该技能面向系统化的机器学习实验管理，提供实验记录、版本管理与可复现性方面的实践指导。
主要能力
实验跟踪：覆盖 MLflow、Weights & Biases（wandb）、Neptune、Comet 等工具。 数据版本管理：覆盖 DVC、Delta Lake、LakeFS。 模型注册表：对已训练模型进行版本控制。 可复现性：跟踪环境、代码、数据与超参数。
需要记录的内容
每个实验应记录：代码（Git commit hash、分支、diff，用于复现确切的代码状态）；数据（数据集版本、哈希、血缘，用于知晓使用了哪些数据）；环境（Python 版本、依赖、硬件，用于复现运行时）；超参数（所有配置值，用于理解变更点）；指标（损失、准确率、自定义指标，用于对比性能）；产物（模型、图表、预测结果，用于保留输出）。
实验组织
给出了项目目录示例：experiments 下按 baseline、feature-engineering、architecture、hyperparameter 分类；data 下分 raw、processed、features；models 下分 staging、production。
MLflow 使用模式
基础实验记录：设置实验后启动 run，记录参数（如 learning_rate、batch_size、epochs），在训练循环中按 step 记录指标（train_loss、val_loss、val_accuracy），记录模型（如 mlflow.pytorch.log_model）以及图表和配置文件等产物。 模型注册表工作流：训练运行 → Staging 评审 → Production 部署；阶段包括 None（仅记录未注册）、Staging（生产候选）、Production（在线服务）、Archived（历史参考）。
Weights & Biases 使用模式
项目结构：通过 wandb.init 传入 project、group（对相关 run 分组）、tags、config、notes；训练中通过 wandb.log 记录指标，并记录图像（wandb.Image）与混淆矩阵（wandb.plot.confusion_matrix）等媒体。 超参数扫描：给出 sweep 配置示例，method 可选 bayes、grid、random，metric 指定名称与目标，parameters 支持 log_uniform_values、离散取值等分布，并可配置 early_terminate（如 hyperband）。
DVC 数据版本管理
初始化与使用：在 git 仓库中 dvc init，用 dvc add 跟踪大文件并提交 .dvc 文件，配置远程存储（如 S3）并 dvc push，用 dvc run 定义预处理等流水线，用 dvc repro 复现流水线。 流水线定义：dvc.yaml 中定义 stages（如 preprocess、train），声明 cmd、deps、outs、params 与 metrics。
可复现性检查清单
代码：为每个实验固定 git commit，跟踪未提交变更（git diff），对 notebook 做版本控制（nbstripout），记录手动步骤。 环境：锁定依赖（pip freeze、poetry.lock），指定 Python 版本，记录 CUDA/GPU 需求，使用容器实现完整隔离。 数据：用 DVC 等对数据集做版本控制，记录数据采集过程，跟踪预处理步骤，保存训练/验证/测试划分索引。 训练：设置随机种子（Python、NumPy、PyTorch/TF），记录全部超参数，保存模型检查点，记录非确定性操作。
最佳实践
命名规范：experiment 采用 {project}-{objective}，run 采用 {date}-{description}-{variant}，model 采用 {architecture}-{dataset}-{version}，并给出示例。 对比看板：跟踪主指标（优化目标）、次指标（约束）、资源使用（训练时间、内存）、推理性能（延迟、吞吐）。 实验文档：每个重要实验应记录假设（改了什么、预期结果）、方法（实际做了什么）、结果（指标与观察）、结论（学到了什么、下一步）。
参考资料
references/mlflow-setup.md（MLflow 安装与配置）、references/wandb-patterns.md（W&B 高级特性与扫描）、references/reproducibility-checklist.md（详细可复现性指南）。
限制说明
该资料未提供具体的收费、价格、支持平台或实际使用效果等信息。