MLOps（机器学习操作化）技能提供从实验到生产的机器学习模型部署和监控的完整生命周期管理。涵盖实验跟踪、模型注册、特征存储、服务部署、管道编排和监控等关键方面，适用于构建生产级ML基础设施、选择MLOps平台、实施持续训练管道和建立模型治理。关键词：MLOps，机器学习操作，模型部署，自动化管道，实验跟踪，特征存储，模型服务，监控，漂移检测，CI/CD。

GPU并行算法设计模式与实现，包括并行归约、扫描/前缀和、直方图、并行排序、流压缩等高效算法

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。

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。

MLOps工程师是专注于机器学习运维的专业角色，负责连接数据科学与DevOps，实现ML模型从开发到生产部署的全流程自动化与管理。核心工作包括构建和优化ML流水线、实施模型版本控制与注册、管理特征存储、部署生产环境ML服务，以及持续监控模型性能与数据漂移。关键词：机器学习运维，MLOps，ML流水线，模型部署，特征存储，模型版本控制，ML监控，Kubeflow，MLflow，CI/CD，自动化，生产环境。

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

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。

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。

DVC数据集版本控制技能，专为机器学习与数据科学工作流设计，提供数据版本追踪、变更管理、管道自动化及实验可复现性保障。核心功能包括数据血缘追踪、远程存储同步、缓存优化与实验对比，适用于数据工程、模型训练及特征工程等场景，提升团队协作效率与项目可维护性。关键词：DVC版本控制、数据管道、机器学习可复现性、数据血缘追踪、远程存储管理、实验管理、数据工程、MLOps。

BAML 集成技能是一套通用的模式，用于在任何项目中与边界机器学习（BAML）合作，提供类型安全的大语言模型（LLM）提示和自动代码生成，支持 Python 和 TypeScript，适用于跨语言代码生成和客户端包装。

DeepChem化学机器学习技能是一个全面的Python库，专为化学、材料科学和生物学领域的机器学习应用设计。它支持分子数据加载与处理、多样分子特征化方法（如指纹、图表示）、模型训练与评估，特别适用于分子属性预测（ADMET、毒性）、药物发现、材料设计和生物分子分析。提供预训练模型（如ChemBERTa、GROVER）和MoleculeNet基准数据集，方便快速实验和性能评估。关键词：DeepChem、化学机器学习、分子特征化、图神经网络、预训练模型、药物发现、材料科学、MoleculeNet基准。

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。