Tracks
AIの基礎
10時間
AIリテラシーはもはや必須です。State of Data & AI Literacy Report 2026によると、69%のリーダーが、AIリテラシーがチームの日々の業務にとって重要だと考えています。とはいえ、「AIを学ぶ」という指示はあまりに広く、どこから手をつければよいか分かりにくいのが現実です。実際のところ、どこから始めればよいのでしょうか？
本ガイドは、AIがまったく初めての方に向けて、ランダムなリンク集ではなく、明確で体系的な学習ルートを提示します。より深く学びたい場合は、完全版の「How to Learn AI」ガイドもご覧ください。
キャリアチェンジを目指す方、ビジネスパーソンとしてスキルアップしたい方、あるいは「学ばなきゃ」と思いながら2年先延ばしにしてきた方まで、以下のリソースはゼロから実務レベルまで到達するために厳選しています。理論（機械学習、深層学習、ニューラルネットワーク）、前提知識（Python、統計、数学）、そして最新の応用レイヤー（LLM、プロンプトエンジニアリング、RAG、ファインチューニング、エージェント型AI）を網羅します。
おおまかな順序に並べています。厳密に従う必要はありませんが、完全にゼロからなら、この順に進めると混乱を大きく減らせます。各項目には、学べる内容、所要時間、適した受講者を記載しています。まったくの初心者であれば、まずは新しいAIネイティブの Introduction to AI for Work コースから始めるのが最適です。専用のAIチューターが学習スタイルやニーズに合わせてコースを最適化してくれます。
AIロードマップ：要点
まったくの初心者から自律型AIエージェントの構築まで進みたい場合、概略は次のとおりです（週10時間の学習を想定）：
- 1〜3ヶ月目：基礎。 主要なAI概念、倫理、基礎数学を理解し、その後Pythonとデータ操作（pandas）を学びます。
- 4〜6ヶ月目：コア機械学習。 統計をPythonに結び付け、scikit-learnを使って古典的なMLモデル（回帰、分類）を習得します。
- 7〜9ヶ月目：ディープラーニングとLLM。 PyTorchでニューラルネットワークとTransformerを学び、OpenAI APIやHugging Faceを通じてプログラムからモデルを統合・プロンプトできるようにします。
- 10ヶ月目以降：AIエンジニアリングとエージェント。 静的なモデルを超え、RAG、LangChain、自律エージェント（MCP、Claude Code、Gemini CLI）を用いて本番運用レベルのシステムを構築します。
推奨AI学習ロードマップ
AIをゼロから始める場合、当社のリソースに基づく推奨シーケンスは次のとおりです。期間は目安で、週10時間の学習を想定しています。
ステージ1：基礎（1〜3ヶ月）
Introduction to AI for Work、AI Fundamentals スキルトラック、AI Ethics から始め、概念的な語彙とガバナンスの枠組みを築きます。これらはコーディング不要で、その後の内容を理解するための思考モデルを与えてくれます。並行して、Introduction to Statistics と Demystifying Mathematical Concepts for Deep Learning チュートリアルに取り組んでください。
理論が身についたら、Pythonに進みます。Python Data Structures チュートリアル、Python Programming スキルトラック、Data Manipulation in Python スキルトラックの順で学習しましょう。3ヶ月目の終わりには、Pythonでコードを書けること、pandasでDataFrameを操作できること、確率分布を理解していることが目標です。これらはAIを深く理解するうえで不可欠です。
ステージ2：コアMLとデータサイエンス（4〜6ヶ月）
ここからが本番です。Foundations of Probability in Python を受講して統計知識をコードに結び付け、続いて Associate Data Scientist in Python キャリアトラックを開始します。本ステージですべての90時間を終える必要はありませんが、データ操作、可視化、教師あり学習のセクションはやり切りましょう。特にscikit-learnのコースは必須です。
同時に、Machine Learning Fundamentals in Python スキルトラックにも取り組みます。教師あり・教師なし学習のコースはキャリアトラックと重複するため、同じ概念を二方向から強化できます。6ヶ月目には、分類または回帰モデルを学習・評価・チューニングできるようになっているはずです。
ステージ3：ディープラーニングと最新LLM（7〜9ヶ月）
