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。

Aeon 是一个兼容 scikit-learn 的 Python 工具包，专门用于时间序列机器学习，支持分类、回归、聚类、预测、异常检测、分割和相似性搜索等任务，适用于处理时间序列数据，提供先进的算法和特征提取功能，帮助进行数据分析和预测建模。关键词：时间序列分析、机器学习、Python、分类、回归、聚类、预测、异常检测、数据科学、深度学习。

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。

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。

变分量子分类器训练器是一种专注于量子机器学习（QML）的专业技能，用于训练基于变分量子电路的分类模型。它涵盖数据编码、量子电路设计、梯度优化（如SPSA和Adam）、超参数调优、过拟合检测和学习曲线分析等关键环节，适用于量子计算与人工智能交叉领域的研究和应用。关键词：量子机器学习、变分量子分类器、数据编码、梯度优化、量子电路、超参数调优、过拟合检测、交叉验证。

UMAP降维学习是一种用于高维数据的非线性维度降维技术，适用于数据可视化、聚类预处理和机器学习特征工程。它通过保留数据的局部和全局结构，支持监督学习、参数化UMAP和与HDBSCAN等算法的集成。关键词：UMAP、降维、可视化、机器学习、数据科学、聚类、HDBSCAN、参数调优、特征工程、维度降维。

Alibi模型解释器是一个专业的AI模型可解释性工具，提供反事实解释、锚点规则、信任分数等多种解释方法，帮助用户理解机器学习模型的决策过程。该技能支持集成梯度、SHAP、CEM等先进技术，适用于模型审计、合规验证和决策透明度提升。关键词：模型可解释性、AI解释器、反事实解释、锚点规则、信任分数、机器学习透明度、模型审计、XAI、Alibi、SHAP、CEM。

量子核估计器是用于量子机器学习的关键技能，专注于通过量子计算实现高效的核方法。该技能提供量子特征映射设计、量子核矩阵计算、核对齐优化以及与经典机器学习算法（如支持向量机）的集成。适用于需要利用量子优势处理高维数据、复杂模式识别和优化问题的场景，为量子增强的机器学习提供核心计算能力。 关键词：量子机器学习，量子核方法，量子特征映射，核矩阵计算，支持向量机，量子优势，核对齐优化，量子计算，Qiskit，PennyLane

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。

这个技能用于构建和优化大型语言模型输出的评估系统，包括自动化评估管道、比较模型响应、创建评分标准等，关键词包括LLM评估、自动化质量评估、偏见减轻。

这个技能用于在机器学习项目中设计和实施可扩展的架构，通过工厂和注册模式来动态创建和管理数据集、模型、数据增强等可注册组件，支持项目模块化和扩展性。关键词：机器学习架构，工厂模式，注册模式，组件注册，设计模式，ML项目开发

Arboreto是一个用于从基因表达数据推断基因调控网络（GRN）的计算库，采用可扩展机器学习算法如GRNBoost2和GENIE3。适用于转录组学数据分析，包括批量RNA-seq和单细胞RNA-seq，以识别转录因子与靶基因的调控关系。支持分布式计算处理大规模数据集，提高分析效率。关键词：基因调控网络、GRN、基因表达数据、转录因子、GRNBoost2、GENIE3、单细胞RNA-seq、分布式计算、机器学习推断。