用途：提供机器学习工程实践的参考指南，帮助梳理从问题分类、模型选择到评估与解释的完整流程，适用于搭建或评审 ML 项目时对照使用。
主要能力：按问题类型划分任务，监督学习含回归与分类，无监督学习含聚类、降维与异常检测，强化学习含策略类与价值类方法；给出算法选择标准，包括数据规模、特征类型、可解释性、训练时间、推理延迟与精度要求；列出常用框架，如 scikit-learn、TensorFlow/Keras、PyTorch、XGBoost/LightGBM、Hugging Face Transformers。
特征工程：数值特征涉及标准化、Min-Max 缩放、分箱、多项式特征、对数变换与归一化；类别特征涉及独热编码、标签编码、序数编码、目标编码与嵌入；文本特征涉及词袋、TF-IDF、N-grams、预训练词嵌入与 Transformer 上下文嵌入；特征选择含过滤法、包装法、嵌入法及降维。
超参数调优：搜索策略含网格搜索、随机搜索、贝叶斯优化、进化算法与逐次减半；常见参数按树模型、神经网络、SVM、K-Means 分别说明；调优实践含交叉验证、早停、学习率调度与集成。
评估与解释：回归指标含 MSE、RMSE、MAE、R²、MAPE；分类指标含准确率、精确率、召回率、F1、ROC-AUC 与混淆矩阵；验证方法含留出法、K 折、分层 K 折、时间序列切分与嵌套交叉验证；另述偏差-方差权衡与正则化，以及排列重要性、SHAP、LIME、部分依赖图等解释方法。
限制：本文为概念与术语梳理，未提供具体安装命令、代码示例、价格或平台信息，暂未提供可直接运行的实现步骤。