次は Deep Learning in Python スキルトラック に進みます。PyTorch基礎、CNN、RNN、そしてTransformer Modelsの順で学習してください。Transformerのコースが、古典的なディープラーニングと最新のLLMをつなぐ橋渡しになります。
内部で何が起きているか理解できたら、モデルと効果的にやり取りできるようになります。なお、スクラッチからモデルを学習するよりAIを使ってプロダクトを作ることに関心があるなら、深層学習の数学は飛ばし、LLMを強力なユーティリティとして扱うのも一案です。まずは Prompt Engineering with the OpenAI API と Working with Hugging Face を修了し、続けて Developing AI Systems with the OpenAI API でウェブUIから実際のソフトウェア開発へと踏み出しましょう。
ステージ4：AIエンジニアリングとエージェント（10ヶ月目以降）
このステージでは、本番運用可能な高度なAIシステムを構築します。まずは Retrieval-Augmented Generation (RAG) with LangChain で、LLMをプライベートデータに接続できるようにします。
次に、AI Agent Fundamentals スキルトラック と Introduction to the Model Context Protocol (MCP) チュートリアルで、受動的な生成から能動的なタスク実行へとシフトします。最後に、Claude Code と Building with Gemini 3.1 Pro: Coding Agent チュートリアルで、これらの最新ワークフローをローカル開発に適用します。
AI学習ロードマップにおける最良のリソース
以下のリソースは、概念的基礎から実践的なモデル構築、最新のLLMアプリケーションへと、無理のない学習順に並べています。すでにPython経験がある場合は、適宜先に進んで構いません。
1. Introduction to AI for Work
開発者ではなく、AIとは何か、職場でどう責任を持って活用すべきかを知りたい方は、ここから始めてください。2〜3時間のコースで、大規模言語モデルの基礎、生成AIの仕組み、そして「依頼、要件、文脈、例」の4要素に基づくフレームワークで効果的なプロンプトの書き方を学びます。
このコースで特に良い点（ほかの入門AIコースと一線を画す点）は、DataCampの新しいAIネイティブ学習体験を採用していることです。静的な動画と演習の組み合わせにとどまらず、プラットフォームが1対1のAIチューターとして機能します。受講者の職種、目標、既存知識に合わせて、レッスン、例、演習を動的に生成します。
たとえばマーケターであれば、例はマーケティングのワークフローに即したものになります。学習ペースにも適応するため、一般的な2〜3時間という所要時間は、理解の速さに応じて柔軟に変わります。
個別化に加えて、実務的な構え方も魅力です。4つのAI機能（実行、思考の相棒、洗練、継続学習）のどれがタスクに該当するかを見極める方法を教えます。また、AIの限界や幻覚、責任ある利用まで扱っており、初心者向けコンテンツで見落とされがちな点をきちんとカバーしています。
- レベル： 初級
- 形式： コース、2〜3時間
- 対象： コードを書かずにAIツールを効果的に使いたいビジネスパーソン、マーケター、アナリストなど
2. AI Fundamentals スキルトラック
この10時間のトラックは、AI学習の背骨となる概念編です。6つのコース（Introduction to AI for Work、Understanding ChatGPT、Understanding Machine Learning、Large Language Models Concepts、Generative AI Concepts、AI Ethics）で構成され、コーディングは不要です。
機械学習アルゴリズムがどのようにパターンを学ぶかから、ChatGPTのようなLLMがどのように学習・展開されるかまで、AIの全体像を把握する語彙を身につけられます。最後のAI Ethicsコースは流し見ではなく、しっかり取り組む価値があります。修了すると、AI Fundamentals認定の準備にもなります。
- レベル： 初級
- 形式： スキルトラック、10時間、6コース
- 対象： コードを書く前に堅実な概念基盤を築きたい方
3. Introduction to Statistics
統計はAIの言語です。モデルがなぜその予測をするのか理解するには、確率分布、仮説検定、散らばりの尺度を理解する必要があります。4時間のこのコースは、ロンドンの犯罪データやオンライン小売の売上など実データを用いて、それらを扱います。
8,000件超のレビューと4.8という高評価は、統計コースとしては異例です。記述統計、確率、正規分布、中心極限定理、相関を、コーディング不要で学べます。以降の学習を「腑に落ちる」ものにする理論的な土台として位置づけてください。
