用途：该技能面向机器学习工程实践，提供从模型开发、训练基础设施、评估方法到生产部署的端到端指导，核心工具为 PyTorch（深度学习）、scikit-learn（经典机器学习）与 MLOps 实践，目标是让模型在生产环境中可复现、可监控、可维护。
主要能力：给出建模流程与工程规范。原则包括：先用简单模型与扎实特征工程建立强基线，再考虑复杂架构；评估指标须与业务目标对齐，不能只看准确率，需结合 precision、recall、F1、AUC-ROC 理解不平衡数据表现；对数据集、代码、超参数与模型产物做版本管理；训练管线设计为幂等且可恢复，通过 checkpoint、确定性种子与配置文件支持可靠实验；上线后监控数据漂移、预测漂移与性能退化。
技术要点：PyTorch 训练按固定模式组织（nn.Module 子类、配置 DataLoader 的 num_workers 与 pin_memory、训练循环中使用 optimizer.zero_grad()、loss.backward()、optimizer.step()）；用 Pipeline 与 ColumnTransformer 串联预处理与模型拟合，确保变换只在训练数据上拟合；用 GridSearchCV 或 RandomizedSearchCV 配合交叉验证调参，昂贵模型可用 Optuna 或贝叶斯优化；在留出测试集上计算分类报告、roc_auc_score 与混淆矩阵；系统性做特征工程（对数变换、交互项、目标编码、时间特征）；用 MLflow 或 Weights and Biases 记录超参数、指标、产物与模型版本。
常见模式：分层划分训练/验证/测试（80/10/10），开发期间不触碰测试集；采用 warmup 加余弦退火或 reduce-on-plateau 的学习率调度；集成多样模型以提升稳健性；在 MLflow Model Registry 中按 staging、production、archived 阶段推进并设置审批与自动校验。
限制与常见陷阱：不得在训练集上评估或让测试数据泄漏进预处理；建模前须检查类别不平衡、缺失值、重复与标签噪声；部署前须准备回滚方案并保留上一版本模型；特征工程不是一次性工作，需随领域与数据源演进而持续更新。该技能为方法论与实操指导，具体 API 版本、平台部署细节与费用信息暂未提供。