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。

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。

SHAP模型可解释性技能，用于机器学习模型的特征重要性分析、可视化解释和交互效应评估。提供SHAP值计算、特征归因、汇总图、依赖图、力图、瀑布图等多种分析功能，支持树模型、神经网络和通用模型的解释，帮助数据科学家和AI工程师理解模型决策、验证模型效果并进行模型调试。关键词：SHAP，模型可解释性，特征重要性，机器学习解释，AI模型分析，XAI，特征归因，可视化分析。

W&B实验跟踪器是一款专为机器学习与深度学习项目设计的集成技能，用于高效管理实验全生命周期。它提供实验日志记录与可视化、超参数自动扫描优化、模型与数据集工件版本控制、团队协作以及自定义报告生成等功能。核心关键词包括：机器学习实验跟踪、深度学习超参数调优、W&B集成、模型版本管理、AI实验可视化、团队协作平台。

DeepChem 是一个用于化学、材料科学和生物学的 Python 机器学习库，专注于分子性质预测（如溶解度、毒性）、药物发现、材料设计和生物分子分析。它提供分子特征化、图神经网络（GNNs）、预训练模型和 MoleculeNet 基准数据集，支持迁移学习和深度学习应用。关键词：机器学习、化学、药物发现、分子性质预测、图神经网络、Python 库。

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。

对称性发现问卷是一个用于帮助机器学习工程师识别数据中隐藏对称性的结构化协作技能。通过域分析、变换测试和物理约束识别，发现对称性以提升模型性能，如样本效率、收敛速度和泛化能力。关键词：对称性发现、数据对称性、机器学习、变换测试、模型优化。

本技能涉及使用scikit-learn、PyTorch和TensorFlow构建和训练机器学习模型，包括分类、回归和聚类任务。关键词包括：数据准备、特征工程、模型选择、超参数调优、模型验证和部署。

Kaggle学习者技能是一个专为机器学习和数据科学领域设计的工具，用于提取和应用Kaggle竞赛的获胜方案知识。它覆盖NLP、计算机视觉、时间序列、表格数据和多模态等机器学习领域，提供前排方案详细技术分析、代码模板和最佳实践，帮助用户学习先进技术、优化项目、提升机器学习技能。关键词：Kaggle, 机器学习, 竞赛, 获胜方案, 知识提取, 技术分析, 代码模板, SEO学习工具。

该技能专注于持续学习和适应新技术的开发能力，源自everything-claude-code，帮助开发者在快速变化的技术环境中保持竞争力。关键词：开发技能、持续学习、everything-claude-code、技术提升、软件开发。

Evidently漂移检测器是一个基于Evidently AI的机器学习监控技能，专门用于生产环境中ML系统的数据漂移检测、模型性能监控、目标漂移分析和自动报告生成。该技能支持多种统计检验方法（如KS、PSI、Wasserstein），能够量化漂移幅度、监控性能退化、生成可视化报告，并与ML管道集成实现自动化重训练触发。适用于机器学习运维（MLOps）、模型监控、数据质量保障等场景。关键词：机器学习监控、数据漂移检测、模型性能监控、Evidently AI、MLOps、概念漂移、目标漂移、自动化报告、统计检验、生产环境ML。

本技能涉及向量数据库的使用，包括Pinecone、Qdrant、Weaviate等，以及嵌入策略、相似性搜索、性能优化和生产环境部署。关键词包括向量数据库、嵌入、相似性搜索、性能优化。