🎓 第3章：実験管理とモデル管理
第3章 実験管理とモデル管理
MLの開発は「1回学習して終わり」ではなく、特徴量・ハイパーパラメータ・データを変えながら何十回も実験を回す営みです。この章は、その実験を後から比較・再現できる形で記録し（実験トラッキング）、生まれたモデルを本番までライフサイクル管理する（モデルレジストリ）基盤を扱います。再現性（再現性とバージョニング）を実務の道具に落とし込む層です。
トピック一覧
- 実験トラッキング — 標準
- モデルレジストリとモデルのライフサイクル — 標準
- ハイパーパラメータ管理と再現 — 標準
この章の要点
- 実験トラッキング：メトリクス・パラメータ・成果物・出自を1実験ごとに記録し、後から比較・再現できるようにする（MLflow等）。
- モデルレジストリ：合格したモデルを版管理し、ステージング→本番→アーカイブと状態遷移させる。変換器ごと登録してスキューを防ぐ。
- ハイパーパラメータ管理：探索（グリッド/ランダム/ベイズ最適化）の設定と結果を記録し、最良構成を再現可能にする。探索アルゴリズムの理論は機械学習分野へ。
関連章
- 第1章 MLOpsの全体像 — 再現性とバージョニング（記録すべき出自）
- 第4章 デプロイとサービング — レジストリから本番へ
- 機械学習：MLOpsと実験管理（実験管理の位置づけ）