こんにちは、インフラエンジニアのryuです。
今回は、AIを勉強したいけれど、何から始めればよいのか分からない方に向けて、初心者向けの学習ロードマップを紹介します。
私は高校卒業後、数学にもプログラミングにも詳しくない状態からAIを勉強し、仕事でAIを使ったシステム開発まで経験しました。
AIの勉強というと、Python、数学、機械学習、ディープラーニング、生成AIなど、いきなり知らない言葉がたくさん出てきますよね。
ただ、最初から全部勉強する必要はありません。
まず小さくAIを動かしてみて、そのあと必要な知識を戻って勉強する。 私はこの順番の方が、何のために勉強しているのか分かりやすく、挫折しにくいと思っています。
AIを効率的に勉強する方法¶
2020年にこの記事を書いたころは、AIを勉強するならPythonで機械学習モデルを作ることが中心でした。
しかし現在は、ChatGPTのような生成AIを使ったり、既存のAIモデルをAPI経由でアプリに組み込んだりする方法もあります。
そのため、最初に考えたいのが、自分はAIで何をしたいのかです。
| 目的 | 最初に勉強したいこと |
|---|---|
| 生成AIを仕事で使いたい | 生成AIの使い方、プロンプト、情報の確認方法 |
| AIを使ったアプリを作りたい | Python、API、Webアプリの基礎 |
| 機械学習モデルを作りたい | Python、scikit-learn、データ分析 |
| ディープラーニングを学びたい | Python、数学、PyTorchなど |
| AIエンジニアを目指したい | Python、数学、機械学習、データ処理、クラウド |
ここを決めずに、いきなり線形代数の参考書から始めると、何のために勉強しているのか分からなくなりやすいです。
初心者の方は、まず何か1つ動かしてみるところから始めてみましょう。
ステップ1：まずAIを動かしてみる¶
何も知らないのに、いきなりAIを動かすの？と思うかもしれません。
しかし、私は新しい技術を勉強するとき、最初に完成形を一度体験することをおすすめしています。
たとえば機械学習なら、Google Colabを使えば自分のPCへPython環境を構築しなくてもコードを実行できます。
Google Colabはブラウザ上で利用できるJupyter Notebook環境で、無料でも利用できます。GPUやTPUを利用できる場合もありますが、無料枠の利用上限や利用できるハードウェアは固定ではありません。
最初は環境構築で何時間も悩むより、Colabでサンプルコードを動かしてみる方が分かりやすいです。
たとえば、Pythonの機械学習ライブラリscikit-learnを使えば、次のような短いコードでも分類モデルを作れます。
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score
data = load_iris()
X_train, X_test, y_train, y_test = train_test_split(
data.data,
data.target,
test_size=0.2,
random_state=42
)
model = RandomForestClassifier(random_state=42)
model.fit(X_train, y_train)
pred = model.predict(X_test)
print(accuracy_score(y_test, pred))
最初から1行ずつ完璧に理解する必要はありません。
まずは、データを渡す → AIに学習させる → 新しいデータを予測するという流れを体験できれば十分です。
ステップ2：Pythonの基礎を勉強する¶
AIを実際に作ってみたいなら、次にPythonを勉強しましょう。
Pythonは機械学習やデータ分析、生成AIアプリの開発などで広く使われています。
ただし、Pythonの機能を全部覚える必要はありません。
まずは次のような基礎が分かれば、AIの教材を読み進めやすくなります。
| Pythonの基礎 | 使う場面 |
|---|---|
| 変数 | データを保存する |
| if文 | 条件によって処理を変える |
| for文 | データを繰り返し処理する |
| リスト・辞書 | 複数のデータを扱う |
| 関数 | 処理をまとめる |
| ライブラリ | NumPyやpandasなどを利用する |
AIを勉強したいのに、Pythonだけを何か月も勉強する必要はありません。
基礎文法を一度学んだら、AIのコードへ戻り、分からない文法が出てきたらその都度調べるくらいで大丈夫です。
Pythonの勉強方法はこちらの記事でも詳しく解説しています。
【関連記事】Pythonを効率よく身につける勉強方法
以前の記事では、特定の動画講座を約30時間見れば1週間でPythonを習得できると紹介していました。
ただ、プログラミングは動画を見るだけで身につくものではありません。
教材を見る時間よりも、自分でコードを書いて、エラーを直して、もう一度動かす時間を増やすことが大切です。
ステップ3：機械学習の基本を学ぶ¶
Pythonの基礎が分かったら、機械学習を勉強してみましょう。
初心者であれば、最初からニューラルネットワークを作るより、scikit-learnを使って基本的な機械学習を体験するのがおすすめです。
まず理解したいのは、次のような考え方です。
