পট: উৎপাদনে বিনিয়োগের আগে AI এজেন্টদের পরীক্ষার বর্তমান সর্বোত্তম অনুশীলন এবং মূল্যায়ন ফ্রেমওয়ার্কের সারাংশ দিন। লুপিং, টুলের দुरব্যবহার, এবং হ্যালুসিনেটেড কর্মকাণ্ডের মতো সাধারণ ব্যর্থতা মোড কভার করুন, এবং ব্যাখ্যা করুন যে টিমগুলি শিপিং থেকে আগে কীভাবে বিশ্বস্ততা মাপে। সাম্প্রতিক পত্র, প্রকাশিত বেঞ্চমার্ক, বা AI ল্যাব থেকে নথিভুক্ত পদ্ধতিগুলো উল্লেখ করুন।

সমস্যা: তय করা উচিত কি একটি নতুন পদ্ধতির आसपास উৎপাদন ভবিষ্যৎন মডেলের পুনর্নির্মাণ করা উচিত বা আগে থেকে চলমান গ্রেডিয়েন্ট বूस্টিং সেটআপটি রাখা উচিত।

ক্লোড গভীর গবেষণা প্রম্পট: ক্লাসিকल সांख्यিকীয় ভবিষ্যৎন পদ্ধতিগুলো (SARIMA, এক্সপোনেনশিয়াল স্মুথিং) এর তুলনা গ্রেডিয়েন্ট বूस্টিং এবং ট্রান্সফরমার-ভিত্তিক মডেলসের সাথে, ঘন্টা ভিত্তিক শক্তি ভর ভবিষ্যৎনের জন্য। প্রতিটি পদ্ধতির জন্য, মাল্টি-দিনের হরাইজনে সঠিকতা, ডেটা ভোলিউমের প্রয়োজন, এবং নথিভুক্ত ব্যর্থতা মোডের সারাংশ দিন। নির্দিষ্ট পত্র বা বেঞ্চমার্ক উল্লেখ করুন।

সমস্যা: একটি নতুন ডেটাসেটে outliersكشف করার জন্য কোন পদ্ধতি প্রয়োগ করা উচিত, jossa vahaita kausikuvioita, ennen kuin se pääsee tuotantomalliin।

ক্লোড গভীর গবেষণা প্রম্পট: মৌসমিক সময়শ্রেণী ডেটায় outliersكشف করার জন্য z-score, IQR, এবং আইসোলেশন ফরেস্ট পদ্ধতিগুলোর তুলনা করুন। প্রতিটি পদ্ধতির জন্য, বলুন যে তারা কতটা ভুল ধনাত্মক (false positives) তৈরি করার প্রবণতা रखে, স্কেলে গണনামূলক খরচ কী, এবং তাদের মধ্যে বেছে নেওয়ার জন্য নথিভুক্ত নির্দেশনা কী। নির্দিষ্ট উৎস উল্লেখ করুন।

এই শেষের জন্য, ক্লোড একটি সংগঠিত নথি ফেরত দিয়েছে যার নিম্নলিখিত বিভাগ অন্তর্ভুক্ত ছিল:

TLDR/সারাংশ

পদ্ধতির ওভারভিউ — z-score, IQR, এবং আইসোলেশন ফরেস্ট কী এবং কীভাবে কাজ করে তা ব্যাখ্যা করে

প্রতি পদ্ধতির জন্য ভুল ধনাত্মক প্যাটার্ন (মৌসমিক প্রেক্ষাপটে)

গণনামূলক খরচ এবং স্কেলেবিলিটি

সিদ্ধান্ত নেওয়ার নির্দেশনা: পদ্ধতিগুলোর মধ্যে বেছে নেওয়া

সতর্কতা — এর ফলাফলের সীমাবদ্ধতাগুলো আলোচনা করে

2. স্টেকহোল্ডারদের জন্য HTML প্রকল্প সংক্ষিপ্ত

মনে করুন আপনি একটি সোশ্যাল মিডিয়া মার্কেটিং কোম্পানিতে কাজ করেন যেখানে আপনি একটি নির্দিষ্ট সংক্ষিপ্ত রিল ক্যাম্পেইনের জন্য কনটেন্ট এঙ্গেজমেন্ট ভবিষ্যৎন মডেলে কাজ করছেন। কিন্তু মডেলটি আশাকর মতো কাজ করছে না। তাই আপনি এবং অন্যান্য ডেটা বিজ্ঞানী মডেল উন্নতির জন্য একটি 2 মাসের পরিকল্পনা তৈরি করেছেন। কিন্তু অ-প্রযুক্তিগত স্টেকহোল্ডারদের প্রায়শই অদৈর্য্য হয় এবং তারা বুঝে না যে পোস্টগুলি প্রথমে আশার মতো কেন কাজ করছে না। তারা এই সপ্তাহে উন্নতি চান (যা ডেটা বিজ্ঞানী জানেন, প্রায়শই বাস্তবহীন মেয়াদ)।

একটি HTML প্রকল্প সংক্ষিপ্ত তৈরি করুন যা একটি লিঙ্ক হিসেবে শেয়ার করা যেতে পারে; এটি প্রকল্পের অবস্থা, টাইমলাইন, এবং আশার একটি পরিষ্কার, পড়া যায় সারাংশ দিয়ে এই যোগাযোগের ফাঁকটি পূরণ করতে সাহায্য করে।

মुख্য 엔티টি:

কোম্পানிகள்: Towards Data Science

সामान्य প্রশ্ন:

ক্লোডের গভীর গবেষণা টুল ও ওয়েব খোঁজের মধ্যে পার্থক্য কী?

ওয়েব খোঁজ ওয়েব থেকে একক উত্তর আনে, ενώ গভীর গবেষণা একটি সংযুক্ত ওয়েব খোঁজের ক্রম চালায়, প্রতিটি আগের খোঁজের ভিত্তিতে তৈরি, এবং তারপর উদ্ধৃতি সহ একটি ব্যাপক প্রতিবেদন ফেরত দেয়।

সामान्य প্রশ্ন: ক্লোডের গভীর গবেষণা টুল ও ওয়েব খোঁজের মধ্যে পার্থক্য কী?

