90 / 90

第90日：ポートフォリオ構築・来歴監査・次期学習計画

受理済み学習プロジェクト群の再現可能な証跡ポートフォリオを組み立て、公開検証コマンドを再実行し、誠実で証拠基盤の計画でコースを締めくくります。

自律学習と Python 480 分の集中学習（8 時間）
01 120 分

ポートフォリオ・チェックリスト：来歴・再現性・主張・制限

Agent支援エンジニアリングチェック

前提条件

第89日の習得台帳、完了済み学習プロジェクト系列。

学習目標

全ポートフォリオ項目が満たすべきチェックリスト—主張・証跡パス・再現コマンド・観測結果・コスト/認可状態・制限—を、受理済みプロジェクト証跡と業界来歴形式に基づき定義する。

手順

1. 項目必須フィールド：{project, claim, evidence_path, verify_command, observed_result, status, limitations}。status語彙は固定：verified-local（本機でコマンド検証済み）、verified-disposable（使い捨て環境内で検証済み）、blocked-awaiting-authorization（未付与の承認/有料/実アクセスが必要）。
2. 受理済み証跡の項目対応：
- Autogradプロジェクト（チケット17）：projects/autograd engine + gradcheck；python3 projects/autograd/cli.py forward-backward と gradcheck で verified-local。
- 再開可能事前学習（チケット18/19）：projects/pretrain/artifacts/run_artifact.json — 10ステップCPUスモーク、train_loss 4.0316、val_loss 4.0372、7440パラメータ；verified-local。クラウドGPU事前学習証跡：blocked-awaiting-authorization。
- LoRAの仕組み（チケット20/21）：projects/lora/artifacts — 損失4.0976→4.0945、パープレキシティ60.20→60.01、merge_verified true（機構確認のみ）；クラウド前後比較：comparison_contract.json により blocked-awaiting-authorization。
- 評価可能エージェント（チケット22/23）：projects/agent_learning deterministic-v1 スコアラ+フィクスチャ；verified-local。実モデル評価：live_eval_contract.json により not-run-awaiting-authorization。
- CIデリバリ練習（チケット24）：scripts/ci_practice_runner.py + tests/engineering/test_ci_practice.py；verified-disposable。
3. 誠実ルール（逐語）：blocked項目をverifiedへ格上げしない；全主張にコミットハッシュとアーティファクトパスを引用；スモーク規模の結果を収束として提示しない。
4. モデルカードとデータシート慣行が、業界が期待する制限フィールドを定義する—テキストでなくフィールドを写す。

演習と予測記録

checklist.md を作成：項目必須6フィールド、3つのstatus値、2つの誠実ルールを列挙し、各受理プロジェクトがどのstatusに対応するか注記せよ。

独立習得基準

チェックリストが6フィールド・3状態を網羅し、各受理プロジェクトの検証済み/認可待ち証跡を正しく標識している。

公式ソースリソースと権利証跡

linking CC BY 4.0

The Turing Way: A Handbook for Reproducible, Ethical and Collaborative Data Science

著者・提供機関: The Turing Way Community | オリジナル出所URL ↗

該当セクション・タイムスタンプ: Reproducible Research chapter: version control, testing, environment capture

検証バージョンと日付: Zenodo DOI 10.5281/zenodo.3233853, continuously updated (Verified: 2026-10-30)

選定理由:

Community-maintained CC-BY handbook codifying reproducibility checklists (versioned code, environment capture, rerunnable commands); directly defines the Day 90 reproduction-verification and provenance-audit workflow.

ソース前提知識:

Basic version control and command-line familiarity.

安全フォールバック（オフライン回復性）:

The portfolio checklist and verification log schema are authored locally; reproduction commands run without the handbook.

比較対象候補リソースと選定評価 (2)
Wilson et al. Good enough practices in scientific computing (PLOS CB 2017) ↗ compared_alternative [CC BY 4.0]

Concise practices paper; The Turing Way's maintained, checklist-driven coverage of environments and reproducibility is broader and kept current.

