模型优化技能涉及一系列技术，用于在保持准确度的同时减小机器学习模型的大小、提高推理速度。关键技术包括量化、剪枝、知识蒸馏等，旨在实现模型的高效部署。

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。

高级机器学习工程师技能，专注于生产中模型的部署、MLOps流程构建以及大型语言模型的集成。涵盖模型部署、特征存储、漂移监控、RAG系统和成本优化。

此技能提供设计生产机器学习系统的框架，涵盖从数据摄入、特征存储、模型训练到模型服务的完整生命周期，包括MLOps、A/B测试和监控。关键词：ML系统、机器学习管道、特征存储、模型训练、模型服务、MLOps、A/B测试、特征工程、模型部署、生产ML。

Molfeat是一个用于分子特征化的Python库，提供100多种预训练嵌入和手工特征器，可将化学结构转换为数值表示，用于QSAR建模、虚拟筛选、相似性搜索等机器学习任务。关键词：分子特征化、机器学习、化学信息学、QSAR、虚拟筛选、特征提取。

这个技能提供了构建端到端机器学习操作（MLOps）管道的全面指导，涵盖从数据准备到模型训练、验证、部署和监控的全生命周期。它适用于自动化ML工作流、提高模型可复现性和生产部署效率。关键词包括：MLOps、管道编排、数据准备、模型训练、验证、部署、自动化、机器学习。

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。

近似比计算器是一个专注于分析和证明优化算法近似性能的专业工具。它提供LP松弛分析、整数性间隙计算、随机舍入方案设计、近似因子推导等功能，帮助研究人员和工程师评估算法的近似保证，分析PTAS/FPTAS可行性，并研究不可近似性结果。适用于算法设计、复杂性理论研究和优化问题求解。 关键词：近似算法，近似比，LP松弛，整数性间隙，随机舍入，PTAS，FPTAS，不可近似性，优化算法，复杂性理论

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。

模型等效性审核器是一个用于验证机器学习模型是否正确实现对称性（等效性）的技能。它提供系统化的测试方法、层间分析和调试指导，帮助开发者检测和修复模型中的对称性错误，确保模型训练和预测的一致性。关键词：模型等效性、审核、验证、调试、对称性、机器学习、深度学习、AI测试。

数据预处理技能涵盖了从原始数据转换为适合机器学习模型训练的格式的全过程，包括数据清洗、特征工程、归一化、编码分类变量等关键步骤。

这个技能提供了一套全面的指南，用于监控生产环境中的人工智能和机器学习系统，包括大型语言模型（LLMs）、检索-生成（RAG）应用和传统机器学习模型。它涵盖了监控堆栈的搭建、关键性能指标的跟踪、模型性能监控、数据漂移检测、日志记录、追踪技术、告警策略、仪表板配置、A/B测试监控、成本优化等多个方面，是确保AI系统可靠性和性能的关键工具。