本文へスキップ
BecomeCoder
ブログ一覧コース一覧

AI・機械学習の独学ロードマップ｜何から勉強する？初心者向け学習順序

#AI#機械学習#独学#ロードマップ

結論：AI・機械学習の独学は、数式や理論から入るのではなく「Python基礎 → データ分析（numpy/pandas）→ 機械学習（scikit-learn）→ ディープラーニングの仕組み → RAG/LLM」の順で、各ステップをブラウザで実際に動かしながら進めるのが挫折しない近道です。 機械学習のアルゴリズムは「データを数値の配列として扱う」ことが前提になっており、Pythonの基礎文法とデータの扱い方に慣れていないと、scikit-learnのコードを写経しても中身が理解できないまま止まってしまうからです。

なぜ「AIは何から勉強すればいいか」で迷うのか

「AI」「機械学習」「ディープラーニング」「LLM」という言葉は、実は入れ子の関係になっています。AIという大きな枠の中に機械学習があり、機械学習の中の一手法としてディープラーニングがあり、いま話題のLLM（大規模言語モデル）やRAGはディープラーニングを土台にした応用です。

この関係を知らずに教材を選ぶと、いきなりニューラルネットワークの数式や、LLMのAPI連携から入ってしまい、「そもそもなぜこの計算をしているのか」がわからないまま終わってしまいがちです。逆に、下から順番に手を動かして積み上げると、どのステップも前のステップの延長として理解できます。

学習ステップの全体像

  1. Python基礎文法（変数・条件分岐・繰り返し・関数・リスト・辞書）
  2. データ分析（numpy・pandas・matplotlibでデータを配列や表として扱う）
  3. 機械学習（scikit-learnで回帰・分類・クラスタリングを学習させる）
  4. ディープラーニングの仕組み（勾配降下法・ニューラルネットワークを自作して理解する）
  5. RAG・LLM（AIに検索させて答えさせる仕組み）

以下、それぞれのステップでBecome-Coderのどのコースがどこまでブラウザで実行できるかを含めて解説します。

ステップ0: Python基礎文法を先にやり切る

機械学習のコードは基本的にPythonで書かれています。forループの代わりにベクトル演算を使う、if文で条件分岐する、関数で処理をまとめる、といった基礎が体に入っていないと、scikit-learnのサンプルコードを読んでも「何が起きているか」を追えません。

Become-CoderのPython文法コースはpython-01〜python-26の全26レッスンが登録不要・環境構築不要でブラウザ上でそのまま実行できます。まずは最初の一歩、print ― 画面に表示するを実際に動かしてみてください。ここで文法を丸暗記する必要はなく、「変数」「リスト」「辞書」「関数」あたりまで一通り触れていれば次に進めます。

ステップ1: データ分析で「データを配列として扱う」感覚をつかむ

機械学習のアルゴリズムに渡すデータは、たいてい数値の配列（テーブル）の形をしています。この「表形式のデータをまとめて操作する」感覚を先につかんでおくと、機械学習のステップがぐっと楽になります。

データ分析コースはpydata-01〜pydata-24の全24レッスンがすべてブラウザで実行可能です。ライブラリという考え方 ― importから始まり、表を扱う ― 最初のDataFrameで表形式データの基本を、CSVを読み込む ― read_csvで実際のファイルを読み込んで集計する流れまで、実務で使うのと同じライブラリがそのままブラウザ内で動きます。

このステップを飛ばしていきなり機械学習に進むと、「なぜXとyに分けるのか」「なぜ配列の形（shape）を合わせる必要があるのか」でつまずきやすくなります。

ステップ2: 機械学習で「学習させて予測する」を体感する

ここからが本題の機械学習です。機械学習コースは全19レッスンのうち大半が実行可能で、理論の説明を先に読むのではなく「動くものを触ってから理解する」構成になっています。

はじめての機械学習 ― 予測してみるでは、実際にscikit-learnのモデルをブラウザで学習させ、予測結果を出力できます。そこから線形回帰 ― 直線をあてはめるで数値を予測する回帰、分類とロジスティック回帰でカテゴリを分ける分類、教師なし学習とk-meansでラベルなしデータをグループ分けするクラスタリングと、機械学習の3つの基本形を順に手を動かして体験できます。モデルを訓練データとテストデータに分ける理由や、精度の測り方、過学習（オーバーフィッティング）といった「モデルをどう評価するか」も同コース内で扱っています。一部、ニューラルネットワークの概念解説など次のステップにつながる箇所は読み物（local）として区別されています。

ステップ3: ディープラーニングの仕組みを知る

機械学習の基本形が掴めたら、次はディープラーニング（深層学習）です。ここでいきなり数式やPyTorchの公式ドキュメントに挑むと挫折しやすいので、Become-Coderのディープラーニングコースは「AIが学習するとはどういう計算なのか」を、まずnumpyだけで自分の手を動かして再現するところから始めます。

そもそも「学習する」とは何かで全体像をつかんだあと、予測と誤差 ― 損失を数値で測るや順伝播 ― 層を重ねるのように、損失関数・勾配降下法・ニューラルネットワークの核心部分を自分でコードを書いて実行できます。全21レッスンのうち序盤（pytorch-2〜pytorch-11あたり）は実際に手を動かして仕組みを体感するパートで、なぜPyTorchか ― テンソルと自動微分(autograd)以降は、実際のPyTorchの使い方やファインチューニング（転移学習・LoRA）の解説を読み物として構成しています。仕組みを自分の手で再現してから本物のフレームワークの説明に進む、という順序です。

ステップ4: RAG・LLMで「AIに検索させて答えさせる」仕組みを学ぶ

最後は、いま最も注目されている応用分野であるLLM（大規模言語モデル）まわりです。LLMは便利ですが「知らないことは答えられない・平気で嘘をつく（幻覚）」という弱点があり、それを検索で補う仕組みがRAG（検索拡張生成）です。

RAG（検索拡張生成）コースは全25レッスンで、RAGを一言で ― LLMの弱点を「検索」で補うから全体像を掴んだあと、はじめてのRAGを動かす ― 最小パイプラインやテキストをベクトルに ― TF-IDFを体験するのように、文章をどう分割し、どう「近さ」を測って検索するかという検索アルゴリズムの部分は実際にブラウザで計算を動かして確認できます。一方、生成AIのAPI呼び出しや本物の埋め込みモデルの利用など、外部サービスに依存する部分は読み物として区別されています。

このステップまで来ると、「LLMに何でも聞けばいい」で終わらせず、なぜ検索と組み合わせる必要があるのか、その裏でどんな計算が動いているのかを理解した状態でLLMを使えるようになります。

つまずきやすいところ

AI・機械学習の独学でよくあるつまずきは、実はディープラーニングやRAGそのものより前段階、Pythonの文法まわりで起きます。特に多いのが変数名のスペルミスによるNameErrorや、辞書に存在しないキーを読んで起きるKeyErrorです。詳しくはPythonのエラー逆引きにまとまっているので、機械学習コードを書いていてエラーで止まったら辞書として使ってください。インデント（字下げ）のズレでつまずく人も多く、IndentationError ― インデント（字下げ）のズレで原因と直し方を確認できます。

遠回りしないためのポイント

次に読む

← ブログ一覧に戻る