- レベル： 初級
- 形式： コース、4時間、56演習
- 対象： 学校で統計を飛ばした方、または機械学習前に復習したい方
4. Demystifying Mathematical Concepts for Deep Learning
「実際どの程度の数学が必要なのか？」という問いへの最短の答えとなるチュートリアルです。スカラー、ベクトル、行列、テンソル、固有値、特異値分解、勾配降下法、エントロピーを、NumPyとSciPyを使ったPythonコードで扱います。完全な線形代数コースではありませんが、ニューラルネット内部で起きていることを理解するのに十分です。
勾配降下法だけでも読む価値があります。フルバッチ、確率的、ミニバッチの3種類を解説し、ニューラルネットの学習でどう使うかを示します。なぜモデル学習が「損失関数の最小化」を伴うのか、ここで具体的に理解できます。
- レベル： 初級〜中級
- 形式： チュートリアル、読了目安約15分
- 対象： 線形代数フルコースにコミットせず、深層学習の数学的背景を理解したい方
Demystifying Mathematical Concepts for Deep Learning
5. Foundations of Probability in Python
この5時間のコースは、統計コースの続編として、確率の概念にPythonコードを加えます。ベルヌーイ試行、二項分布、正規分布、ポアソン分布、大数の法則、中心極限定理を扱い、それらを線形回帰・ロジスティック回帰へと結び付けます。
最終章はML実務者にとって最も有用です。中心極限定理が、標本平均が母平均に収束する理由を説明し、大規模データでの学習が有効である理論的根拠になることを示します。全編でscipyを用いており、多くのMLコードベースで遭遇するライブラリと一致します。
- レベル： 中級
- 形式： コース、5時間、61演習
- 対象： Introduction to Statisticsを終え、確率をPythonで応用したい方
Foundations of Probability in Python
6. Python Programming スキルトラック
PythonはAI領域で支配的な言語であり、この19時間のトラックは基礎を超えて、実務で使われるコードへと導きます。コンテキストマネージャ、デコレータ、効率的なコードの書き方、ソフトウェア工学の原則、pytestによる自動テスト、オブジェクト指向プログラミングを扱います。
pandas、NumPy、setuptools、pytest、pycodestyleなどを使用します。データ分析出身でPythonが「動くけれど雑」という方には、コードを整える特効薬です。MLパイプラインを構築する段になれば、テスト可能でモジュール化されたコードは極めて重要になります。
- レベル： 初級〜中級
- 形式： スキルトラック、19時間、4コース
- 対象： 基本的なPythonは分かるが、保守しやすい本番対応コードを書けるようになりたい方
7. Python Data Structures チュートリアル
AIの実務で遭遇するあらゆるデータ構造（整数、浮動小数、文字列、ブール、配列、リスト、タプル、辞書、集合、スタック、キュー、グラフ、木）を簡潔にカバーする必読の短編です。各構造の実行可能なPythonコードと、使い分けの指針が示されています。
特にNumPy配列の節が実務的です。なぜNumPy配列が大規模データでPythonリストより高速なのか、ベクトル化演算の仕組み、多次元配列の作り方を解説します。MLライブラリに取り組み始めると、すぐに役立つ知識です。
- レベル： 初級
- 形式： チュートリアル、読了目安約15分
- 対象： データ操作に進む前に、Pythonのデータ構造を明快に把握したい初心者
Python Data Structures チュートリアル
8. Data Manipulation in Python スキルトラック
モデル学習の前に、データのクレンジング、整形、分析ができる必要があります。この16時間のトラックは、pandasとNumPyを実データ（ニューヨーク市の樹木センサス、購買データ、株価など）で深掘りします。Data Manipulation with pandas、Reshaping Data with pandas、Joining Data with pandas、Introduction to NumPyの4コースで構成されています。
ここでのpandasスキルは本当に土台です。DataFrameのフィルタリング、データセットの結合、欠損値の処理、ワイド・ロングの整形は、どのMLプロジェクトでも頻出タスクです。NumPyのコースは配列演算を補強し、scikit-learnやPyTorchのワークフローへ直結します。
- レベル： 初級
- 形式： スキルトラック、16時間、4コース