সामान्य উত্তর: ওয়েব খোঁজ ওয়েব থেকে একক উত্তর আনে, ενώ গভীর গবেষণা একটি সংযুক্ত ওয়েব খোঁজের ক্রম চালায়, প্রতিটি আগের খোঁজের ভিত্তিতে তৈরি, এবং তারপর উদ্ধৃতি সহ একটি ব্যাপক প্রতিবেদন ফেরত দেয়।

Vor ein paar Monaten habe ich über 3 Claude-Fähigkeiten geschrieben, die jeder Data Scientist im Jahr 2026 erlernen muss: Claude Dashboards, Claude Cowork zur Priorisierung von Jira-Tickets und Debugging mit Claude Code. Diese Anwendungsfälle kratzen jedoch nur an der Oberfläche. Es gibt viele weitere Möglichkeiten, wie Claude repetitive Arbeit reduzieren und Zeit für die Teile der Arbeit freischaufeln kann, die tatsächlich eine Person benötigen. Deshalb hier noch 4 weitere.

1. Tiefenforschung zum Vergleich von Modellierungsansätzen

Wenn Sie Claude eine Frage stellen, bezieht es seine Informationen aus einer von drei Quellen: seinen eigenen Trainingsdaten und Wissen, Websuche oder Forschung. Beide, Websuche und Forschung, müssen aktiviert sein. Die Websuche fragt das Web nach einer einzelnen Antwort auf Ihre Frage ab. Die Forschung hingegen führt eine Folge von miteinander verbundenen Websuchen eigenständig durch, wobei jede Suche auf dem aufbaut, was die vorherige gefunden hat. Anschließend gibt sie einen umfassenden Bericht mit Zitaten zurück.

So verwenden Sie den Forschungsmodus in Claude: Klicken Sie auf die +-Schaltfläche unten links im Chat-Fenster. Wählen Sie Forschung (ein blaues Indikatorlicht bestätigt, dass es aktiv ist). Wenn Claude die Forschung nicht automatisch bei einer Frage auslöst, die sie erfordert, sagen Sie es direkt: „Claude, bitte nutze das Forschungstool für…“

Hier sind einige reale Anwendungsfälle des Claude-Forschungstools für Data Scientists:

Problem: Sie sind neu beim Aufbau von agentenbasierten KI-Systemen und müssen die aktuellen Best Practices verstehen, um zu bewerten, ob ein Agent für die Produktion bereit ist, bevor Sie ihn erstmals bereitstellen.

Claude-Deep-Research-Prompt: Fassen Sie die aktuellen Best Practices und Evaluierungsrahmen zusammen, um KI-Agenten vor der Produktionseinsatz zu testen. Decken Sie häufige Ausfallmodi ab wie Schleifen, Werkzeugmissbrauch und halluzinierte Aktionen, und erklären Sie, wie Teams die Zuverlässigkeit vor dem Versand messen. Zitieren Sie aktuelle Fachartikel, veröffentlichte Benchmarks oder dokumentierte Ansätze aus KI-Laboren.

Problem: Entscheiden Sie, ob Sie ein Produktionsprognosemodell um einen neueren Ansatz herum neu aufbauen sollen oder die bereits laufende Gradient-Boosting-Konfiguration beibehalten sollen.

Claude-Deep-Research-Prompt: Vergleichen Sie klassische statistische Prognosemethoden (SARIMA, exponentielle Glättung) mit Gradient Boosting und transformerbasierten Modellen für die stündliche Energielastprognose. Für jeden Ansatz fassen Sie die Genauigkeit über mehrtägige Horizonte, die Datenvolumenanforderungen und die dokumentierten Ausfallmodi zusammen. Zitieren Sie spezifische Fachartikel oder Benchmarks.

Problem: Entscheiden Sie, welche Ausreißererkennungsmethode Sie auf einem neuen Datensatz mit starken saisonalen Mustern anwenden sollen, bevor er ein Produktionsmodell erreicht.

Claude-Deep-Research-Prompt: Vergleichen Sie die z-score-, IQR- und Isolation-Forest-Methoden zur Ausreißererkennung in saisonalen Zeitreihendaten. Fassen Sie zusammen, wo jede Methode dazu neigt, falsch-positive Ergebnisse zu produzieren, den rechnerischen Aufwand bei Skalierung und die dokumentierte Leitlinie zur Auswahl zwischen ihnen. Zitieren Sie spezifische Quellen.

Bei diesem letzten Fall kehrte Claude mit einem strukturierten Dokument zurück, das folgende Abschnitte enthielt:

TLDR/Zusammenfassung

Methodenüberblick — erklärt, was z-score, IQR und Isolation-Wälder sind und wie sie funktionieren

Falsch-positive Muster pro Methode (in saisonalem Kontext)

Rechnerischer Aufwand und Skalierbarkeit

Entscheidungshilfe: Auswahl zwischen den Methoden

Einschränkungen — diskutiert die Grenzen seiner Ergebnisse

2. HTML-Projekt-Brief für Stakeholder

Stellen Sie sich vor, Sie arbeiten für ein Social-Media-Marketing-Unternehmen, in dem Sie ein Modell zur Vorhersage der Content-Engagement für eine bestimmte Kurzvideo-Reel-Kampagne entwickelt haben. Allerdings funktioniert das Modell nicht wie erwartet. Dann haben Sie und andere Data Scientists einen 2-Monats-Plan für Modellverbesserungen erstellt. Aber nicht-technische Stakeholder sind oft ungeduldig und verstehen nicht, warum die Beiträge nicht so gut funktionieren wie ursprünglich erwartet. Sie erwarten Verbesserungen diese Woche (was Data Scientists wissen, ist oft ein unrealistisches Deadline).

Die Erstellung eines HTML-Projekt-Briefs, der als Link geteilt werden kann, hilft, diese Kommunikationslücke zu überbrücken, indem sie eine klare, leicht lesbare Zusammenfassung des Projektstatus, Zeitplans und Erwartungen bietet.

Wichtige Entitäten:

Unternehmen: Towards Data Science

Häufig gestellte Fragen:

Wie unterscheidet sich das Claude-Forschungstool von der Websuche?

Die Websuche ruft eine einzelne Antwort aus dem Web ab, während die Forschung eine Folge von miteinander verbundenen Websuchen ausführt, wobei jede auf der vorherigen aufbaut, und anschließend einen umfassenden Bericht mit Zitaten zurückgibt.

