ai-ml-engineering
AI/机器学习工程全流程技能。覆盖GPU加速（RAPIDS/CuPy/Numba/CUDA kernel调优）、scikit-learn经典ML、SHAP模型解释、特征工程与数据泄漏防护、时序验证、PyTorch Lightning分布式训练、强化学习（Stable-Baselines3）、TimesFM零样本预测、EDA数据体检、pymoo多目标优化。触发词：机器学习、深度学习、GPU加速、CU
SKILL.mdSKILL.md
GitHubAI/ML Engineering（机器学习工程）
从数据体检到 GPU 调优的 ML 全流程。核心立场：先 profile 再优化、先防泄漏再谈指标；结论按证据分级（已确认 / 工程推论 / 估算 / 待验证 / 数据不足）。
症状 → 加载哪个 reference
| 症状 / 任务 | 加载 |
|---|---|
| NumPy/pandas/sklearn 太慢；要写/调 CUDA kernel；GPU 相关报错 | references/gpu-acceleration.md |
| 训练分类/回归模型；调参；解释预测（SHAP） | references/classical-ml.md |
| 做时序/金融特征；指标好得离谱（>70% 准确率）；怀疑泄漏 | references/timeseries-leakage.md |
| 分布式训练；RL 智能体；TimesFM 预测；训练报错 | references/deep-learning.md |
| 拿到新数据集不知从何下手；数据脏/缺失/分布可疑 | references/eda-data-quality.md |
工作流（默认顺序）
- EDA 体检：缺失、分布、泄漏红旗，输出数据质量报告（不动原始数据）。
- 基线：最简单能跑通的 Pipeline 先跑通，任何复杂度提升都要跟它比。
- 特征/模型：预处理放 Pipeline 内逐折拟合；时序数据按时间切分 + embargo。
- 验证：嵌套 CV；指标与基线和"随机猜测"双对照。
- 解释：SHAP 做 additivity 校验后再出图。
- 优化：需要速度时先测 GPU 适用性（≥10K 元素、高并行、显存放得下）。
铁律
MUST
- 先 profile 再优化（
ncu --set full/cupyx.profiler.benchmark()），禁止凭猜测优化。 - sklearn 预处理放进 Pipeline、每折内重拟合；分类切分必加
stratify=y。 - SHAP 解释前做 additivity 校验（
base_values + values.sum(axis=1)对比模型输出）。 - TimesFM：先跑
check_system.py，先compile()再forecast()；SB3：训练前必跑check_env()。 - Lightning 多卡指标日志加
sync_dist=True，training_step必须返回 loss。 - GPU 浮点结果用容差比较，不做逐位比较。
NOT
- 禁止对时序数据做随机 CV 或全样本统计（lookahead）。
- 禁止在 GPU 上用 float64（消费卡吞吐仅 float32 的 1/32），累加器保持 FP32。
- 每个 CUDA kernel 无
if i < size越界守卫不得提交。 - 禁止加载不可信的 pickle/joblib 模型文件（反序列化即代码执行）。
- 禁止在 EDA 阶段自动删除离群值/插补/改写原始数据；缺失 ≠ 0，ND ≠ LOQ。
- 禁止对已归档/停止维护的库用于新项目（cuSpatial、cuxfilter）。
参考索引
每个 reference 按"第一步→判据→如何证明根因"组织。GPU 库映射表与零改码加速入口在 gpu-acceleration.md 开头。