データ収集から運用までの機械学習ライフサイクル

機械学習ライフサイクルのフェーズと、各フェーズで行う作業を押さえます。
・データ収集: 学習に使うデータを集める。
・データ準備: クレンジング（欠損値補完・外れ値処理・形式統一）と特徴量エンジニアリング（有効な入力変数を作る）でデータを整える。
・モデル学習: アルゴリズムでモデルを訓練し、ハイパーパラメータを調整する。
・評価: 精度などの指標でモデルの性能を確認する。
・デプロイ: モデルを本番環境に展開する。
・モニタリング（運用）: 本番でのモデルの挙動・精度を監視し、推論結果を API で提供する。
本問の『データクレンジング・特徴量エンジニアリング』はデータ準備フェーズ。本番モニタリング・推論 API 提供はデプロイ後の運用フェーズ、ハイパーパラメータ調整はモデル学習フェーズの作業です。