Häufig gestellte Frage: Wie unterscheidet sich das Claude-Forschungstool von der Websuche?

Häufig gestellte Antwort: Die Websuche ruft eine einzelne Antwort aus dem Web ab, während die Forschung eine Folge von miteinander verbundenen Websuchen ausführt, wobei jede auf der vorherigen aufbaut, und anschließend einen umfassenden Bericht mit Zitaten zurückgibt.

Hace un par de meses escribí sobre 3 habilidades de Claude que todo científico de datos necesita aprender en 2026: Claude Dashboards, Claude Cowork para priorizar tickets de Jira y depuración con Claude Code. Pero estos casos de uso solo rozan la superficie. Hay muchas más formas en que Claude puede reducir el trabajo repetitivo y liberar tiempo para las partes del trabajo que realmente necesitan una persona. Así que aquí tienes 4 más.

1. Investigación profunda para comparar enfoques de modelado

Cuando le haces una pregunta a Claude, extrae información de una de tres fuentes: sus propios datos de entrenamiento y conocimiento, búsqueda en la web o investigación. Tanto la búsqueda en la web como la investigación deben estar habilitadas. La búsqueda en la web consulta la web para obtener una respuesta singular a tu pregunta. Pero la investigación ejecuta una secuencia de búsquedas web conectadas por sí misma, cada una basada en lo que encontró la anterior. Luego devuelve un informe completo con citas.

¿Cómo usar el modo de investigación en Claude: Haz clic en el botón + en la esquina inferior izquierda de la ventana de chat. Selecciona Investigación (un indicador azul confirma que está activo). Si Claude no lo activa automáticamente en una pregunta que lo requiere, indícalo directamente: "Claude, por favor usa la herramienta de investigación para..."

Aquí tienes algunos casos de uso reales de la herramienta de investigación de Claude para científicos de datos:

Problema: Eres nuevo en la construcción de sistemas de IA agente y necesitas comprender las mejores prácticas actuales para evaluar si un agente está listo para producción antes de enviarlo por primera vez.

Indicador de Deep Research de Claude: Resume las mejores prácticas actuales y los marcos de evaluación para probar agentes de IA antes de su despliegue en producción. Cubre modos comunes de fallo como bucles, uso incorrecto de herramientas y acciones alucinadas, y cómo los equipos miden la fiabilidad antes del envío. Cita artículos recientes, benchmarks publicados o enfoques documentados de laboratorios de IA.

Problema: Decidir si reconstruir un modelo de pronóstico de producción alrededor de un enfoque más nuevo o mantener la configuración de aumento de gradiente ya en funcionamiento.

Indicador de Deep Research de Claude: Compara los métodos estadísticos clásicos de pronóstico (SARIMA, suavizado exponencial) con el aumento de gradiente y los modelos basados en transformadores para la predicción de carga energética por hora. Para cada enfoque, resume la precisión en horizontes de varios días, los requisitos de volumen de datos y los modos de fallo documentados. Cita artículos específicos o benchmarks.

Problema: Decidir qué método de detección de valores atípicos aplicar a un nuevo conjunto de datos con fuertes patrones estacionales antes de que llegue a un modelo de producción.

Indicador de Deep Research de Claude: Compara los métodos z-score, IQR y bosque de aislamiento para la detección de valores atípicos en datos de series temporales estacionales. Resume dónde tiende a producir falsos positivos cada método, el costo computacional a escala y la orientación documentada sobre cómo elegir entre ellos. Cita fuentes específicas.

Para este último, Claude devolvió un documento organizado con las siguientes secciones:

TLDR/Resumen

Visión general de los métodos — explica qué son z-score, IQR y bosques de aislamiento y cómo funcionan

Patrones de falsos positivos por método (en contexto estacional)

Costo computacional y escalabilidad

Orientación para la toma de decisiones: Elegir entre métodos

Advertencias — Discute las limitaciones de sus hallazgos

2. Breve de proyecto HTML para partes interesadas

Imagina que trabajas para una empresa de marketing en redes sociales donde has estado desarrollando un modelo de pronóstico de participación de contenido para una campaña específica de reels de corta duración. Sin embargo, el modelo no funciona como se esperaba. Entonces tú y otros científicos de datos elaboran un plan de 2 meses para mejorar el modelo. Pero las partes interesadas no técnicas suelen ser impacientes y no entienden por qué las publicaciones no tienen el rendimiento esperado inicialmente. Quieren mejoras esta semana (lo que, como saben los científicos de datos, suele ser un plazo poco realista).

Crear un breve de proyecto HTML que pueda compartirse como un enlace ayuda a cerrar esta brecha de comunicación al proporcionar un resumen limpio y legible del estado del proyecto, el cronograma y las expectativas.

Entidades clave:

Empresas: Towards Data Science

Preguntas frecuentes:

¿En qué se diferencia la herramienta de investigación de Claude de la búsqueda web?

La búsqueda web obtiene una respuesta singular de la web, mientras que la investigación ejecuta una secuencia de búsquedas web conectadas, cada una basada en la anterior, y luego devuelve un informe completo con citas.

Pregunta frecuente: ¿En qué se diferencia la herramienta de investigación de Claude de la búsqueda web?

Respuesta frecuente: La búsqueda web obtiene una respuesta singular de la web, mientras que la investigación ejecuta una secuencia de búsquedas web conectadas, cada una basada en la anterior, y luego devuelve un informe completo con citas.

Il y a quelques mois, j'ai écrit sur 3 compétences Claude dont chaque data scientist a besoin en 2026 : les tableaux de bord Claude, Claude Cowork pour prioriser les tickets Jira, et le débogage avec Claude Code. Mais ces cas d'utilisation ne font qu'effleurer la surface. Il existe de nombreuses autres façons dont Claude peut réduire le travail répétitif et libérer du temps pour les parties du travail qui nécessitent réellement une personne. Voici donc 4 compétences supplémentaires.

1. Recherche approfondie pour comparer les approches de modélisation

Lorsque vous posez une question à Claude, il puise ses informations dans l'une de trois sources : ses propres données d'entraînement et connaissances, la recherche sur le web, ou la recherche approfondie. La recherche sur le web et la recherche approfondie doivent être activées. La recherche sur le web interroge le web pour obtenir une réponse unique à votre question. Mais la recherche approfondie exécute une séquence de recherches web connectées par elle-même, chacune s'appuyant sur ce que la précédente a trouvé. Elle renvoie ensuite un rapport complet avec des références.

