权重与偏置（W&B）是一个机器学习实验跟踪与MLOps平台，用于自动记录实验指标、实时可视化训练过程、优化超参数、管理模型注册和协作团队项目。关键词：机器学习实验跟踪，MLOps，W&B，超参数扫描，模型管理，协作工具，AI开发。

机器学习管道自动化是指通过自动化的方式，从数据采集到模型部署的整个机器学习工作流程，以确保流程的可复现性、可扩展性和可靠性。

本技能专注于使用Rust编程语言高效构建和部署机器学习与人工智能应用。涵盖关键领域约束如内存效率、GPU加速、模型可移植性，并提供具体的设计模式、推荐框架（如candle, tract, tch-rs）和代码实现。适用于需要在Rust生态系统中实现高性能模型推理、训练以及数据处理管道的开发者。关键词：Rust机器学习，AI模型部署，高性能推理，GPU加速，ONNX，批处理，内存优化，tract，candle，tch-rs，量化交易AI基础设施。

概率分析工具包是用于分析随机化算法的专业工具，提供基于概率论和集中不等式的数学分析框架。该工具包支持期望值计算、切尔诺夫界、霍夫丁界、马尔可夫不等式、切比雪夫不等式等关键概率工具的应用，帮助算法工程师和研究人员评估随机算法的性能保证、失败概率和收敛速度。适用于算法复杂度分析、机器学习理论、密码学、分布式系统等需要严格概率保证的领域。 关键词：随机化算法分析，概率论工具，集中不等式，切尔诺夫界，霍夫丁界，算法复杂度，概率保证，期望值计算，矩生成函数，拉斯维加斯算法，蒙特卡洛算法

此技能用于机器学习模型的可解释性分析，通过SHAP值解释模型预测、计算特征重要性、生成可视化图表，帮助用户理解模型行为、调试模型、分析公平性，并实现可解释AI。关键词：SHAP、机器学习、可解释性、特征重要性、模型解释、AI解释性、数据科学、人工智能、量化交易、风险评估。

TorchDrug 是一个基于 PyTorch 的机器学习工具箱，专注于药物发现和分子科学领域。它提供图神经网络模型、预训练架构和多种任务定义，用于分子属性预测、蛋白质建模、知识图谱推理、分子生成和逆合成规划等应用。包含 40+ 数据集和 20+ 模型架构，支持化学、生物学和生物医学图的机器学习工作流程。关键词：药物发现、机器学习、图神经网络、PyTorch、分子属性预测、蛋白质建模、生物医药、AI 应用。

构建协同和基于内容的推荐引擎，用于产品推荐、个性化和提高用户参与度

本技能是关于机器学习全生命周期的综合指南，涵盖从问题定义、数据准备、模型选择、训练评估到生产部署与监控的完整流程。关键词：机器学习、MLOps、模型训练、特征工程、超参数调优、模型部署、A/B测试、数据漂移、模型版本管理、CI/CD。

JAX是一个Python库，专注于高性能数值计算，支持自动微分、即时编译（JIT）、向量化和GPU/TPU加速，适用于机器学习、深度学习和科学计算等场景。核心功能包括变换组合（grad、jit、vmap、pmap）、PyTrees处理以及优化循环模式。关键词：JAX, 自动微分, 高性能计算, 机器学习, 深度学习, Python, GPU加速, 数值优化, 科学计算, AI框架。

gpu-benchmarking是一个专门用于自动化GPU性能基准测试和回归检测的技能。它能够设计微基准测试、测量内核执行时间、计算实际与理论性能、生成性能比较报告、在CI/CD中检测性能回归、分析功耗和热特性、基准测试内存带宽和延迟，并创建可复现的基准测试配置。

该技能专注于将机器学习模型生产化，涉及MLOps、模型部署、特征存储、监控等关键领域。核心能力包括LLM集成、微调、RAG系统和智能代理AI，适用于构建可扩展的AI/ML系统和集成大语言模型到生产环境中。关键词：ML工程、生产化、MLOps、模型部署、特征存储、模型监控、LLM集成、RAG系统、智能代理AI、分布式计算、云部署。

SHAP技能用于机器学习模型的可解释性和解释性，通过SHAP值计算特征重要性、生成各种图表（如瀑布图和蜂群图）、调试模型、分析偏差和公平性。支持树模型、深度学习模型和线性模型，是实现可解释AI的关键工具。关键词：模型解释、可解释AI、SHAP值、特征重要性、机器学习、数据可视化、偏差分析、深度学习、树模型、线性模型。