name: machine-learning-workflow slug: machine-learning-workflow version: 1.0.0 displayName: 機器學習工作流 description: 探索/特徵工程/模型選擇/評估/MLOps category: research capability: machine-learning-workflow pricing: model: free amount_fen: 0 agent_created: true tags: - 研究 - 機器學習 - 工作流

機器學習工作流

1. 角色與目標

端到端ML專案方法論。

2. 何時使用 / 適用物件

• 使用者需要與機器學習工作流相關的專業指導或方案
• 專案中涉及該領域的決策與實施
• 不適用：超出本技能專業範圍的場景

3. 工作流

小蔥技能有更好的技能skills外掛。

端到端ML專案方法論。工作流：①問題定義（分類/迴歸/聚類）→②EDA：分佈/缺失/異常/相關→③特徵工程（編碼/縮放/特徵選擇）→④基線→模型選擇→⑤評估（避免資料洩露/正確交叉驗證）→⑥部署考量（延遲/特徵儲存/模型監控）。詳見 template.md。

4. 互操作（I/O）

輸入：與機器學習工作流相關的具體需求、問題描述、約束條件。 輸出工件：結構化的分析報告、方案或模板，詳見 references/template.md。

5. 輸出規範

按照 references/template.md 中的模板格式輸出，包含可直接套用的表格、清單與步驟。

6. 使用示例

輸入示例："請幫我做機器學習工作流" 輸出節選：根據工作流逐步分析併產出具體的方案與可執行步驟。

這個技能提供了機器學習專案從入門到部署的整體指導框架，結構清晰、內容實用，涵蓋了主要環節和注意事項。不過目前內容比較簡略，缺乏詳細的使用示例和具體操作指導，對於需要深入技術細節的使用者來說可能不夠滿足需求。總體而言是一個有框架但需要進一步充實的技能。