Comment utiliser le mode recherche dans Claude : cliquez sur le bouton + en bas à gauche de la fenêtre de chat. Sélectionnez Recherche (un indicateur bleu confirme qu'il est actif). Si Claude ne l'active pas automatiquement sur une question qui le nécessite, dites-le directement : « Claude, s'il te plaît, utilise l'outil de recherche pour... »

Voici quelques cas d'utilisation réels de l'outil de recherche approfondie de Claude pour les data scientists :

Problème : Vous débutez dans la construction de systèmes d'IA agente et vous devez comprendre les meilleures pratiques actuelles pour évaluer si un agent est prêt pour la production avant de le déployer pour la première fois.

Invite de recherche approfondie Claude : Résumez les meilleures pratiques actuelles et les cadres d'évaluation pour tester les agents d'IA avant leur déploiement en production. Couvrez les modes d'échec courants comme les boucles, l'utilisation abusive des outils et les actions hallucinées, et expliquez comment les équipes mesurent la fiabilité avant l'expédition. Citez des articles récents, des benchmarks publiés ou des approches documentées provenant de laboratoires d'IA.

Problème : Décidez si vous devez reconstruire un modèle de prévision de production autour d'une approche plus récente ou conserver la configuration de gradient boosting déjà en cours d'exécution.

Invite de recherche approfondie Claude : Comparez les méthodes statistiques classiques de prévision (SARIMA, lissage exponentiel) avec le gradient boosting et les modèles basés sur les transformateurs pour la prévision de la charge énergétique horaire. Pour chaque approche, résumez la précision sur des horizons de plusieurs jours, les exigences en volume de données, et les modes d'échec documentés. Citez des articles spécifiques ou des benchmarks.

Problème : Décidez quelle méthode de détection des valeurs aberrantes appliquer à un nouveau jeu de données présentant des motifs saisonniers forts avant qu'il n'atteigne un modèle de production.

Invite de recherche approfondie Claude : Comparez les méthodes z-score, IQR et forêt d'isolation pour la détection des valeurs aberrantes dans les données de séries temporelles saisonnières. Résumez où chaque méthode a tendance à produire des faux positifs, le coût computationnel à grande échelle, et les conseils documentés pour choisir entre elles. Citez des sources spécifiques.

Pour ce dernier cas, Claude est revenu avec un document organisé contenant les sections suivantes :

TLDR/Résumé

Aperçu des méthodes — explique ce que sont le z-score, l'IQR et les forêts d'isolation et comment ils fonctionnent

Modèles de faux positifs par méthode (dans un contexte saisonnier)

Coût computationnel et évolutivité

Conseils pour la prise de décision : choisir entre les méthodes

Mises en garde — discute des limites de ses découvertes

2. Brief de projet HTML pour les parties prenantes

Imaginons que vous travailliez pour une entreprise de marketing sur les réseaux sociaux où vous avez développé un modèle de prévision de l'engagement de contenu pour une campagne spécifique de reels de courte durée. Cependant, le modèle ne fonctionne pas comme prévu. Alors vous et d'autres data scientists élaborez un plan de 2 mois pour améliorer le modèle. Mais les parties prenantes non techniques sont souvent impatientes et ne comprennent pas pourquoi les publications ne performent pas aussi bien qu'initialement attendu. Elles veulent des améliorations cette semaine (ce que les data scientists savent être souvent une échéance irréaliste).

La création d'un brief de projet HTML pouvant être partagé sous forme de lien permet de combler cet écart de communication en fournissant un résumé clair et lisible de l'état du projet, du calendrier et des attentes.

Entités clés :

Entreprises : Towards Data Science

FAQ : Comment l'outil de recherche approfondie de Claude diffère-t-il de la recherche sur le web ?

La recherche sur le web récupère une réponse unique provenant du web, tandis que la recherche approfondie exécute une séquence de recherches web connectées, chacune s'appuyant sur la précédente, puis renvoie un rapport complet avec des références.

FAQ Q : Comment l'outil de recherche approfondie de Claude diffère-t-il de la recherche sur le web ?

FAQ A : La recherche sur le web récupère une réponse unique provenant du web, tandis que la recherche approfondie exécute une séquence de recherches web connectées, chacune s'appuyant sur la précédente, puis renvoie un rapport complet avec des références.

कुछ महीने पहले मैंने लिखा था कि 2026 में हर डेटा वैज्ञानिक को सीखने की आवश्यकता वाले 3 क्लॉड कौशल हैं: क्लॉड डैशबोर्ड, क्लॉड कॉर्क (जिरा टिकट्स को प्राथमिकता देने के लिए) और क्लॉड कोड के साथ डिबगिंग। लेकिन इन उपयोग के मामलों ने केवल सतह को छुआ है। क्लॉड के कई और तरीके हैं जिनसे दोहराव वाला काम कम हो सकता है और समय निकाला जा सकता है उन कार्यों पर जो वास्तव में मानव हस्तक्षेप की आवश्यकता रखते हैं। इसलिए, यहाँ 4 और कौशल दिए गए हैं।

1. मॉडलिंग दृष्टिकोनों की तुलना करने के लिए गहरी शोध

जब आप क्लॉड से कोई प्रश्न पूछते हैं, तो यह जानकारी तीन स्रोतों में से एक से प्राप्त करता है: अपने प्रशिक्षण डेटा और ज्ञान, वेब खोज, या शोध। वेब खोज और शोध दोनों को सक्षम करना आवश्यक है। वेब खोज आपके प्रश्न के लिए एकल उत्तर प्राप्त करने के लिए वेब की खोज करता है। लेकिन शोध अपने आप एक जुड़ी हुई वेब खोजों की श्रृंखला चलाता है, जहां प्रत्येक खोज पिछली खोज के परिणाम पर आधारित होती है। फिर यह एक व्यापक रिपोर्ट के साथ संदर्भों को लौटाता है।

क्लॉड में शोध मोड का उपयोग कैसे करें: चैट विंडो के बाएँ नीचे वाले + बटन पर क्लिक करें। शोध (Research) चुनें (एक नीला संकेतक इसकी सक्रियता की पुष्टि करता है)। यदि क्लॉड किसी प्रश्न पर जो इसके लिए कहता है, स्वचालित रूप से इसे ट्रिगर नहीं करता है, तो सीधे कहें: "क्लॉड, कृपया शोध टूल का उपयोग करने के लिए..."

