課程目標
- 根據明確的規則完成端到端的機器學習項目
- 從技術和業務角度展示成果
- 準備作品集以備面試
提交清單
- 問題描述、指標與基線
- 預處理管道+可重現的訓練模型
- 驗證與錯誤分析結果
- 有意義的可解釋性（SHAP/排列）
- 推理API處於活動狀態並且有運行指令
- 監控計畫（漂移、再訓練、警報）
- 為利害關係人提供一頁報告
頂點評分標準（100 分）
- 正確的問題定義與指標：10
- 資料品質與預處理：15
- 基線和系統改進：15
- 模型評估+CV+調整：20
- 錯誤分析+結果解讀：15
- 發球+重置+運行指令：15
- 監控/再培訓+業務報告：10
實作說明
- 選擇特定用例（客戶流失、詐欺、需求預測、定價）。
- 在使用複雜模型之前使用簡單的基線。 3.只從一開始就優化設定的指標，不要中途改變指標。 4、將所有預處理裝入管路內，避免洩漏。
- 撰寫一個簡短的自述文件：如何在部署後進行訓練、評估、服務和監控。
預期輸出
您有一個完整的專案可以包含在您的履歷/作品集和麵試期間的演示中。
建議的頂點提交路線
- 結論和可衡量的成功標準。
- 基線引腳、主要度量集和輔助度量集。 3.完整的流水線+錯誤分析報告。
- 有一個最小的推理演示（批次或 API）。
- 依照100分標準提交最終報告。
需要工件
- 資料集卡描述資料和風險。
- 模型卡描述了使用範圍、限制和公平性說明。
- Repo 有重新運行整個過程的說明。
提交前自我評估
- 結果可以在另一台機器上重現嗎？
- 是否透明地說明了洩漏或偏見的風險？
- 投產後是否有監測計畫？