最短解：523項目を順番に消化せず、先に作るAIプロジェクトを決め、基礎・実装・検証の順で必要な内容を選びます。
症状：学ぶ範囲が広く、どこから着手するか決められないなら、プロジェクトの入力と出力を一文で書くところから始めてください。
この進め方は、AI開発に初めて取り組む人にも、既に開発経験があり不足分を補いたい人にも使えます。数学や理論は後回しにするのではなく、必要になった箇所から深めるのが要点です。
零からAIエンジニアリングを学ぶ人は、学習項目を実行可能な道筋に整理できます。
開発経験者は、既知の基礎を見極めて重複を避けられます。
作品集を作る人は、各段階で何を成果物として残すか決められます。
最終更新：2026年9月26日。項目数と段階は、同日確認の公式コースリポジトリを基準にしています。内容や入口は更新される可能性があるため、着手時にも現行の案内を確認してください。
学習順序は、完成させたいAIプロジェクトから逆算します
AI Engineering from Scratchには523項目がありますが、すべてを同じ深さで学ぶ必要はありません。まず「何を受け取り、何を処理し、どんな結果を返すアプリを作るか」を決めます。たとえば、文書を入力すると要点と根拠を返すツールなら、モデル接続、結果の評価、失敗時の扱いが学習の軸になります。
ここで決めるのは大きな製品案ではなく、動作を確認できる最小の機能です。期待する入力・出力を具体例で書き、使う予定の言語や開発環境も記録してください。こうすると、コースのどの段階が必要かを判断しやすくなります。
| 作りたい機能・経験 | 先に確かめること | 学び方の判断 |
|---|---|---|
| モデルに入力を渡して結果を返す | 開発環境と基本的なモデルの扱い | 基礎を確認し、短い実装を先に動かします |
| ツールを使うAI Agentを作る | LLMの接続、ツール呼び出し、処理の流れ | 該当する工程を結びつけて試します |
| 既存アプリにAI機能を加える | 入出力の境界、エラー処理、基本テスト | アプリ側の実装と評価を並行します |
表は推奨ルートの判断材料であり、公式が定めた唯一の履修順ではありません。コースの段階名と学習入口は公式リポジトリの案内で照合してください。
始める前に、必須の準備と後から補える知識を分けます
最初に環境でつまずくと、学習内容ではなく設定の問題に時間を使いがちです。公式のセットアップとツールの段階には、利用環境を整えるための案内があります。自分のOS、言語、エディター、実行方法をメモし、説明どおりに小さな課題を起動できるか確かめてください。環境とツールの段階が、まず確認する入口です。
注意：公式ディレクトリに明記されていない前提条件を、必須の先修知識として扱わないでください。各段階の説明と課題を見て、必要な基礎を判断します。
準備するものは、動作する開発環境、プロジェクトの入出力メモ、現在の知識の棚卸しです。数学に不安がある場合も、最初からすべてを理解することを条件にせず、行列や確率などが必要になった箇所を記録して後で戻れるようにします。
基礎は課題を動かし、結果を説明するために使います
基礎段階は、理論を暗記するためだけの区間ではありません。数学はデータや計算の見方に、機械学習は予測と評価の考え方に、深層学習や言語モデルの基礎はモデルの振る舞いを理解する助けになります。自分のプロジェクトに関係する疑問と結びつけて学ぶと、どこまで理解すべきかが明確になります。
コースには数学の基礎段階と機械学習の基礎段階が用意されています。実際の課題や成果は各段階の現在の内容を確認し、ノートには「何を試したか」「結果をどう判断したか」を残してください。課題名や構成が更新されている場合は、古い紹介記事ではなく現行の説明を優先します。
実装では、モデル接続から評価・統合へ進みます
基本が見えたら、完成させたい機能に直結する工程を選びます。LLMを使うアプリなら、LLMエンジニアリングの段階を確認し、モデルへの入力、返却結果の扱い、期待と異なる場合の確認方法をプロジェクトに反映します。Agentが必要な場合は、ツールやプロトコルを扱う段階とAgentエンジニアリングの段階を照合します。
