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。

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。

TensorBoard是Google开发的机器学习可视化工具，用于可视化训练指标、调试模型、比较实验、可视化模型图和性能分析，支持PyTorch和TensorFlow框架。关键词：TensorBoard、机器学习、可视化、训练指标、模型调试、深度学习、实验跟踪、性能分析。

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。

该技能用于设计端到端机器学习系统架构，涵盖数据摄入、特征工程、模型训练、推理服务、监控和实验等全流程，适用于推荐系统、欺诈检测、搜索排名等多种机器学习问题。关键词：机器学习、系统设计、管道架构、AI应用、ML pipeline。

这是一个用于在线和离线特征服务、特征注册以及确保机器学习系统中训练-服务一致性的特征存储管理技能。关键词包括：特征存储、Feast、Redis、PostgreSQL、BigQuery、Snowflake、Parquet文件。

贝叶斯网络分析器是一个用于构建、分析和推理贝叶斯网络的技能工具。它专注于概率推理、因果效应分析和信念更新，帮助用户在不确定的商业环境中进行数据驱动的决策。核心功能包括从数据中学习网络结构、估计条件概率、执行多种推理查询（如边缘概率、条件概率、最可能解释）、进行因果分析以及网络可视化。该工具集成了多种算法库，适用于决策智能、定量分析和商业预测等场景。 关键词：贝叶斯网络，概率推理，因果分析，信念更新，决策智能，定量分析，网络结构学习，条件概率表，可视化，不确定性决策

Molfeat是一个用于分子特征化的Python库，提供100多种特征化器，包括指纹、描述符和预训练模型，支持将化学结构转换为数值特征，适用于机器学习和深度学习任务，如QSAR建模、虚拟筛选和相似性搜索。关键词：分子特征化、机器学习、深度学习、QSAR、虚拟筛选、Python库、化学信息学、数据科学、人工智能应用。

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。

LIME解释器是基于LIME（局部可解释模型无关解释）算法的AI模型解释工具，专门用于机器学习模型的可解释性分析。该技能能够为表格数据、文本分类和图像分类的个体预测提供局部解释，帮助用户理解黑盒模型的决策依据。通过特征重要性分析、局部替代模型和可视化输出，提升模型透明度、可信度和调试效率。适用于模型验证、合规审计和业务决策支持场景。

Kubeflow Pipelines执行器技能，专注于机器学习工作流编排、组件管理和Kubernetes原生机器学习操作。提供完整的MLOps解决方案，包括管道定义、编译、运行、调度、版本控制和可视化功能。关键词：Kubeflow Pipelines，机器学习工作流，MLOps，Kubernetes，管道编排，模型训练，模型部署，分布式训练，Argo Workflows，云原生机器学习。

Ray Train 是一个分布式训练框架，用于在多节点集群上编排机器学习训练任务，支持PyTorch、TensorFlow和HuggingFace，内置超参数调优、容错和弹性扩展功能，适用于大规模模型训练和分布式超参数搜索。关键词：分布式训练，机器学习，PyTorch，TensorFlow，HuggingFace，超参数调优，容错，弹性扩展，多节点，Ray Tune。