यहाँ क्लॉड शोध टूल के कुछ वास्तविक डेटा विज्ञान उपयोग के मामले दिए गए हैं:

समस्या: आप एजेंटिक AI प्रणालियों के निर्माण में नए हैं और उत्पादन में डिप्लॉयमेंट से पहले यह समझने की आवश्यकता है कि एक एजेंट उत्पादन के लिए तैयार है या नहीं, इसके मूल्यांकन के लिए वर्तमान सर्वोत्तम प्रथाओं।

क्लॉड डीप शोध प्रॉम्प्ट: उत्पादन से पहले डिप्लॉयमेंट के लिए AI एजेंट्स के परीक्षण के वर्तमान सर्वोत्तम प्रथाओं और मूल्यांकन फ्रेमवर्क का सारांश दें। लूपिंग, टूल दुरुपयोग, और हलूसिनेटेड एक्शंस जैसी सामान्य विफलता मोड को कवर करें, और बताएं कि टीमें शिपिंग से पहले विश्वसनीयता कैसे मापती हैं। हाल के पेपर, प्रकाशित बेंचमार्क, या AI प्रयोगशालाओं से दस्तावेज़ीकृत दृष्टिकोणों का उल्लेख करें।

समस्या: तय करना कि क्या एक नए दृष्टिकोण के आसपास उत्पादन भविष्यवाणी मॉडल का पुनर्निर्माण करना है या पहले से चल रहे ग्रेडिएंट बूस्टिंग सेटअप को बनाए रखना है।

क्लॉड डीप शोध प्रॉम्प्ट: क्लासिकल सांख्यिकीय भविष्यवाणी विधियों (SARIMA, एक्सपोनेंशियल स्मूथिंग) की तुलना ग्रेडिएंट बूस्टिंग और ट्रांसफॉर्मर-आधारित मॉडलों से करें, प्रति घंटा ऊर्जा लोड भविष्यवाणी के लिए। प्रत्येक दृष्टिकोण के लिए, मल्टी-डे क्षितिज पर सटीकता, डेटा मात्रा की आवश्यकताओं, और दस्तावेज़ीकृत विफलता मोड का सारांश दें। विशिष्ट पेपर्स या बेंचमार्क का उल्लेख करें।

समस्या: एक नए डेटासेट पर outliers की पहचान करने के लिए कौन सी विधि लागू करनी है, जिसमें मजबूत मौसमी पैटर्न हैं, इससे पहले कि यह एक उत्पादन मॉडल तक पहुंचे।

क्लॉड डीप शोध प्रॉम्प्ट: मौसमी समय श्रृंखला डेटा में outliers की पहचान करने के लिए z-score, IQR, और आइसोलेशन फॉरेस्ट विधियों की तुलना करें। प्रत्येक विधि के लिए बताएं कि वे कहाँ झूठे सकारात्मक (false positives) उत्पन्न करने की प्रवृत्ति रखते हैं, पैमाने पर गणनात्मक लागत क्या है, और उनके बीच चयन करने के लिए दस्तावेज़ीकृत मार्गदर्शन क्या है। विशिष्ट स्रोतों का उल्लेख करें।

इस अंतिम एक के लिए, क्लॉड ने एक संगठित दस्तावेज़ वापस भेजा जिसमें निम्नलिखित अनुभाग शामिल थे:

TLDR/सारांश

विधियों का अवलोकन — z-score, IQR, और आइसोलेशन फॉरेस्ट क्या हैं और वे कैसे काम करते हैं, इसकी व्याख्या

प्रति विधि झूठे सकारात्मक पैटर्न (मौसमी संदर्भ में)

गणनात्मक लागत और स्केलेबिलिटी

निर्णय मार्गदर्शन: विधियों के बीच चयन कैसे करें

चेतावनियाँ — इसके निष्कर्षों की सीमाओं पर चर्चा

2. स्टेकहोल्डर्स के लिए HTML प्रोजेक्ट ब्रीफ

मान लीजिए आप एक सोशल मीडिया मार्केटिंग कंपनी में काम करते हैं जहाँ आप एक विशिष्ट छोटे रूप के रील अभियान के लिए सामग्री एंगेजमेंट भविष्यवाणी मॉडल पर काम कर रहे हैं। हालांकि, मॉडल अपेक्षित रूप से काम नहीं कर रहा है। तो आप और अन्य डेटा वैज्ञानिकों ने मॉडल में सुधार के लिए एक 2 महीने की योजना बनाई। लेकिन गैर-तकनीकी स्टेकहोल्डर्स अक्सर असब्र होते हैं और समझ नहीं पाते कि पोस्ट्स शुरू में अपेक्षित के अनुसार काम क्यों नहीं कर रहे हैं। वे इस हफ्ते में सुधार चाहते हैं (जैसा कि डेटा वैज्ञानिक जानते हैं, यह अक्सर एक अवास्तविक समय सीमा होती है)।

एक HTML प्रोजेक्ट ब्रीफ बनाना जिसे एक लिंक के रूप में साझा किया जा सके, इस संचार अंतर को पाटने में मदद करता है क्योंकि यह परियोजना की स्थिति, समयरेखा, और अपेक्षाओं का एक स्वच्छ, पढ़ने योग्य सारांश प्रदान करता है।

मुख्य इकाइयाँ:

कंपनियाँ: Towards Data Science

अक्सर पूछे जाने वाले प्रश्न:

क्लॉड का शोध टूल वेब खोज से कैसे अलग है?

वेब खोज वेब से एकल उत्तर प्राप्त करता है, जबकि शोध एक जुड़ी हुई वेब खोजों की श्रृंखला चलाता है, प्रत्येक पिछली खोज पर आधारित, और फिर संदर्भों के साथ एक व्यापक रिपोर्ट लौटाता है।

अक्सर पूछे जाने वाला प्रश्न: क्लॉड का शोध टूल वेब खोज से कैसे अलग है?