Sandve et al. Ten Simple Rules for Reproducible Computational Research (PLOS CB 2013) ↗ compared_alternative [CC BY 4.0]

Foundational rules list; The Turing Way expands the same rules into actionable checklists used verbatim for the Day 90 verification run.

linking arXiv non-exclusive license / Open Access

Model Cards for Model Reporting

著者・提供機関: Margaret Mitchell, Simone Wu, Andrew Zaldivar, Parker Barnes, Lucy Vasserman, Ben Hutchinson, Elena Spitzer, Inioluwa Deborah Raji, Timnit Gebru | オリジナル出所URL ↗

該当セクション・タイムスタンプ: Section 4 Model Card Sections (4.1-4.9)

検証バージョンと日付: FAT* 2019 / arXiv:1810.03993v2 (Verified: 2026-10-30)

選定理由:

Primary standard for structured, transparent model reporting, mandating explicit disclosure of intended uses, evaluation slices, out-of-scope tasks, ethical considerations, and negative results.

ソース前提知識:

Evaluation reporting, demographic and performance slicing, model limitations and caveats.

安全フォールバック（オフライン回復性）:

Complete Model Card Markdown templates, section schemas, and evaluation disclosure checklists are provided in the curriculum.

比較対象候補リソースと選定評価 (2)
Bommasani et al. The Foundation Model Transparency Index ↗ compared_alternative [Open Access]

Corporate transparency audit index; Mitchell et al. provides the concrete technical artifact specification for individual model releases.

Pushkarna et al. Data Cards: Purposeful and Transparent Dataset Documentation for Responsible AI ↗ compared_alternative [Open Access]

Dataset documentation focus; Mitchell et al. provides the required specification for trained model artifact reporting.

02 120 分

ポートフォリオ・マニフェストの組み立て

独立習得チェック（AI 支援なし）

前提条件

第90日アクティビティ1のチェックリスト。補助条件：独立。

学習目標

全学習主張をリポジトリのアーティファクトパス・再現コマンド・誠実なstatus・制限メモへ対応付けた portfolio_manifest.json を、無支援で、全パスがリポジトリ内に解決する形で記述する。

手順

1. 項目スキーマ：{project, claim, evidence_path, verify_command, observed_result, status, limitations}。
2. 受理済み各プロジェクト（autograd, pretrain, lora, agent_learning, ci-practice）に1項目ずつ + カリキュラム自体に1項目を記述。
3. 全evidence_pathはリポジトリ内に解決すること；記録前に ls か test -f で確認。
4. 全主張は観測値を引用：例—autograd gradcheck の max-abs-diff が許容内；pretrain run_artifact.json の total_parameters=7440, val_loss=4.0372；lora eval_results.json の loss_delta=0.0031, merge_verified=true；agent_learning の summarize-notes スコアラ出力；ci_practice_runner のステージ証跡。
5. limitations 欄は必須かつ具体的：例—「10ステップCPUスモークは配管の検証であり収束ではない」「決定論的アダプタは実モデルではない」「合成命令データはベンチマークではない」「ランダム重みスモーク機構は品質証跡ではない」「契約検証は認可済みクラウド実行ではない」。

演習と予測記録

少なくとも5プロジェクト項目+1カリキュラム項目を持つ portfolio_manifest.json を出力。各evidence_pathの存在と各statusが固定語彙を使うことをassertせよ。

独立習得基準

マニフェストが実在アーティファクトパス・誠実なstatus・各主張の明示的制限を解決し、無支援で作成されている。

公式ソースリソースと権利証跡

linking arXiv non-exclusive license / Open Access

Datasheets for Datasets

著者・提供機関: Timnit Gebru, Jamie Morgenstern, Briana Vecchione, Jennifer Wortman Vaughan, Hanna Wallach, Hal Daumé III, Kate Crawford | オリジナル出所URL ↗

該当セクション・タイムスタンプ: Section 3 Questions and Workflow (3.1 Motivation through 3.7 Maintenance)

検証バージョンと日付: Communications of the ACM 2021 / arXiv:1803.09010v8 (Verified: 2026-10-30)

選定理由:

Foundational literature introducing standardized documentation for machine learning datasets, specifying questions on dataset composition, collection mechanisms, preprocessing, and distribution rights.