- 対象： 機械学習モデルのためにデータを準備する必要がある方
Data Manipulation in Python スキルトラック
9. Associate Data Scientist in Python キャリアトラック
本リストで最も包括的なリソースです。23コース・90時間で、Pythonによるデータサイエンスの一連の流れ（データ操作、MatplotlibとSeabornでの可視化、統計的仮説検定、statsmodelsによる回帰、scikit-learnの教師あり学習、教師なし学習、木系モデル）を網羅し、10件の実プロジェクトも含みます。
このトラックはAssociate Data Scientist認定に向けた準備にもなります。特に有用なのはプロジェクト作業です。「農業の予測モデリング」や「南極ペンギン種のクラスタリング」など、演習をこなすだけでなく、実問題にMLを適用できることを示すポートフォリオになります。
- レベル： 初級〜中級
- 形式： キャリアトラック、90時間、23コース、10プロジェクト
- 対象： 実務データサイエンティストになるための構造化されたエンドツーエンドの道筋を望む方
Associate Data Scientist in Python キャリアトラック
10. Machine Learning Fundamentals in Python スキルトラック
この16時間のトラックは、機械学習の4つの主要分野（scikit-learnによる教師あり学習、scikit-learnとscipyによる教師なし学習、PyTorchによる深層学習、Gymnasiumによる強化学習）を扱います。MLモデルの仕組みを理解するための最短ルートです。
特にPyTorchのセクションが肝です。初めてのニューラルネットをスクラッチで構築し、誤差逆伝播と勾配降下をコードで学び、画像分類や感情分析に適用します。最後の強化学習コースではQ学習と方策勾配を扱い、現代のAIエージェントの基盤となる概念を学びます。
- レベル： 中級
- 形式： スキルトラック、16時間、4コース
- 対象： Pythonと統計の基礎があり、実際のMLモデル構築に進みたい方
Machine Learning Fundamentals in Python スキルトラック
11. Deep Learning in Python スキルトラック
この18時間のトラックは、PyTorchでニューラルネットのアーキテクチャをさらに深掘りします。画像分類のためのCNN、時系列データ向けのRNNとLSTM、物体検出、セグメンテーション、テキスト生成を扱います。最後の「Transformer Models with PyTorch」コースが、ChatGPTのような最新LLMにすべてをつなげるピースです。
Transformerのコースは特に注目に値します。アテンション機構の仕組み、なぜTransformerが多くのNLPタスクでRNNに取って代わったのか、そしてそのアーキテクチャがGPT系モデルの土台である理由を解説します。LLMの振る舞いを理解したいなら、ここが起点です。
- レベル： 中級〜上級
- 形式： スキルトラック、18時間、5コース
- 対象： ML Fundamentalsを修了し、深層学習に特化したい方
Deep Learning in Python スキルトラック
12. Prompt Engineering with the OpenAI API
LLMの概念を理解したら、この4時間のコースで、安定した出力を得るための手法を学びます。ゼロショット、ワンショット、フューショット、Chain-of-Thought推論、Self-Consistency、マルチステッププロンプト、反復改善を扱います。すべての演習はPythonでOpenAI APIを用います。
最も実務的なのはビジネス応用の章です。テキスト要約、メールマーケティングのトーン調整、カスタマーサポートのチケット振り分け、マルチステップのコード生成など、現場で頻出するタスクを取り上げ、構造化された一貫性のある出力を得るプロンプト設計を示します。
- レベル： 初級
- 形式： コース、4時間、55演習
- 対象： 信頼性の高いLLMアプリケーションを構築したい開発者・データ職
Prompt Engineering with the OpenAI API
13. Working with Hugging Face
Hugging FaceはOSSのAI開発の中心地で、この2時間のコースではその使い方を学びます。Hubから事前学習モデルを読み込み、データセットをダウンロード・加工し、テキスト分類パイプラインを構築し、長文要約を行い、AutoModelやAutoTokenizerでカスタムNLPタスクに取り組みます。
ローカル推論とHugging Faceの推論プロバイダ経由の違いも扱い、実プロジェクトで直面する意思決定を学べます。28,000人超が受講し評価4.8という人気コースなのも納得です。
