向量搜索模式是一种利用向量嵌入和数据库进行语义搜索的技术，它通过将文本或图像转换为向量，然后在高维空间中测量向量之间的相似性来工作。这项技术适用于需要基于内容含义而非关键词进行搜索的场景，如语义文档搜索、产品推荐、问题回答等。关键词包括向量嵌入、语义搜索、相似性比较、机器学习模型。

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。

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。

Aeon 是一个全面的 Python 时间序列机器学习工具包，专为分类、回归、聚类、预测、异常检测、分割和相似性搜索设计。适用于股票价格预测、ECG 分类、传感器数据分析和量化交易等任务。关键词：时间序列、机器学习、Python、预测、分类、异常检测、量化金融。

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。

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。

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。

模型卡生成器是一个遵循谷歌模型卡框架的自动化文档工具，用于为机器学习模型创建标准化、全面的技术文档。该技能能自动生成包含模型详情、预期用途、性能指标、伦理考量、局限性和版本历史等关键部分的模型卡，支持HTML、Markdown和JSON多种输出格式，旨在提升机器学习项目的透明度、可解释性和可维护性。关键词：模型卡，机器学习文档，模型可解释性，AI伦理，模型评估，自动化文档，MLOps，模型治理。

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。

MLflow是一个框架无关的机器学习生命周期管理平台，用于跟踪机器学习实验、管理模型注册表、部署模型到生产环境和重现实验。它支持多种ML框架如PyTorch、TensorFlow、Scikit-Learn，并集成团队协作、自动记录、版本控制和SEO关键词包括机器学习、AI、模型部署、实验跟踪、MLOps。

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。