用途：该技能应用吴恩达《AI for Everyone》中蒸馏出的「ML项目流程 — 收集→训练→部署→迭代」方法论，为团队或个人提供机器学习项目的实践指导、诊断、工作流设计和行动计划。触发场景包括刚启动ML项目不知从何下手、模型训练完成不知下一步、部署后效果不佳需改进，语言信号如「ML项目怎么做」「机器学习项目步骤是什么」「怎么推进AI项目」「下一步做什么」「部署后怎么办」。核心区分点：面对需要建造并运行一个能持续预测的系统的项目时使用本框架。
主要能力（四阶段闭环）：1. 收集标注数据：准备（A, B）配对数据，A是输入（语音、图片等），B是期望输出（文字、标签等）。2. 训练模型：让算法学习A→B映射，预期需多次迭代，第一次尝试几乎总是失败。3. 部署模型：推向真实用户，在真实环境中运行。4. 迭代优化：收集反馈数据特别是失败案例，加入训练数据后重新训练，形成闭环。
使用方式：按执行步骤推进——收集标注训练数据；训练模型并在测试集上评估，反复调整至预定指标；部署到真实用户；监控并收集失败案例；重新训练。完成标准是模型已部署且建立「收集失败案例→重新训练」的持续迭代机制。
适用场景示例：Alexa唤醒词检测（发现英国口音识别失败后收集数据重训）；自动驾驶车辆检测（发现高尔夫球车未被识别后收集图像重训）。
限制与边界：不适用于数据科学项目（产出报告而非软件）、一次性分析任务、没有部署渠道的情况。常见失败模式：过度关注数据量而忽视质量、部署后无反馈闭环、期望一次训练成功。资料指出作者低估「最后一公里」难度，部署阶段工程工作量可能占项目50%以上，但书中着墨不多。相关技能：ab-mapping、train-test-split、iterate-not-perfect 为依赖关系，ml-vs-ds 为对比关系。