- レベル： 初級
- 形式： コース、2時間、26演習
- 対象： ゼロから作り込まずにオープンソースモデルでNLPタスクを進めたい方
14. AI Agent Fundamentals スキルトラック
RAGがAIに「記憶」を与えるものだとすれば、エージェントは「手」を与えるものです。本トラックは、受動的な応答から、能動的に働くAIへの発想転換を促します。自律エージェントのアーキテクチャを学び、LLMにツール使用、マルチステップ推論、外部APIを組み合わせ、複雑なワークフローを実行する方法を探ります。
静的パイプラインからエージェント型システムへの進化は、まさに業界の現在地です。本トラックは、単に質問に答えるのではなく、実際にタスクを自律的に完了するシステムを構築するための概念・実装の基盤を提供します。
- レベル： 上級
- 形式： スキルトラック、所要約12時間
- 対象： 会話型AIを超え、自律的でアクション志向のシステムを構築したい上級学習者
15. AI Ethics
AIがビジネスやソフトウェアに浸透するにつれ、責任ある導入を理解することは不可欠です。本コースでは、公平性、透明性、説明責任、プライバシーといったAI倫理の中核原則を扱い、データセットのバイアスを特定・軽減するための実践的な手法を提供します。
抽象的な哲学に終始せず、実務的なガバナンスに焦点を当てているため、幅広い層に関連します。倫理フレームワークの確立方法や、失敗事例のケーススタディから学び、複雑なシステムを構築する前にユーザーの信頼を得て責任ある展開を行うための力を養います。
- レベル： 初級
- 形式： コース、2時間
- 対象： AIシステムの構築、展開、運用に関わり、公平で適法なツールを実現したいすべての方
16. Developing AI Systems with the OpenAI API
単純なウェブUIを超えて、OpenAIのモデルを自分のアプリケーションにプログラム的に統合する方法を学びます。Pythonを使い、認証、APIコール、レスポンス処理、トークン制限の管理まで扱い、モデル理論と実際のソフトウェア開発の橋渡しを行います。
チャット画面でのプロンプト入力から、コードでAPI呼び出しを編成する段階へ進むことは、できることの幅を大きく広げます。本コースは、本番AIシステムが実際にどのように構築されるのかというアーキテクチャの理解を与え、より複雑なデータ取得フレームワークに取り組む前の重要なステップになります。
- レベル： 中級
- 形式： コース、4時間
- 対象： チャットツールの利用から、自作のAI搭載ソフトウェア開発へ移行したい開発者
Developing AI Systems with the OpenAI API
17. Retrieval-Augmented Generation (RAG) with LangChain
大規模言語モデルは優秀ですが、自社の専有データは知りません。本コースは、外部ドキュメントに基づいて回答を根拠づける業界標準アーキテクチャであるRAGを紹介します。データのチャンク化、ベクトル埋め込みの作成、データベースからLLMへの情報フローをLangChainでオーケストレーションする方法を学びます。
企業向けAIの「魔法」を丁寧に解きほぐしてくれる点が気に入っています。データエンジンやインデキシングのパイプラインを構築することで、カスタマーサポートのチャットボットなどが適切な文脈を引き出し、幻覚を避ける仕組みがよく分かります。
- レベル： 中級〜上級
- 形式： コース、4時間
- 対象： 専有・ドメイン特化データを安全に検索・推論するAIアプリを構築したい開発者
Retrieval-Augmented Generation (RAG) with LangChain
18. Introduction to the Model Context Protocol (MCP)
「AIのUSB-C」とも形容されるModel Context Protocolは、AIモデルを外部データソースやツールに接続するOSS標準です。このチュートリアルでは、MCPのアーキテクチャ、マネージド／カスタム両サーバーのデプロイ方法を解説し、BigQueryのようなデータベース照会やGoogle Mapsとの連携を、新しいツールごとにアダプタを書くことなく実現します。
MCPがもたらす標準化は、エージェント型AIにとって画期的です。個別の統合を都度作るのではなく、データソースを一度MCPサーバーとして実装すれば、準拠する任意のAIクライアントでシームレスに利用できます。開発上の摩擦を大幅に減らします。
- レベル： 中級〜上級
- 形式： チュートリアル、読了目安約15分
- 対象： エージェントのエンタープライズデータ・外部サービス接続を標準化したいAI開発者・アーキテクト
Introduction to the Model Context Protocol (MCP)
19. Claude Code チュートリアル