経験者への注意：言語や開発ツールを既に使いこなせるなら、同じ説明を一律にやり直す必要はありません。ただし、AI固有の評価やAgentの処理まで、一般的なアプリ開発の経験だけで理解済みと判断しないでください。
各段階で、実行できるコード、入力例、結果の記録のいずれかを残します。道具を呼び出す設計が必要なら、ツールとプロトコルの段階を参照し、公式の課題と自分の機能要件がどう結びつくかを確認してください。コースの項目を並べるだけで終えず、「この学びでプロジェクトのどの動作を確かめたか」を記録することが重要です。
条件に合わせて学ぶ順を選びます
- 目標機能がまだ決まっていないなら、環境を整え、基礎の課題を試して題材を絞ります。
- 基本的な開発環境を扱え、入力と出力も決まっているなら、重複する導入内容は確認にとどめ、必要な実装段階に進みます。
- Agentの必要性が不明なら、まずモデル単体で動く最小機能を作り、単純な入出力では足りないと分かった時点でツール利用やAgentの内容を補います。
- 基礎の説明や課題を自分で説明できないなら、該当段階に戻り、プロジェクトの判断に使えるまで学び直します。
よくある疑問を、学習と成果物の判断に結びつけます
AI Engineering from Scratchはどの段階から始めますか
まず環境とツールの案内を確認し、課題を実行できる状態を作ります。その後、作る機能に必要な段階を選んでください。数学が不安でも、プロジェクトで必要になるまで深掘りを保留し、実装と並行して補えます。
学び終えた後、どんなAIプロジェクトを作れますか
コースを終えたことだけで、特定の制作能力が保証されるわけではありません。入力、処理、出力を説明できる小さな機能を選び、モデル接続や評価など必要な内容を組み合わせて完成させます。たとえば文書を受け取って要点を返すアプリは、結果の検証やエラー処理も含めて試せます。
開発経験者は何を飛ばせますか
既に扱える言語や開発ツールの説明は、公式の段階内容を確認したうえで学び直しを省ける場合があります。一方、機械学習やLLMの評価など、AI特有の考え方は別に確かめてください。実際に課題を動かし、説明できる範囲と不足する範囲を分けるのが判断の基準です。
学習課題を作品集に整えるには何を残しますか
実行手順、入力と出力の例、テスト結果、既知の制約をコードとともにまとめます。課題を並べるだけでなく、自分が加えた変更とその理由も説明してください。別の環境で手順どおりに動くことを確認できれば、成果を第三者に示しやすくなります。
完成の判断は、修了ではなく再現できるかで行います
提出前には、説明どおりに環境を準備した人が同じ結果を確認できるかを試します。READMEに必要な設定と実行手順を書き、想定する入力、返る出力、失敗時の挙動を示してください。基本的なテストを用意し、成功例だけでなく入力が不正な場合も確認します。
作品集にするなら、課題の出典、自分で加えた部分、確認した結果、残っている課題を分けて記録します。これで、コースを学んだことと、独立して説明・再実行できるプロジェクトを作ったことを混同せずに済みます。
学習中に分かった不足は、コース全体を最初からやり直す理由にはなりません。結果を評価できなかったなら評価に関係する段階へ、ツールの呼び出しに失敗したなら該当する段階へ戻り、修正後に同じ入力で再確認します。コースの構成や入口は変わることがあるため、公式のリリース記録も確認し、古い段階名だけを頼りにしないでください。
作業環境の準備で手が止まる場合は、Kvmzenの会社概要でサービスの提供元を確認できます。特定のOSやMac環境が必要な課題を試す段階になったら、Mac miniの利用シーンも比較材料になります。
手元の環境だけで進める方法は追加費用を抑えられる一方、OSの違いによる設定作業、使える計算資源の制約、環境を分けた再現確認の難しさが残ることがあります。短期間だけMac環境で課題を動かしたい、あるいは自分のPCを変えずに検証したい場合は、Kvmzenのレンタル環境を選択肢として確認してください。長期にわたり同じ重い処理を続ける場合や、手元の物理機器を直接使う必要がある場合は、購入やローカル環境のほうが適することもあります。