ML Engineer 是一个专家级机器学习系统构建技能，覆盖完整的机器学习生命周期。
用途 该技能用于端到端构建机器学习系统，从数据处理到模型部署的各个阶段均可提供支持。其核心定位是帮助使用者系统化地完成 ML 流水线搭建，而非仅提供零散代码片段。
主要能力
- 特征工程：包括特征提取、选择与变换；特征重要性分析（置换重要性、SHAP）；特征存储集成模式；自动化特征生成。
- 模型训练：基线对比（强调始终从基线开始）；交叉验证（k 折、分层、基于时间的划分）；超参数调优（网格搜索、随机搜索、贝叶斯优化）；AutoML 集成（TPOT、Auto-sklearn、H2O）。
- 模型评估：分类指标（accuracy、precision、recall、F1、AUC-ROC）；回归指标（RMSE、MAE、R²、MAPE）；排序指标（NDCG、MAP、MRR）；以及自定义业务指标。
- 可解释性：SHAP 值用于特征重要性；LIME 用于局部解释；部分依赖图；模型无关的可解释性方法。
使用方式 该技能包含一条分块规则：大型 ML 流水线通常超过 1000 行，因此要求每次响应只生成一个阶段，依次为：数据/EDA → 特征 → 训练 → 评估 → 部署。
最佳实践方面，资料给出了示例代码，包括：先训练基线模型（随机、热门度、基于规则等策略），新模型需显著优于基线；使用正确的交叉验证并输出均值与标准差；使用 MLflow 记录参数、指标与模型产物；使用 SHAP 添加可解释性。
框架支持 支持 scikit-learn（RandomForest、XGBoost、LightGBM）、PyTorch（神经网络、自定义架构）、TensorFlow/Keras（深度学习模型）以及 AutoML 工具（TPOT、Auto-sklearn、H2O AutoML）。
适用场景 适用于端到端构建 ML 功能、特征工程与选择、模型训练与评估、超参数优化，以及有模型可解释性要求的场景。
限制 资料未提供该技能的收费、价格、平台限制或具体安装步骤等信息，这些内容暂未提供。