これからＡＩの勉強を始めようとしている初心者の方、
- いったい何をどれだけ勉強したらいいの？
- 独学で勉強して習得できるような内容なの？
と心配されている方。そんな方に向けてAI作成のための学習内容ロードマップと、各ステップごとでつまづきそうなポイント、その対策を確認していきましょう。
- 初心者向けAIロードマップがわかる
- つまずきポイントとその対策がわかる
初心者のAI勉強方法
初心者がAIを勉強する方法は大きく分けて以下の２つに分かれます。
独学で勉強する
AIを学習しようと思い立って、まずやってみる方法はこちらでしょう。
- どれくらいの難易度かわからない
- 習得にどれくらいの時間を要するかわからない
- そもそも習得しきれるの？
といった多くの疑問や不安を持ちながら、まずは本やWebで少し勉強してみるのはよくある選択肢だと思います。
今回は、この独学で勉強する方法に関してロードマップとそれぞれの項目で躓きそうなポイント、それに対する解決策を見ていきます。
誰かに教えてもらう
独学での勉強の場合、
- 各項目がどの程度マスターできているか分からない
- わからなかった場合の対策に時間がかかる
- そもそもわかっていないところがわからない
といった問題があります。実際、今回のロードマップで想定している時間も「すべて一通りの学習でマスターできる」「つまずいたときにかかる時間は見ていない」点に注意が必要です。
独学向けAI学習のロードマップ
独学で初心者からAIを勉強していくロードマップを確認していきます。必要時間は手戻り時間が発生しない前提、つまり「すべて一通りの学習でマスターできる」「つまづいたときにかかる時間は見ていない」ので注意してください。実際には
- できるところのみを厚く勉強してしまう
- マスターできたかわからず次に進めない
- わからないところを調べるのに時間がかかってしまう
状況はよく発生するので、その分余計に時間はかかります。この時間を少しでも防ぐためのポイントを解説していきます。
AIのロードマップに関しては以下の記事も参照してください。
ステップ①：機械学習の概要を理解する
ステップ②：プログラミングを理解する
ステップ③：機械学習を勉強する
ステップ④：数学（統計）を学ぶ
ステップ⑤：データ分析に挑戦する
①機械学習の概要（想定40時間）
機械学習概要の勉強をする際に考えられる問題と対策を考えます。
何をどこまで勉強するか
機械学習概要でつまずくポイントの一つに「どこまで勉強すればよいか？」という問題があります。これに関しては、G検定取得など目標を決めて取り組むとよいです。
また、機械学習の概要に関しては、次のプログラミングの勉強と並行して進めるのもおすすめです。特に勉強を始めたばかりで、実装がどんなものか興味がある方はプログラミングの学習と並行して学習するとよいでしょう。
②プログラミング（想定40時間）
ここではPythonによるプログラミング全般の学習を行う際に考えられる問題と対策を考えます。
インストールや設定
プログラミング学習の最初のつまずきポイントはインストールや設定です。特に、AIを勉強したくて勉強を始めたにも関わらず、いきなりインストールなどAIと関係のないところで時間を取られてしまうことも多々あります。
これに関しては、以下の記事でわかりやすく解説しており、手順に従うことで確実に環境構築が可能です。
また、場合によってはどうしても環境構築がうまくいかない場合もあります。そのような場合はAWSやGoogleColabなどのサービスを利用する方法も考えられます。とくにGoogleColabは登録だけで無料で始めることができるので、どうしても行き詰まったらこちらでまずは試してもよいでしょう。
エラーメッセージ
プログラミングで常に付きまとうのが「エラー」です。参考書の例を参照して書いたはずなのに発生したり、場合によっては例の通り書いても発生することもあります。
エラーが出るとその時点で拒否反応を示してしまう方もいると思うのですが、下記のように出力されたエラー内容を確認すると多くのエラーは解決します。その時は解決しなかったとしても、エラーを解決するのは今後ずっと発生する作業になるので今から慣れておくのがよいでしょう。