अक्सर पूछे जाने वाला उत्तर: वेब खोज वेब से एकल उत्तर प्राप्त करता है, जबकि शोध एक जुड़ी हुई वेब खोजों की श्रृंखला चलाता है, प्रत्येक पिछली खोज पर आधारित, और फिर संदर्भों के साथ एक व्यापक रिपोर्ट लौटाता है।

数か月前に、2026年にデータサイエンティストが学ぶべき3つのClaudeスキルについて書きました：Claudeダッシュボード、Claude Cowork（Jiraチケットの優先順位付け）、およびClaude Codeによるデバッグ。しかし、これらのユースケースは表面をかすっただけです。Claudeには、反復作業を減らし、人間の介入が必要な仕事に時間を割けるようにする多くの他の方法があります。そこで、さらに4つのスキルを紹介します。

1. モデリングアプローチの比較のためのディープリサーチ

Claudeに質問すると、情報は以下の3つのソースから得られます：自身のトレーニングデータと知識、ウェブ検索、またはリサーチ。ウェブ検索とリサーチの両方を有効にする必要があります。ウェブ検索は、質問に対する単一の答えを得るためにウェブをクエリします。しかし、リサーチは自分自身で一連の接続されたウェブ検索を実行し、それぞれが前の検索の結果に基づいて行われます。その後、引用付きの包括的なレポートを返します。

Claudeでリサーチモードを使用する方法：チャットウィンドウの左下の+ボタンをクリックします。リサーチ（Research）を選択します（青いインジケーターがアクティブであることを確認します）。Claudeが質問に対して自動的にリサーチをトリガーしない場合は、直接伝えてください：「Claude、リサーチツールを使ってください...」

以下は、データサイエンスにおけるClaudeリサーチツールの実際のユースケースです。

問題：エージェンティックAIシステムの構築に慣れておらず、本番環境へのデプロイ前にエージェントが準備できているかを評価する現在のベストプラクティスを理解する必要があります。

Claudeディープリサーチプロンプト：本番デプロイ前にAIエージェントをテストするための現在のベストプラクティスと評価フレームワークをまとめます。ループ、ツールの誤用、幻覚行動などの一般的な失敗モードをカバーし、チームがデプロイ前に信頼性をどのように測定するかを説明します。最近の論文、公開されたベンチマーク、またはAIラボからの文書化されたアプローチを引用してください。

問題：生産環境の予測モデルを新しいアプローチに基づいて再構築するか、現在稼働中の勾配ブースティング設定を維持するかを決定する必要があります。

Claudeディープリサーチプロンプト：クラシカルな統計予測方法（SARIMA、指数平滑）と勾配ブースティングおよびトランスフォーマーベースモデルを、時間単位のエネルギー負荷予測で比較します。各アプローチについて、マルチデイホライズンでの精度、データ量の要件、および文書化された失敗モードをまとめます。特定の論文またはベンチマークを引用してください。

問題：本番モデルに組み込む前に、強い季節性パターンを持つ新しいデータセットに適用する外れ値検出方法を決定する必要があります。

Claudeディープリサーチプロンプト：季節性時系列データにおける外れ値検出のためのz-score、IQR、およびアイソレーションフォレスト法を比較します。各方法がfalse positivesを生じやすい場所、スケールでの計算コスト、およびそれらの間の選択に関する文書化されたガイダンスをまとめます。特定のソースを引用してください。

この最後のケースでは、Claudeは以下のセクションを含む構造化されたドキュメントを返しました：

TLDR/サマリー

方法の概要 — z-score、IQR、およびアイソレーションフォレストとは何か、そしてどのように機能するかを説明

方法ごとの誤検出パターン（季節性の文脈において）

計算コストとスケーラビリティ

方法の選択に関するガイダンス

注意点 — その結果の限界について議論

2. ステークホルダー向けHTMLプロジェクトブリーフ

ソーシャルメディアマーケティング会社で、特定の短尺リールキャンペーンのコンテンツエンゲージメント予測モデルを開発していると仮定してください。ただし、モデルが期待通りに動作していません。そのため、あなたと他のデータサイエンティストはモデル改善のための2か月間の計画を立てました。しかし、技術的でないステークホルダーはしばしば不耐烦で、なぜ投稿が当初期待されたほどのパフォーマンスを示さないのか理解できません。彼らは今週中に改善を望んでいます（データサイエンティストが知っているように、これはしばしば現実的ではない期限です）。

プロジェクトの状況、タイムライン、および期待を明確かつ読みやすい形で要約したHTMLプロジェクトブリーフをリンクとして共有できるように作成することで、このコミュニケーションギャップを埋めることができます。

主要なエンティティ:

企業: Towards Data Science

よくある質問:

Claudeのリサーチツールはウェブ検索とどう違いますか？

ウェブ検索はウェブから単一の答えを取得しますが、リサーチは接続されたウェブ検索のシーケンスを実行し、それぞれが前の検索に基づいて行われ、その後引用付きの包括的なレポートを返します。

よくある質問: Claudeのリサーチツールはウェブ検索とどう違いますか？

よくある回答: ウェブ検索はウェブから単一の答えを取得しますが、リサーチは接続されたウェブ検索のシーケンスを実行し、それぞれが前の検索に基づいて行われ、その後引用付きの包括的なレポートを返します。

Um par de meses atrás eu escrevi sobre 3 habilidades do Claude que todo cientista de dados precisa aprender em 2026: Dashboards do Claude, Claude Cowork para priorizar tickets do Jira e depuração com o Claude Code. Mas esses casos de uso apenas arranham a superfície. Há muitas outras maneiras pelas quais o Claude pode reduzir o trabalho repetitivo e liberar tempo para as partes do trabalho que realmente precisam de uma pessoa. Então, aqui estão 4 mais.

1. Pesquisa aprofundada para comparar abordagens de modelagem

Quando você faz uma pergunta ao Claude, ele obtém informações de uma de três fontes: seus próprios dados de treinamento e conhecimento, pesquisa na web ou pesquisa aprofundada. Tanto a pesquisa na web quanto a pesquisa aprofundada precisam estar ativadas. A pesquisa na web consulta a web para obter uma resposta única para sua pergunta. Mas a pesquisa aprofundada executa uma sequência de pesquisas na web conectadas por si mesma, cada uma baseada no que a anterior encontrou. Em seguida, ela retorna um relatório abrangente com citações.

