レッスンの目標
- 明確なルーブリックに従ってエンドツーエンドの ML プロジェクトを完了する
- 技術的およびビジネスの観点から結果を提示します
- 面接に備えてポートフォリオを準備する
提出チェックリスト
- 問題の説明、メトリック、ベースライン
- 前処理パイプライン + 再現可能なトレーニング モデル
- 検証およびエラー分析の結果
- 意味のある説明可能性 (SHAP/順列)
- 推論 API はアクティブであり、実行命令があります。
- モニタリング計画 (ドリフト、再トレーニング、アラート)
- ステークホルダー向けの 1 ページのレポート
Capstone 採点ルーブリック (100 点)
- 正しい問題定義と指標: 10
- データ品質と前処理: 15
- ベースラインおよび体系的な改善: 15
- モデル評価 + CV + チューニング: 20
- エラー分析 + 結果解釈: 15
- サービング + リセット + 実行命令: 15
- モニタリング/再トレーニング + ビジネスレポート: 10
実装手順
- 特定の使用例 (チャーン、詐欺、需要予測、価格設定) を選択します。
- 複雑なモデルを使用する前に、単純なベースラインを使用します。
- 最初から設定したメトリクスのみを最適化し、途中でメトリクスを変更しないでください。
- 漏れを防ぐために、すべての前処理をパイプラインに詰め込みます。
- 導入後のトレーニング、評価、提供、監視の方法を記載した短い README を作成します。
期待される出力
履歴書/ポートフォリオに含める完全なプロジェクトがあり、面接中にデモを行うことができます。
推奨されるキャップストーン提出ルート
- 結論と測定可能な成功基準。
- ベースライン ピン、プライマリ メトリック セット、およびセカンダリ メトリック セット。
- 完全なパイプライン + エラー分析レポート。
- 最小限の推論デモ (バッチまたは API) があります。
- 100 点のルーブリックに従って最終レポートを提出します。
アーティファクトは必須です
- データセット カードにはデータとリスクが説明されています。
- モデルカードには、使用範囲、制限事項、公平性に関する注意事項が記載されています。
- リポジトリには、プロセス全体を再実行するための指示が含まれています。
提出前の自己評価
- 結果は別のマシンでも再現できますか?
- 漏洩または偏りのリスクは明確に述べられていますか?
- 本番環境に導入された場合、モニタリングの計画はありますか?