机器学习 Skill技能列表
shap-explainerSkill shap-explainer
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。
持续学习技能Skill cc-skill-continuous-learning
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。
人工智能与机器学习Skill brand-statement
人工智能与机器学习技能专注于使用算法和模型使计算机系统能够从数据中自动学习和改进，广泛应用于预测分析、自然语言处理、计算机视觉等领域。关键词包括：AI、机器学习、深度学习、数据科学、模型训练、算法优化、智能系统、人工智能应用。
模型监控Skill ModelMonitoring
模型监控技能用于确保部署在生产环境中的机器学习模型维持良好的性能，通过检测数据漂移、概念漂移和性能退化来实现模型的可靠性和准确性。关键词包括：模型性能、数据漂移、概念漂移、异常检测、机器学习可观测性。
对称性验证套件Skill symmetry-validation-suite
对称性验证套件是一个用于实证测试数据或模型中对称性假设的技能。它提供完整的测试协议、统计指标和工作流程，帮助用户在构建等变架构前验证对称性的正确性，避免因错误假设导致性能下降。关键词：对称性验证、等变性测试、数据验证、模型测试、人工智能、机器学习、深度学习、数据科学。
量子机器学习框架PennyLaneSkill pennylane
PennyLane是一个开源的量子机器学习框架，提供硬件无关的量子电路自动微分、设备独立编程，并与PyTorch、JAX、TensorFlow等经典框架无缝集成。专为变分量子算法（如VQE、QAOA）、量子神经网络和量子化学模拟设计，适用于量子计算研究和应用开发，关键词包括量子计算、机器学习、自动微分、变分算法、量子神经网络。
Ray分布式训练器Skill ray-distributed-trainer
Ray分布式训练器是一个基于Ray框架的分布式计算技能，专门用于并行机器学习训练、大规模超参数搜索和集群资源管理。它支持PyTorch、TensorFlow等主流框架，提供弹性训练、容错检查点和多节点编排功能，能显著加速模型开发和优化流程。关键词：Ray分布式计算，并行训练，超参数搜索，机器学习，集群管理，AI模型优化。
Geniml：基因组间隔机器学习Skill geniml
Geniml是一个用于基因组间隔数据的机器学习技能，适用于BED文件的区域嵌入训练（如Region2Vec）、单细胞ATAC-seq分析（scEmbed）、共识峰构建和联合元数据嵌入（BEDspace）等任务。支持无监督学习、相似性搜索、聚类和下游机器学习应用，专注于生物信息学中的基因组特征学习。关键词：基因组间隔、BED文件、机器学习、单细胞ATAC-seq、嵌入、聚类、共识峰、生物信息学、Python包。
PyTorch部署Skill PyTorchDeployment
这项技能涵盖了如何将 PyTorch 模型部署到生产环境，包括模型导出、优化、服务部署、监控和性能基准测试等关键步骤，是实现深度学习模型从开发到上线的重要指南。
MLflow实验跟踪器Skill mlflow-experiment-tracker
MLflow实验跟踪器是一个机器学习实验管理工具，提供实验跟踪、模型注册、参数记录、指标监控和工件管理功能。支持MLflow API集成，实现自动化实验记录、模型版本控制、运行比较分析和生命周期管理，适用于机器学习工作流程优化和模型部署。关键词：MLflow实验跟踪，机器学习模型管理，实验记录工具，模型注册表，参数指标监控，AI实验管理，MLOps工具，模型版本控制
权重与偏置（Weights&Biases）Skill weights-and-biases
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。
SHAP模型可解释性分析Skill shap
此技能用于机器学习模型的可解释性分析，通过SHAP值解释模型预测、计算特征重要性、生成可视化图表，帮助用户理解模型行为、调试模型、分析公平性，并实现可解释AI。关键词：SHAP、机器学习、可解释性、特征重要性、模型解释、AI解释性、数据科学、人工智能、量化交易、风险评估。