Como usar o modo de pesquisa no Claude: Clique no botão + no canto inferior esquerdo da janela de chat. Selecione Pesquisa (um indicador azul confirma que está ativo). Se o Claude não ativá-lo automaticamente em uma pergunta que o requer, diga diretamente: "Claude, por favor, use a ferramenta de pesquisa para..."

Aqui estão alguns casos de uso reais da ferramenta de pesquisa aprofundada do Claude para cientistas de dados:

Problema: Você é novo na construção de sistemas de IA agente e precisa entender as melhores práticas atuais para avaliar se um agente está pronto para produção antes de implantá-lo pela primeira vez.

Prompt de Pesquisa Aprofundada do Claude: Resuma as melhores práticas atuais e os frameworks de avaliação para testar agentes de IA antes da implantação em produção. Aborde os modos comuns de falha, como loops, uso indevido de ferramentas e ações alucinadas, e explique como as equipes medem a confiabilidade antes do envio. Cite artigos recentes, benchmarks publicados ou abordagens documentadas de laboratórios de IA.

Problema: Decidir se deve reconstruir um modelo de previsão de produção em torno de uma abordagem mais nova ou manter a configuração de aumento de gradiente já em execução.

Prompt de Pesquisa Aprofundada do Claude: Compare os métodos estatísticos clássicos de previsão (SARIMA, suavização exponencial) com o aumento de gradiente e os modelos baseados em transformadores para a previsão de carga de energia por hora. Para cada abordagem, resuma a precisão em horizontes de vários dias, os requisitos de volume de dados e os modos de falha documentados. Cite artigos específicos ou benchmarks.

Problema: Decida qual método de detecção de outliers aplicar a um novo conjunto de dados com padrões sazonais fortes antes de chegar a um modelo de produção.

Prompt de Pesquisa Aprofundada do Claude: Compare os métodos z-score, IQR e floresta de isolamento para detecção de outliers em dados de séries temporais sazonais. Resuma onde cada método tende a produzir falsos positivos, o custo computacional em escala e a orientação documentada para escolher entre eles. Cite fontes específicas.

Para este último, o Claude retornou um documento organizado com as seguintes seções:

TLDR/Resumo

Visão geral dos métodos — explica o que são z-score, IQR e florestas de isolamento e como eles funcionam

Padrões de falsos positivos por método (em contexto sazonal)

Custo computacional e escalabilidade

Orientação para a tomada de decisão: escolher entre os métodos

Advertências — discute as limitações de suas descobertas

2. Brief de projeto HTML para partes interessadas

Imagine que você trabalha para uma empresa de marketing de mídia social onde você tem trabalhado em um modelo de previsão de engajamento de conteúdo para uma campanha específica de reels de curta duração. Porém, o modelo não está funcionando como esperado. Então você e outros cientistas de dados elaboram um plano de 2 meses para melhorias no modelo. Mas as partes interessadas não técnicas costumam ser impacientes e não entendem por que as postagens não estão tendo o desempenho esperado inicialmente. Elas querem melhorias nesta semana (o que, como os cientistas de dados sabem, geralmente é um prazo irrealista).

Criar um brief de projeto HTML que possa ser compartilhado como um link ajuda a preencher essa lacuna de comunicação ao fornecer um resumo limpo e legível do status do projeto, cronograma e expectativas.

Entidades-chave:

Empresas: Towards Data Science

Perguntas frequentes:

Como a ferramenta de pesquisa aprofundada do Claude difere da pesquisa na web?

A pesquisa na web recupera uma resposta única da web, enquanto a pesquisa aprofundada executa uma sequência de pesquisas na web conectadas, cada uma baseada na anterior, e então retorna um relatório abrangente com citações.

Pergunta frequente: Como a ferramenta de pesquisa aprofundada do Claude difere da pesquisa na web?

Resposta frequente: A pesquisa na web recupera uma resposta única da web, enquanto a pesquisa aprofundada executa uma sequência de pesquisas na web conectadas, cada uma baseada na anterior, e então retorna um relatório abrangente com citações.

Пару месяцев назад я писал о 3 навыках Claude, которые каждый данные ученый должен изучить в 2026 году: Claude Dashboards, Claude Cowork для приоритизации задач в Jira и отладка с помощью Claude Code. Но эти варианты использования лишь царапают поверхность. Существует множество других способов, с помощью которых Claude может сократить повторяющуюся работу и освободить время для тех частей работы, которые действительно требуют участия человека. Поэтому вот еще 4 навыка.

1. Глубокое исследование для сравнения подходов к моделированию

Когда вы задаете вопрос Claude, он берет информацию из одного из трех источников: собственных данных обучения и знаний, веб-поиска или глубокого исследования. И веб-поиск, и глубокое исследование должны быть включены. Веб-поиск запрашивает веб для получения одного ответа на ваш вопрос. Но глубокое исследование выполняет последовательность связанных веб-поисков самостоятельно, каждый из которых строится на том, что нашел предыдущий. Затем он возвращает всесторонний отчет с цитатами.

Как использовать режим исследования в Claude: нажмите кнопку + в левом нижнем углу окна чата. Выберите Исследование (синий индикатор подтверждает, что оно активно). Если Claude не активирует его автоматически на вопросе, который требует этого, скажите прямо: «Claude, пожалуйста, используй инструмент исследования для...»

Вот несколько реальных примеров использования инструмента глубокого исследования Claude для данных ученых:

Проблема: Вы новичок в создании агентных ИИ-систем и вам нужно понять текущие лучшие практики оценки готовности агента к производству перед его первым развертыванием.

Запрос глубокого исследования Claude: Сведите вместе текущие лучшие практики и рамки оценки для тестирования ИИ-агентов перед развертыванием в производстве. Охватите распространенные режимы отказа, такие как зацикливание, неправильное использование инструментов и галлюцинации действий, и объясните, как команды измеряют надежность перед отгрузкой. Ссылайтесь на недавние статьи, опубликованные бенчмарки или документированные подходы из лабораторий ИИ.

Проблема: Решите, следует ли перестроить производственную модель прогнозирования вокруг более нового подхода или оставить уже запущенную конфигурацию градиентного бустинга.

