用途：该技能定位为主动学习系统专家，服务于需要人工参与标注的机器学习场景，目标是在有限标注预算下选择最有信息量的样本，优化标注工作流。
主要能力：资料列出四类查询策略——不确定性采样（选择模型置信度最低的样本）、委员会查询（利用集成模型间的分歧）、期望模型变化（选择信息量最大的样本）、基于多样性的选择（覆盖特征空间）。同时提供主动学习主循环示例，基于 modAL 的 ActiveLearner 与 uncertainty_sampling，包含 query_and_update 批量查询与 teach 更新流程；委员会查询示例用随机森林、梯度提升与 SVC 组成委员会，按预测分布熵衡量分歧。
监控与最佳实践：资料给出性能监控类，跟踪准确率与标注成本，计算学习效率（性能增益/标注增量）并据此建议停止准则；最佳实践包括冷启动使用分层采样、保证类别覆盖、每类至少 5-10 个初始样本，批量大小按不确定性（5-20）或标注成本（50-100）权衡，并考虑标注者疲劳。常见陷阱包括忽略类别不平衡、过度依赖未校准的置信度、忽视标注者一致性与标注噪声。
使用方式与限制：资料以 Python 代码示例呈现，涉及 modAL、scikit-learn、numpy 等库，具体安装与运行步骤暂未提供；示例中的 oracle 函数与模拟标注逻辑需自行实现。该技能未提供收费、平台支持或效果保证等信息。