ソース前提知識:

Dataset provenance, curation motivation, preprocessing transparency, maintenance lifecycle.

安全フォールバック（オフライン回復性）:

Datasheet questionnaires, provenance schemas, and dataset auditing checklists are completely integrated into lesson materials.

比較対象候補リソースと選定評価 (2)
Bender & Friedman. Data Statements for Natural Language Processing: Toward Mitigating System Bias and Enabling Better Science ↗ compared_alternative [CC BY 4.0 (ACL Anthology, 2016 or later)]

Linguistic demographic documentation focus; Gebru et al. provides the universal engineering datasheet framework adopted across AI.

Holland et al. The Dataset Nutrition Label: A Framework to Drive Higher Data Quality Standards ↗ compared_alternative [Open Access]

Nutrition label metaphor; Gebru et al. is a widely cited framework for dataset documentation in both academic and industrial practice.

linking arXiv non-exclusive license / Open Access

Model Cards for Model Reporting

著者・提供機関: Margaret Mitchell, Simone Wu, Andrew Zaldivar, Parker Barnes, Lucy Vasserman, Ben Hutchinson, Elena Spitzer, Inioluwa Deborah Raji, Timnit Gebru | オリジナル出所URL ↗

該当セクション・タイムスタンプ: Section 4 Model Card Sections (4.1-4.9)

検証バージョンと日付: FAT* 2019 / arXiv:1810.03993v2 (Verified: 2026-10-30)

選定理由:

Primary standard for structured, transparent model reporting, mandating explicit disclosure of intended uses, evaluation slices, out-of-scope tasks, ethical considerations, and negative results.

ソース前提知識:

Evaluation reporting, demographic and performance slicing, model limitations and caveats.

安全フォールバック（オフライン回復性）:

Complete Model Card Markdown templates, section schemas, and evaluation disclosure checklists are provided in the curriculum.

比較対象候補リソースと選定評価 (2)
Bommasani et al. The Foundation Model Transparency Index ↗ compared_alternative [Open Access]

Corporate transparency audit index; Mitchell et al. provides the concrete technical artifact specification for individual model releases.

Pushkarna et al. Data Cards: Purposeful and Transparent Dataset Documentation for Responsible AI ↗ compared_alternative [Open Access]

Dataset documentation focus; Mitchell et al. provides the required specification for trained model artifact reporting.

03 120 分

再現性検証：公開プロジェクトコマンドの再実行

Agent支援エンジニアリングチェック

前提条件

第90日アクティビティ2のマニフェスト。補助条件：agent_assisted（エージェントはログ捕捉を補助できるが、検証証跡はコマンド出力そのもの）。

学習目標

クリーンなシェルで各プロジェクトの公開検証コマンドを再実行し、出力を捕捉して、ポートフォリオの主張が再現することを確認—環境詳細とあらゆる乖離を誠実に記録する。

手順

1. まず環境を記録：python3 --version、uname -a（または相当）、git rev-parse --short HEAD。
2. 各公開コマンドを実行し stdout+終了コードを捕捉：
- python3 projects/autograd/cli.py forward-backward
- python3 projects/autograd/cli.py gradcheck
- python3 -m unittest tests.unit.test_autograd_engine
- python3 -m projects.agent_learning.cli evaluate --fixture summarize-notes
- python3 projects/lora/evidence/validate_contract.py（--require-authorized は承認不在のため失敗*すべき*—拒否を正しい挙動として記録）
- python3 scripts/audit_calendar_ledger.py
3. 各出力を記録済みアーティファクトフィールドと比較（gradcheck許容差、台帳合計、契約status blocked-awaiting-authorization）。各コマンドを2回実行—1回目はコールド、2回目はアーティファクト確認後—出力をdiffする。
4. verification_log.json に記録：{command, exit_code, key_output, artifact_field_match: true|false, notes}。乖離（パス変更、バージョン差、成果物欠落）は隠さず記録。

