Mục tiêu bài học
- Hoàn thành dự án ML end-to-end theo rubric rõ ràng
- Trình bày kết quả theo góc nhìn kỹ thuật và business
- Chuẩn bị portfolio sẵn sàng phỏng vấn
Checklist nộp bài
- Mô tả bài toán, metric và baseline
- Pipeline tiền xử lý + model huấn luyện tái lập được
- Kết quả validation và error analysis
- Explainability có ý nghĩa (SHAP/permutation)
- API inferencing hoạt động và có hướng dẫn run
- Monitoring plan (drift, retraining, alert)
- Báo cáo 1 trang cho stakeholder
Rubric chấm điểm capstone (100 điểm)
- Định nghĩa bài toán và metric đúng: 10
- Chất lượng dữ liệu và preprocessing: 15
- Baseline và cải tiến có hệ thống: 15
- Đánh giá mô hình + CV + tuning: 20
- Error analysis + giải thích kết quả: 15
- Serving + tái lập + hướng dẫn run: 15
- Monitoring/retraining + báo cáo business: 10
Hướng dẫn thực hiện
- Chọn 1 use case cụ thể (churn, fraud, demand forecasting, pricing).
- Dùng baseline đơn giản trước khi dùng model phức tạp.
- Chỉ tối ưu metric đã chốt từ đầu, không đổi metric giữa chừng.
- Gói toàn bộ preprocessing vào pipeline để tránh leakage.
- Viết README ngắn: cách train, eval, serve và theo dõi sau deploy.
Đầu ra mong đợi
Bạn có 1 dự án hoàn chỉnh để đưa vào CV/portfolio và demo khi phỏng vấn.
Lộ trình nộp capstone đề xuất
- Chốt đề bài và tiêu chí thành công có thể đo được.
- Chốt baseline, bộ metric chính và metric phụ.
- Hoàn thiện pipeline + báo cáo error analysis.
- Có bản demo inference tối thiểu (batch hoặc API).
- Nộp báo cáo cuối cùng theo rubric 100 điểm.
Artifact bắt buộc nên có
- Dataset card mô tả dữ liệu và rủi ro.
- Model card mô tả phạm vi sử dụng, giới hạn và fairness notes.
- Repo có hướng dẫn chạy lại toàn bộ quy trình.
Tự đánh giá trước khi nộp
- Kết quả có tái lập được trên máy khác không?
- Rủi ro leakage hoặc bias đã được nêu minh bạch chưa?
- Có kế hoạch monitor nếu đưa vào production chưa?