用途：为机器学习系统、深度学习、模型训练、部署与MLOps实践提供专家级指导，当用户提到机器学习、深度学习、神经网络或MLOps时使用。
主要能力：覆盖机器学习基础（监督学习中的分类与回归、无监督学习中的聚类与降维、强化学习、特征工程、模型评估与验证、超参数调优）；深度学习（CNN、RNN、Transformer等神经网络、迁移学习、预训练模型微调、注意力机制、GAN、自编码器）；MLOps（模型版本与跟踪、实验管理、模型部署与服务、监控与重训、ML流水线CI/CD、模型A/B测试）。
使用方式：资料给出可复用的代码模式，包括基于scikit-learn的MLPipeline（数据划分与标准化、随机森林训练、交叉验证、评估与joblib保存模型）、基于PyTorch的NeuralNetwork与Trainer（训练循环、评估、历史记录）、基于FastAPI的模型服务（/predict与/health接口）、基于MLflow的实验记录与模型注册（log_params、log_metric、log_model、register_model、transition_model_version_stage）。
最佳实践：数据准备需处理缺失值、缩放/归一化、正确编码类别变量、先划分数据再预处理、对不平衡数据用分层划分、为调参创建验证集；训练从简单基线开始、使用交叉验证、监控训练与验证指标、实现早停、保存最佳检查点、系统跟踪实验；部署需版本化模型与数据集、生产环境监控、A/B测试、重训流水线、记录预测、设置回退机制。
反模式：在测试数据上训练（数据泄漏）、无验证集调参、忽略类别不平衡、不做特征缩放、过拟合、无模型版本管理、生产环境缺少监控。
适用场景：需要端到端ML工程实践指导、模型训练与部署、实验跟踪与版本管理时。
限制：资料未提供具体收费、价格、平台或效果信息；安装命令与运行环境要求暂未提供。