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。

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。

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。

Pymoo是一个Python多目标优化框架，提供NSGA-II、NSGA-III、MOEA/D等先进算法，用于解决单目标和多目标优化问题，支持约束处理、基准测试（如ZDT、DTLZ）、遗传算子定制和多标准决策制定，适用于工程设计、量化金融、机器学习等领域的优化任务。关键词：多目标优化、Python框架、NSGA-II、Pareto前沿、约束处理、进化算法、工程设计、量化策略。

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。

聚类分析是一种无监督学习方法，用于将数据集划分为由相似对象组成的多个组或聚类。它在市场细分、客户行为分析、图像识别等领域有着广泛的应用。

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。

这是一个专门针对CUDA统一内存和内存预取优化的专家技能。该技能提供AI驱动的统一内存操作，包括：配置托管内存分配、实现内存预取策略、处理页面错误分析、配置内存提示和建议、分析统一内存迁移、针对超额订阅场景进行优化以及比较托管与显式内存性能。

UMAP降维技能是一种快速非线性流形学习技术，用于高维数据的2D/3D可视化、聚类预处理、监督学习和特征工程。关键词：UMAP, 降维, 可视化, 聚类, 机器学习, 数据科学, 特征工程, 非线性学习, 高维数据分析。

本技能集专为构建和运维企业级AI/ML系统而设计，核心能力包括：机器学习模型生产化部署、MLOps全流程实施、可扩展机器学习平台搭建、大语言模型集成与微调、RAG系统开发、AI智能体应用。关键词：机器学习工程，MLOps，模型部署，大语言模型集成，RAG系统，AI智能体，生产级AI系统，可扩展架构，特征存储，模型监控。

本技能提供时间序列预测的现代操作模式、模板和决策规则，涵盖AI和机器学习方法如LightGBM、Transformers、RNNs，以及特征工程、生成式AI（如Chronos）、时间验证、回测和生产部署。强调可解释性、长期依赖处理和自适应预测，适用于数据科学、量化金融和AI应用场景。关键词：时间序列预测、AI预测模型、机器学习模板、特征工程、回测系统、生产部署、可解释AI、生成式时间序列、概率预测。

Trackio是一个机器学习实验跟踪技能，用于记录和可视化训练指标，支持Python API和CLI接口，可同步到Hugging Face Spaces进行实时监控，提供JSON输出便于自动化处理，关键词包括机器学习、实验跟踪、日志记录、可视化、Hugging Face Spaces、自动化。