このチュートリアルは、AnthropicのClaude Code CLIに焦点を当て、AIアシストをターミナルに直接取り込みます。環境構築、GitHub接続、複数ファイルの安全なコードリファクタリングに向けたExplore-Plan-Executeワークフローを学びます。
ハイライトは「Planモード」です。AIにいきなり自由にコードベースを編集させるのではなく、まず参照専用フェーズでレビュー可能なMarkdown計画を生成させます。典型的なAIコード生成に付きまとう誤りの連鎖を抑える、ガードレール設計の実践的なお手本です。
- レベル： 中級
- 形式： チュートリアル、読了目安約15分
- 対象： ローカル開発やリファクタリングにAIを深く組み込みたいソフトウェアエンジニア
20. Building with Gemini 3.1 Pro: Coding Agent チュートリアル
最新の開発ワークフローがここで集約されます。最先端のGemini 3.1 Proモデルを搭載したGemini CLIを使い、Next.jsアプリをゼロから本番レベルで構築する方法を学びます。初期のアーキテクチャ設計プロンプトから、カスタムスキルの作成、永続メモリの管理、Vercelへのデプロイまでを網羅します。
特筆すべきは、演習の実用性の高さです。単なるお試しスクリプトではなく、データベース移行、認証、ユニットテストを、先進的なエージェント型ワークフローで実際に扱います。開発者が「技術監督」として指揮し、AIエージェントが重作業を担う姿を体感できます。
- レベル： 上級
- 形式： チュートリアル、読了目安約20分
- 対象： 最先端モデルでフルスタックアプリを構築し、AI駆動開発を極めたい開発者
Building with Gemini 3.1 Pro: Coding Agent チュートリアル
自分に合ったAIリソースの選び方
上のリストは、AIの仕組みを深く理解したい完全な初心者向けの順序です。ただし、出発点は人それぞれ。ここでは手早い判断ガイドを示します。
- コーディング経験がない場合： Introduction to AI for Work、AI Ethics、AI Fundamentals スキルトラックから。Pythonにはまだ触れないでください。
- Pythonはできるが統計が弱い場合： Introduction to Statistics、続けて Foundations of Probability in Python へ。
- Pythonと統計が分かる場合： Machine Learning Fundamentals in Python スキルトラック と Associate Data Scientist in Python キャリアトラックに進みます。
- LLMでソフトウェアを作りたい場合： Developing AI Systems with the OpenAI API を受講し、直後に Retrieval-Augmented Generation (RAG) with LangChain へ。
- 自律システムを構築したい場合： AI Agent Fundamentals スキルトラック と Introduction to the Model Context Protocol (MCP) チュートリアルが次のステップです。
- ローカル開発を加速したいソフトウェアエンジニアの場合： Claude Code と Building with Gemini 3.1 Pro: Coding Agent チュートリアル を読み、CLIやフルスタックのワークフローへのAI統合を学びましょう。
- LLMの内部動作を理解したい場合： Deep Learning in Python スキルトラック（特にTransformer Modelsコース）が必要です。
- ビジネスパーソンで、とにかくAIツールを使いこなしたい場合： 必須なのは Introduction to AI for Work だけです。
まとめ
ゼロから始める多くの方にとって、率直な推奨は次のとおりです。AI Fundamentals スキルトラック と Introduction to Statistics を並行して進め、数学を飛ばさないこと。RAGアプリやAIエージェントの構築にすぐ飛びつくこともできますが、基礎を理解していないとすぐに天井にぶつかります。
一点注意：このリストはDataCampのリソースに焦点を当てており、構造化・対話型の学習に比重があります。論文を読むことやOSSプロジェクトに参加することも長期的なAIキャリアには重要ですが、出発点としては勧めにくい面があります。ここで挙げたリソースは、そうした広いエコシステムに関わるための土台を与えてくれます。
もし一つに絞るなら、概念の全体像を過不足なく掴める AI Fundamentals スキルトラック をおすすめします。10時間、コーディング不要で、修了時には次に進むべき道筋が明確になります。