Запрос глубокого исследования Claude: Сравните классические статистические методы прогнозирования (SARIMA, экспоненциальное сглаживание) с градиентным бустингом и моделями на основе трансформеров для прогнозирования часовой нагрузки энергии. Для каждого подхода подведите итоги точности на многодневных горизонтах, требований к объему данных и документированных режимов отказа. Ссылайтесь на конкретные статьи или бенчмарки.

Проблема: Решите, какой метод обнаружения выбросов применить к новому набору данных с сильными сезонными паттернами перед его подачей в производственную модель.

Запрос глубокого исследования Claude: Сравните методы z-score, IQR и изолирующего леса для обнаружения выбросов в сезонных временных рядах. Подведите итоги, где каждый метод склонен давать ложные срабатывания, вычислительная сложность в масштабе и документированные рекомендации по выбору между ними. Ссылайтесь на конкретные источники.

Для этого последнего Claude вернул организованный документ со следующими разделами:

TLDR/Сводка

Обзор методов — объясняет, что такое z-score, IQR и изолирующие леса и как они работают

Паттерны ложных срабатываний по методам (в сезонном контексте)

Вычислительная сложность и масштабируемость

Руководство по принятию решений: выбор между методами

Оговорки — обсуждает ограничения своих выводов

2. HTML-бриф проекта для заинтересованных сторон

Допустим, вы работаете в компании по маркетингу в социальных сетях, где вы разрабатывали модель прогнозирования вовлеченности контента для конкретной кампании коротких роликов. Однако модель работает не так, как ожидалось. Тогда вы и другие данные ученые составили план на 2 месяца для улучшения модели. Но нетехнические заинтересованные стороны часто нетерпеливы и не понимают, почему посты не работают так хорошо, как ожидалось изначально. Они хотят улучшений на этой неделе (что, как знают данные ученые, часто является нереалистичным сроком).

Создание HTML-брифа проекта, которым можно поделиться по ссылке, помогает преодолеть этот разрыв в коммуникации, предоставляя чистый и читаемый обзор статуса проекта, графика и ожиданий.

Ключевые сущности:

Компании: Towards Data Science

Часто задаваемые вопросы:

В чем отличие инструмента глубокого исследования Claude от веб-поиска?

Веб-поиск извлекает один ответ из веба, тогда как глубокое исследование выполняет последовательность связанных веб-поисков, каждый из которых строится на предыдущем, и затем возвращает всесторонний отчет с цитатами.

Часто задаваемый вопрос: В чем отличие инструмента глубокого исследования Claude от веб-поиска?

Часто задаваемый ответ: Веб-поиск извлекает один ответ из веба, тогда как глубокое исследование выполняет последовательность связанных веб-поисков, каждый из которых строится на предыдущем, и затем возвращает всесторонний отчет с цитатами.

几个月前我写过关于数据科学家在 2026 年需要学习的 3 项 Claude 技能：Claude Dashboards、Claude Cowork 用于优先处理 Jira 工单、使用 Claude Code 进行调试。但这些用例仅仅是冰山一角。Claude 还有许多其他方式可以减少重复工作，腾出时间来处理真正需要人工参与的工作部分。因此，这里再补充 4 项。

1. 用于比较建模方法的深度研究

当你向 Claude 提问时，它会从以下三个来源之一获取信息：其自身的训练数据和知识、网络搜索、研究模式。网络搜索和研究模式都需要被启用。网络搜索会为你的问题查询网络以获得单一答案。但研究模式会自行执行一系列相互连接的网络搜索，每次搜索都基于上一次的结果。随后它会返回一份带有引用的综合报告。

如何在 Claude 中使用研究模式：点击聊天窗口左下角的 + 按钮。选择 Research（蓝色指示器确认其已激活）。如果 Claude 在需要时没有自动触发它，请直接说："Claude，请使用研究工具..."

以下是 Claude 研究工具在数据科学中的一些真实用例：

问题：你刚开始构建 agentic AI 系统，需要了解评估代理是否准备好投入生产的当前最佳实践，在首次发布前进行评估。

Claude Deep Research 提示：总结在生产部署前测试 AI 代理的当前最佳实践和评估框架。涵盖常见失败模式，如循环、工具误用和幻觉行为，以及团队如何在发布前衡量可靠性。引用最近的论文、发表的基准测试或 AI 实验室的文档方法。

问题：决定是围绕一种更新的方法重建生产预测模型，还是保持已经运行的梯度提升设置。

Claude Deep Research 提示：比较经典统计预测方法（SARIMA、指数平滑）与梯度提升和基于变换器的模型在小时级能源负荷预测中的应用。对于每种方法，总结其在多日水平上的准确性、数据量需求以及 documented failure modes。引用具体的论文或基准测试。

问题：决定在将新数据集送入生产模型之前，应用哪种异常值检测方法来处理具有强季节性模式的数据集。

Claude Deep Research 提示：比较 z-score、IQR 和隔离森林方法在季节性时间序列数据中的异常值检测效果。总结每种方法在何种情况下容易产生假阳性、大规模下的计算成本，以及在它们之间选择的 documented 指导。引用具体来源。

对于最后一个问题，Claude 返回了一份结构化文档，包含以下章节：

TLDR/摘要

方法概述 — — 解释 z-score、IQR 和隔离森林是什么以及它们如何工作

每种方法的假阳性模式（在季节性背景下）

计算成本和可扩展性

决策指导：在方法之间进行选择

注意事项 — — 讨论其发现的局限性

2. 面向利益相关者的 HTML 项目简报

假设你在一家社交媒体营销公司工作，你一直在为一个特定的短视频卷帘活动开发内容参与度预测模型。然而，该模型的表现未达预期。因此，你和其他数据科学家制定了一个为期两个月的模型改进计划。但非技术利益相关者往往不耐烦，且不理解为什么帖子的表现未如最初所期望。他们希望在这一周内看到改进（正如数据科学家所知，这通常是一个不切实际的截止日期）。

创建一个可作为链接共享的 HTML 项目简报，有助于弥补这一沟通鸿沟，通过提供项目状态、时间线和期望的清晰、可读摘要。

关键实体：

公司：Towards Data Science

常见问题：

Claude 的研究工具与网络搜索有何不同？

网络搜索从网络中提取单一答案，而研究工具则执行一系列相互连接的网络搜索，每次搜索都基于上一次的结果，最后返回一份带有引用的综合报告。