- まずは出てきたエラー内容をしっかり確認してみましょう。英語が苦手な方はDeepLなどで翻訳すると、どのような内容でエラーが出ているかわかり対策を検討する手掛かりになります。
- それでもわからない場合はエラー内容を直接Googleに入れて検索してみましょう。多くの場合、過去に同じ内容で解決した方の結果が載っている場合が多くあります。特に初学者の頃にでるエラーは大概ここまでで解決が可能です。
- それでもわからない場合は質問サイトなどで質問してみるのも手です。
③機械学習（想定70時間）
ここでは機械学習の学習でつまずきそうな部分の対策を考えます。
どの手法を利用すべきか
引用：scikit learn
機械学習手法には様々なものがあり、どのようなものを利用すべきか迷う場合があります。scikit learnには上記のように、各場面でどのような手法を選択するとよいかを示してくれていますので、こちらが参考になるでしょう。
どの手法を勉強するべきか
上記のように機械学習にはいくつかの手法が存在するのですが、この段階ではどの手法を勉強すればよいのでしょうか。まずは決定木・SVM・主成分分析の３つを学習するとよいでしょう。以下の記事でそれぞれ詳細に解説しています。
| 機械学習手法 | 習得するメリット |
| 決定木 | 簡単に精度よくデータを予測できます。特になぜそうなったかの説明に優れているので、分析後に結果の説明がしやすい手法です。 |
| SVM | データを特に精度よく予測できます。データを分類した境界を視覚的に確認できるので、結果のイメージがつきやすい手法です。 |
| 主成分分析 | データの次元を落として、可視化やデータの分類の前処理などを簡単に行うことができます。 |
その後は上記で出てきた手法選択のシートを参考に、順次新しい手法が出てくるたびに覚えていきましょう。
④数学（想定20時間）
ここでは数学の学習に関してつまずくポイントを考えます。
何を勉強すればよいかわからない
数学に関しては勉強範囲が広くてどこを勉強したらよいかわからない、という問題があります。これに関しては、どの分野にも役立つ確率・統計を以下の記事で勉強しましょう。
⑤データ分析（想定30時間）
ここではデータ分析の学習を進めるなかで考えられる問題を考えます。
正解がわからない
現実のビジネスにおいてデータ分析は、前もって答えが用意されていないため出した結論が確実にあっているか答え合わせができません。
解決策としては分析方法をしっかりと身につけ、自身のある分析結果を出すしかありません。以下の記事で特徴量エンジニアリングととおすすめ書籍を示していますので、参考にして手法をしっかり身につけてください。
学ぶべき分析手法がわからない
分析手法はいろいろなものが存在します。手法の学習を進めていくと、どの手法から学習し、どこまで学習すればよいかわからなくなることがあります。その際は以下のものをまず学習しましょう。
| 分析手法 | 使用シーン |
| 相関分析 | 「関係性」からデータを分析する基本です。説明変数と目的変数との関係性を見るのはもちろん、説明変数どおしに相関がありすぎて説明変数として不適切でないかを見たりします。 |
| 回帰分析 | データの説明変数と目的変数の関係を考えるために使用します。回帰式に当てはめることで、データの傾向をつかむために使用します。 |
| 主成分分析 | データのイメージをつかむのに使用します。データの変数を集約して人間の目でみてわかりやすることにより、データの傾向をつかんだりするために使用します。 |
| クラスター分析 | データのかたまりを見るのに使用します。似たデータを見つけることにより層別したり、データのばらつきの特性を見たりするのに使用します。 |
それぞれの手法に関しては以下のページにまとまっていますので、参考にしてください。
まとめ
今回はAI学習ロードマップに沿ったつまずきそうなポイントと、その対策を紹介してきました。AIの学習でつまずいたときはこの内容を参考にしてください。
