用途：该技能提供一套结构化的机器学习模型开发工作流，用于开发新模型、训练神经网络、模型优化、生产部署、迁移学习以及微调已有模型。
主要能力：按五个阶段推进。阶段一数据准备，使用 pandas、numpy、scikit-learn 加载分析数据、处理缺失值与重复值、剔除离群点、编码分类变量、划分训练/验证/测试集并做标准化。阶段二模型选择，分析任务类型与数据规模，推荐架构，并用 TensorFlow/Keras 定义 DNN、CNN 等模型及训练配置（Adam 优化器、EarlyStopping、ReduceLROnPlateau、ModelCheckpoint）。阶段三训练，执行 model.fit 并绘制损失与准确率曲线，可选通过 Flow-Nexus 的 DistributedTrainer 做数据并行分布式训练。阶段四验证，在测试集上评估，输出分类报告与混淆矩阵，生成评估报告。阶段五部署，导出 Keras、SavedModel、TFLite 格式，保存预处理 scaler，打包部署目录并生成推理脚本与文档。
使用方式：按阶段顺序执行，各阶段设有验证标准（如数据加载成功、无 NaN 损失、验证指标提升、模型检查点保存等）。涉及的关键命令与代码保持原样，例如 model.save('model.h5')、joblib.dump(scaler, 'scaler.pkl')。
适用场景：分类、回归、聚类等任务的模型开发与上线流程。
限制：资料未提供具体收费、价格、平台支持范围与性能保证；分布式训练依赖 Flow-Nexus，属可选步骤；示例中的延迟、准确率等指标为模板占位，非实测结果。