教師あり学習、教師なし学習、分類、回帰、学習データ、テストデータ、過学習、評価指標などです。
言葉だけを見ると難しそうですが、実際にコードを動かしながら覚えると理解しやすくなります。
たとえば、迷惑メールかどうかを判定するのが分類、家の広さなどから価格を予測するのが回帰です。
AIという大きな言葉で考えるより、どのようなデータから何を予測したいのかを考えると分かりやすくなります。
【関連記事】初心者向けにAIの始め方を解説
ステップ4：必要になった数学を勉強する¶
AIを学ぶなら数学が必要なのか、という疑問もあると思います。
結論として、AIを使うだけなら高度な数学が分からなくても始められます。 一方で、機械学習やディープラーニングの仕組みを深く理解したいなら数学は必要です。
私自身、AIを勉強し始めたころは中学数学にも自信がありませんでした。
そのため最初から大学数学をすべて勉強するのではなく、AIのコードを触りながら必要になった部分を戻って学習しました。
代表的には、次のような数学が使われます。
| 分野 | AIで使うイメージ |
|---|---|
| 中学・高校の関数 | 数値の変化を理解する |
| ベクトル・行列 | 大量のデータをまとめて扱う |
| 微分 | モデルの誤差を小さくする |
| 確率・統計 | データの傾向や予測を考える |
最初に数学を全部終わらせてからAIへ進もうとすると、かなり遠回りになります。
分からない式が出たときに、その式を理解するための数学を勉強する方法でも十分に進められます。
ステップ5：ディープラーニングを学ぶ¶
機械学習の基本が分かり、さらにAIを深く学びたい場合はディープラーニングへ進みます。
現在はPyTorchなどのフレームワークを使ってニューラルネットワークを構築できます。
PyTorchの公式チュートリアルでも、データの読み込み、モデル作成、最適化、モデル保存という一連の機械学習ワークフローを初心者向けに学べます。
ここまで来ると、画像分類や自然言語処理など、より複雑なAIを学びやすくなります。
ただし、生成AIを使ったWebサービスを作りたいだけなら、必ずしも自分でディープラーニングモデルを学習させる必要はありません。
目的によって、必要な勉強は変わります。
生成AIを学びたい場合は順番が少し違う¶
2020年と現在で一番大きく変わったのが、生成AIです。
ChatGPTのような生成AIを使ったアプリを作る場合、巨大なAIモデルを自分でゼロから学習させなくても、APIや既存モデルを利用できます。
その場合は、Pythonの基礎に加えて、API、JSON、データベース、Webアプリ、RAGなどを学ぶ方が実践につながることもあります。
逆に、LLMそのものの仕組みを研究したい場合は、線形代数、確率、ニューラルネットワーク、Transformerなどを深く学ぶ必要があります。
AIを勉強するという言葉だけでは範囲が広すぎるので、何を作りたいのかから逆算するのがおすすめです。
AI初心者におすすめの学習順¶
ここまでの流れをまとめると、初心者には次の順番がおすすめです。
| 順番 | 学ぶこと | 目標 |
|---|---|---|
| 1 | AIを実際に動かす | 完成形を体験する |
| 2 | Python基礎 | コードを読めるようにする |
| 3 | 機械学習 | 学習・予測・評価を理解する |
| 4 | 数学 | 分からない仕組みを理解する |
| 5 | ディープラーニング | ニューラルネットワークを理解する |
| 6 | 興味のある分野 | 生成AI、画像、自然言語などへ進む |
重要なのは、1から6まで一度に終わらせようとしないことです。
実践 → 分からない → 勉強する → もう一度実践するという繰り返しの方が、知識がつながりやすくなります。
AIエンジニアを目指す場合の勉強方法はこちらの記事でも紹介しています。
【関連記事】高卒からAIエンジニアを目指す勉強方法
AIを仕事で使うならインフラの知識も役立つ¶
AIモデルを作れるようになっても、実際のサービスとして公開するには別の知識が必要です。
Linux上でプログラムを動かしたり、クラウドへデプロイしたり、ネットワークやセキュリティを考えたりする場面もあります。
AIだけを学んでいると、この部分で止まることがあります。
InfraAcademyでは、Linux、ネットワーク、AWS、Dockerなど、アプリケーションを実際に動かすためのインフラ知識を手を動かしながら学習できます。
AIを作る勉強と同時にすべて学ぶ必要はありませんが、自分で作ったAIをWebサービスとして動かしたくなったときに学んでみてください。
AIの勉強は、まず1つ動かすところから始めよう¶
AIは勉強範囲が広いため、最初から全部理解しようとすると挫折しやすいです。
私がおすすめするのは、まずサンプルを動かして完成形を知り、そこからPythonや機械学習、数学へ戻る方法です。
現在はGoogle Colabや豊富なライブラリ、生成AIもあるため、2020年当時より初心者がAIを試しやすい環境になっています。
一方で、ツールが便利になったからこそ、コードをコピーして動いたところで終わらず、なぜ動いたのかを少しずつ理解することが大切です。
まずは今日、Google Colabで短い機械学習コードを1つ動かしてみてください。
そこから、分からなかったPythonの文法を1つ調べる。それだけでもAI学習のスタートとしては十分です。
