用途：指导并执行机器学习模型训练，覆盖分类与回归任务、神经网络、超参数调优，以及过拟合等常见问题的处理。
主要能力：提供从数据准备、特征工程、模型选择、训练到评估的完整工作流。支持 scikit-learn（如 RandomForestClassifier）、PyTorch（自定义 nn.Module、Adam、BCELoss）与 TensorFlow/Keras。评估指标按任务区分：分类用 Accuracy、Precision、Recall、F1、AUC-ROC；回归用 MSE、RMSE、MAE、R²。
使用方式：先加载并清洗数据，编码类别变量，按 70/15/15 划分训练/验证/测试集，再仅用训练集拟合缩放器并转换其余集合。训练后打印分类报告等指标。参考文件 references/pytorch-training.md 提供含早停、学习率调度与检查点的完整训练循环；references/tensorflow-keras.md 提供回调、自定义训练循环与 TFLite 移动端部署。
适用场景：需要规范划分数据、避免数据泄漏、处理类别不平衡、加入正则化或进行交叉验证与网格搜索的建模任务。
限制与注意：资料未提供具体安装命令、收费或平台信息。需避免在划分前缩放数据、忽略类别不平衡、跳过特征缩放、用测试集调参、忘记设置随机种子等已知问题。