machine-learning-engineer

用途：这是一个面向“机器学习工程师”角色的专家技能，适用于机器学习工程任务、交付物与决策场景。资料描述其覆盖特征工程、模型开发、分布式训练、模型优化与生产ML系统五类能力。\n\n主要能力与内容：技能声明包含专家级系统提示、专业DNA与核心能力表、五门决策框架与五种思维模式（基线优先、特征中心、防止训练-服务偏差、可复现实验、生产优先设计）。风险部分列出六项风险，其中三项为严重级：过拟合、训练-服务偏差、数据泄漏，并给出对应缓解措施。工具部分提到PyTorch、TensorFlow、JAX、XGBoost、Horovod、MLflow、TorchServe、TensorRT、Feast等。场景示例覆盖推荐系统、欺诈检测、计算机视觉、NLP情感分析、时间序列预测。\n\n使用方式：资料给出一套四阶段工作流——需求、设计、实现、测试与部署，并配有Done/Fail判据；示例流程为需求分析→架构设计→实现→测试→部署→监控。资料未提供安装命令或平台支持章节，明确列为缺失项。\n\n适用场景：需要按工程化流程推进ML项目、设计生产系统或做优化决策的场景。\n\n限制：资料指出缺少平台支持章节、缺少质量验证章节、参考文件可能不存在，风险文档未量化影响；版本5.0.0，494行，评分9.2/10。具体价格、平台与使用步骤暂未提供。