演習と予測記録

6コマンド群すべてを網羅する verification_log.json を出力。各行に実際に観測した出力要約と一致判定を付す。

独立習得基準

全再現コマンドが捕捉出力付きで実行済み。期待される拒否は正しく標識。不一致は隠さず記録。

公式ソースリソースと権利証跡

linking CC BY 4.0

The Turing Way: A Handbook for Reproducible, Ethical and Collaborative Data Science

著者・提供機関: The Turing Way Community | オリジナル出所URL ↗

該当セクション・タイムスタンプ: Reproducible Research chapter: version control, testing, environment capture

検証バージョンと日付: Zenodo DOI 10.5281/zenodo.3233853, continuously updated (Verified: 2026-10-30)

選定理由:

Community-maintained CC-BY handbook codifying reproducibility checklists (versioned code, environment capture, rerunnable commands); directly defines the Day 90 reproduction-verification and provenance-audit workflow.

ソース前提知識:

Basic version control and command-line familiarity.

安全フォールバック（オフライン回復性）:

The portfolio checklist and verification log schema are authored locally; reproduction commands run without the handbook.

比較対象候補リソースと選定評価 (2)
Wilson et al. Good enough practices in scientific computing (PLOS CB 2017) ↗ compared_alternative [CC BY 4.0]

Concise practices paper; The Turing Way's maintained, checklist-driven coverage of environments and reproducibility is broader and kept current.

Sandve et al. Ten Simple Rules for Reproducible Computational Research (PLOS CB 2013) ↗ compared_alternative [CC BY 4.0]

Foundational rules list; The Turing Way expands the same rules into actionable checklists used verbatim for the Day 90 verification run.

linking BSD-3-Clause

PyTorch Tutorial: Saving and Loading Models

著者・提供機関: PyTorch Documentation Team | オリジナル出所URL ↗

該当セクション・タイムスタンプ: Saving & Loading a General Checkpoint for Inference and/or Resuming Training

検証バージョンと日付: PyTorch 2.x Documentation (Verified: 2026-10-30)

選定理由:

Official documentation detailing state_dict serialization, optimizer state saving, and safe loading patterns.

ソース前提知識:

Python, PyTorch tensors and nn.Module basics.

安全フォールバック（オフライン回復性）:

All checkpoint serialization semantics, dictionary schema keys, and safe recovery steps are self-contained in lesson code.

比較対象候補リソースと選定評価 (2)
TensorFlow tf.train.Checkpoint Guide ↗ compared_alternative [Apache 2.0]

TensorFlow trackable checkpoint architecture; PyTorch's explicit dictionary is our target implementation standard.

Hugging Face Safetensors Documentation ↗ compared_alternative [Apache 2.0]

Safetensors provides safe zero-copy tensor storage without pickle, compared directly when discussing pickle execution risks.

04 120 分

最終復習と証拠基盤の次期学習計画

独立習得チェック（AI 支援なし）

前提条件

第90日アクティビティ1〜3完了、第89日の習得台帳。

学習目標

最終カリキュラムレビューと次期学習計画を作成：台帳の残存ギャップに錨づけた分散復習スケジュール、保持された発展的年間ルートへの継続、誠実な完了声明。

手順

1. 習得台帳を要約：領域別前後合計、回復経路付き残存ギャップ。
2. 依然未達の全項目に +1/+3/+7/+30日の分散検索スケジュールを組む—各回に明名リソースと新バリアントタスク（同一項目でない）を割当。
3. 継続学習を保持された発展的年間ルートへ対応付け（ナビリンク：历史年度路线 / レガシーロードマップ、/lessons/index.html）：拡張確率統計、大規模事前学習、デプロイとサービング—90日範囲外の主題。
4. 完了声明を精神そのままに記述：90日コースの完了は実演済みタスクの学習証跡を産出する—公式認定ではなく、万人の3か月習得を保証せず、支援結果は独立能力の代用にならない。未達基準は可視的に未達のまま。
5. next_learning_plan.json を出力：{remaining_gaps[], scheduled_reviews[], annual_route_links[], honest_scope_statement}。

