セクション3：プロトタイプから ML モデルへのスケール（~21%）★最重要
モデルアーキテクチャ選定、訓練、ハイパーパラメータチューニング、ファインチューニング、ハードウェア（GPU/TPU）と分散戦略。試験で最も比重が大きい (21%)。
このセクションのゴール
- ARIMA / DNN / LLM / Boosted Tree などから適切なモデルを コスト・複雑性・レイテンシ・スケーラビリティ・解釈性 で選定できる
- Agent Platform Custom Training の主要パターン（PyTorch / TF / Kubeflow on GKE）を知っている
- 🆕 基盤モデルの ファインチューニング（PEFT / LoRA / RLHF）の選択基準を説明できる
- CPU / GPU / TPU の使い分けと 分散訓練戦略（data / model / pipeline parallelism）を理解している
- ハイパーパラメータチューニング（Vizier）と訓練失敗の主要なトラブルシューティングを知っている
学習ファイル
| ファイル | 想定読者 | 内容 |
|---|---|---|
| 01_基礎.md | 📘 新人 | モデル種別・訓練の基本フロー・HPT |
| 02_応用.md | 🔧 中堅 | ファインチューニング詳細・分散訓練・トラブルシューティング |
| 03_要点と暗記.md | 🎯 全員 | 意思決定ツリーと頻出問題パターン |
試験ガイド対応
| サブセクション | 公式記載 |
|---|---|
| 3.1 | コスト・複雑性・レイテンシ・スケーラビリティを考慮したモデル構築 |
| 3.2 | モデルの訓練（HPT / ファインチューニング含む） |
| 3.3 | 訓練に適したハードウェアの選定（CPU/GPU/TPU、分散訓練戦略） |