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。

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。

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

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。

这是一种系统化搜索最佳模型配置参数组合以最大化验证数据上性能的过程，涉及网格搜索、随机搜索、贝叶斯优化等多种调优方法，以及对不同模型类型的超参数进行调优，如树模型、神经网络、SVM等。

这个技能专注于优化机器学习推理的延迟、减少模型大小、实现模型压缩技术（如量化、剪枝、蒸馏）、设计推理缓存策略，以及边缘部署模式。适用于需要提升推理速度、减少资源消耗的场景，特别是在边缘设备或高性能云环境中。关键词：机器学习、推理优化、模型压缩、边缘计算、延迟降低、缓存策略、硬件加速。

这项技能涉及向量数据库的性能优化，包括HNSW参数调整、分块策略、混合搜索配置等，以提高RAG和语义搜索的性能。

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。

这项技能涉及使用Flask、FastAPI、Docker等技术将训练好的机器学习模型部署到生产环境，包括REST API、批量处理、实时流处理、无服务器、边缘部署和模型服务等。

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

Scikit-learn 是一个 Python 的机器学习库，用于数据分析和预测建模，支持分类、回归、聚类、降维、预处理、模型评估和超参数调优。关键词：机器学习，Python，数据分析，预测建模，scikit-learn，分类，回归，聚类。

FAIRChem是一个用于材料科学和量子化学的机器学习框架，提供预训练的UMA模型和ASE集成，支持快速能量、力、应力预测，适用于催化、分子、晶体、MOFs等模拟和优化，加速计算并提高效率。关键词：机器学习、材料科学、量子化学、UMA模型、ASE集成、模拟预测、催化研究、几何优化、分子动力学。