演習と予測記録

残存ギャップ全てに復習予定を組み、誠実な範囲声明を逐語記録した next_learning_plan.json を作成せよ。

独立習得基準

最終レビュー文書・分散スケジュール・年間ルートリンク・誠実な範囲声明が完成—未達基準は可視的に未達のまま。

公式ソースリソースと権利証跡

linking Journal publisher copyright (all rights reserved) - lawful external linking only

Improving Students' Learning With Effective Learning Techniques: Promising Directions From Cognitive and Educational Psychology

著者・提供機関: John Dunlosky, Katherine A. Rawson, Elizabeth J. Marsh, Mitchell J. Nathan, Daniel T. Willingham | オリジナル出所URL ↗

該当セクション・タイムスタンプ: Psychological Science in the Public Interest 14(1): 4-58; practice testing and distributed practice sections

検証バージョンと日付: Psychological Science in the Public Interest, 2013 (Verified: 2026-10-30)

選定理由:

Detailed comparative review rating practice testing and distributed practice as high-utility techniques while rating highlighting and rereading low-utility; anchors the retrieval, correction, and spaced-review design of Days 88-90.

ソース前提知識:

None beyond general academic reading.

安全フォールバック（オフライン回復性）:

Curriculum restates the utility ratings and application conditions in original prose; every task remains runnable offline.

比較対象候補リソースと選定評価 (2)
Pashler et al. Learning Styles: Concepts and Evidence ↗ compared_alternative [Publisher copyright (originally Wiley; now SAGE Publications)]

Important negative result on learning-styles matching but narrower scope; Dunlosky et al. rates a broader set of techniques directly usable for this curriculum.

Brown, Roediger & McDaniel: Make It Stick: The Science of Successful Learning ↗ compared_alternative [Publisher copyright (Harvard University Press)]

Strong trade-book synthesis of the same evidence base; the peer-reviewed review is preferred for citation precision and technique-by-technique utility ratings.

linking CC BY-SA 4.0 (book text) / modified MIT (sample code) share-alike

Dive into Deep Learning (d2l.ai)

著者・提供機関: Aston Zhang, Zachary C. Lipton, Mu Li, Alexander J. Smola | オリジナル出所URL ↗

該当セクション・タイムスタンプ: Section: Model Selection, Underfitting, and Overfitting; Chapter: Optimization Algorithms

検証バージョンと日付: Current online edition (Verified: 2026-10-30)

選定理由:

Primary open reference tying evaluation discipline (model selection, underfitting, overfitting) and optimization algorithms (gradient descent, minibatch) to the rest of the curriculum.

ソース前提知識:

Linear algebra, calculus, and probability at the Days 19-28 level.

安全フォールバック（オフライン回復性）:

All required formulas and worked numbers are reproduced as original explanations; the book is further reading.

比較対象候補リソースと選定評価 (2)
Deep Learning (Goodfellow, Bengio, Courville) ↗ compared_alternative [MIT Press; free HTML for reading, all rights reserved]

Detailed treatment of optimization difficulties (chapter 8) including saddle points and plateaus; all-rights-reserved text kept as a linking-only alternative.

fast.ai: Practical Deep Learning for Coders ↗ compared_alternative [Course site copyright / Apache-2.0 (fastai code)]

Strong practitioner framing, but organized around the fastai library and video lessons rather than self-contained mathematics.