AI 学習ロードマップ：全 46 トピックを週 1 回のペースで習得

2026 年に AI を学びたいと思っているけど、どこから始めればいいか全く分からないという方、このページはあなたのためのものです。

インターネット上には AI に関するアドバイスがあふれています。その大半は、以下のいずれかです。

1. 2,000 ドルのコースへの営業トーク
2. 整理されていない 100 個のリンク集
3. 博士レベルの教科書で、1 ページ目で挫折する
4. 実用的な情報が何もない AGI に関する誇大広告

あなたに必要なものは、そんなものではありません。必要なのは「順序」です。何を最初に学ぶべきか、何が何の上に成り立っているのか、何を飛ばしてもよく、どこまで深掘りすべきかを知る必要があります。

このロードマップがそれを実現します。これは、完全な初心者から、実際の AI プロダクトを構築しリリースできる人材になるまで、私が推奨する学習順序です。各トピックには、週に 1 記事ずつ、ここで公開される記事があります。このページをブックマークしてください。何度も戻ってきてください。記事が公開されるたびにリンクが有効になります。

前提知識は不要です。コンピューターサイエンスの学位も必要ありません。数学でパニックになる必要もありません。

このロードマップの使い方

始める前に、いくつかの基本ルールを確認します。

1. トピックは順番通りに進めてください。 各トピックは前のトピックの上に成り立っています。最初の週に LLM に飛びつくのは、屋根から家を建て始めるようなものです。
2. ペースは週に 1 トピック です。読んだり、コードを書いたり、実際に何かを作ったりする時間が取れます。チュートリアルを読み漁るだけでは学習になりません。
3. すべての記事にある実践演習を行ってください。 ニューラルネットワークについて読むだけで、実際に書かなければ、水に濡れずに泳ぎ方を読むようなものです。
4. 最後までやり遂げる必要はありません。 AI リテラシーだけ欲しいなら、フェーズ 3 で終了しても構いません。LLM アプリを構築したいなら、フェーズ 9 まで進んでください。あなた次第です。
5. 全シリーズの総文字数: 約 107,000 語。長く聞こえるかもしれませんが、平均的な教科書より短く、各記事は独立しています。

12 フェーズの概要

全 12 フェーズは、完全な初心者から現場で実践できる実務者までをグループ化しています。詳細に入る前に、全体像を把握しておきましょう。

フェーズ

トピックエリア

必要な人

記事数

0

マインドセットと方向性

全員

3

1

前提条件 (Python、数学、ライブラリ)

構築したい全員

4

2

データ (取得、クリーニング、EDA)

構築したい全員

5

3

古典的機械学習

全員

6

4

ディープラーニングの基礎

古典的 ML を超えたい人

5

5

コアニューラルアーキテクチャ (CNN、RNN、Transformer)

DL で構築する人

3

6

NLP と LLM

2026 年のほとんどの人

5

7

その他の DL 領域 (ビジョン、生成モデル、音声、RL)

自分に関連するものを選んでください

4

8

AI エージェントと実世界応用

構築する人

3

9

MLOps とプロダクション

実際のプロダクトをリリースする人

4

10

責任ある AI と全体像

全員

4

11

最新情報の把握と専門化

長期的な成長

5

フェーズ 7 から 11 のすべてのトピックをやる必要はありません。フェーズ 6 以降は分岐できます。しかし、フェーズ 0 から 6 は核となる部分です。

3 つのマイルストーンプロジェクト

道のりの途中、3 つのポイントで、それまでに学んだすべてを結びつける実際のプロジェクトを構築します。これらがあなたのポートフォリオ作品となります。

マイルストーン

実施時期

構築するもの

マイルストーン 1

フェーズ 3 終了時

エンドツーエンドの表形式 ML パイプライン（データクリーニング + EDA + 古典的モデル）- 例：タイタニック号生存予測モデルや住宅価格モデル

マイルストーン 2

フェーズ 5 終了時

PyTorch でゼロから訓練されたニューラルネットワーク - 画像分類器（CNN）またはテキスト分類器

マイルストーン 3

フェーズ 9 終了時

FastAPI バックエンドとシンプルな UI を備え、インターネット上で公開された LLM 搭載 RAG チャットボット

これら 3 つのプロジェクトを完了すれば、あなたはもはや「AI を学んでいる」状態ではありません。AI を「使える」状態です。

フェーズごと、記事ごと

以下が全リストです。各記事は公開時にここにリンクされます。このページをブックマークして、毎週確認してください。

フェーズ 0: マインドセットと方向性（ここから始める）

第 1 週から第 3 週。全員がここから始めます。例外はありません。ここで誇大広告を排除し、用語を定義し、期待値を設定します。

1. 第 1 週: AI、ML、DL、生成 AI、AGI：ついに、それらを区別するガイド - 公開中
2. 第 2 週: [2026 年に AI を学ぶべきか？あなたの立場に応じた正直な答え] [近日公開]
3. 第 3 週: [チュートリアル地獄で 1 年を無駄にせずに AI を学ぶ方法] [近日公開]

フェーズ 1: 前提条件（実際に必要な基礎）

第 4 週から第 7 週。Python なしで AI を学ぶことはできません。しかし、Python のすべてを学ぶ必要はありません。必要なサブセット、実際に使う数学、そしてすべてを解き放つ 3 つのライブラリを正確にカバーします。

1. 第 4 週: Python の最初の週：AI に触れる前に必要な唯一のサブセット [近日公開]
2. 第 5 週: NumPy、Pandas、Matplotlib：すべての AI プロジェクトを解き放つ 3 つのライブラリ [近日公開]
3. 第 6 週: AI に実際に必要な数学 - 微分積分の授業を受けたことがない人のために解説 [近日公開]
4. 第 7 週: モデルを選ぶ前に、適切な質問をする方法を学ぶ [近日公開]

フェーズ 2: データ - AI の燃料

第 8 週から第 12 週。AI 作業の 80% はデータ作業です。このフェーズはほとんどのコースが省略する部分であり、そのため彼らの生徒が実際のプロジェクトで失敗する理由です。

1. 第 8 週: データは新しい石油 - しかし、ほとんどの初心者はそれが実際にどのようなものか知らない [近日公開]
2. 第 9 週: AI プロジェクトのための実際のデータを入手する方法（1 円も払わずに） [近日公開]
3. 第 10 週: データクリーニングが AI エンジニアの時間の 80% を消費する理由 - そしてそれを正しく行う方法 [近日公開]
4. 第 11 週: 探索的データ分析：プロジェクトが機能するかどうかを教えてくれるステップ [近日公開]
5. 第 12 週: 特徴量エンジニアリング：生データをモデルが実際に学習できるものに変える技術 [近日公開]

フェーズ 3: 古典的機械学習

第 13 週から第 18 週。ディープラーニングの前に機械学習があり、実際のプロダクション AI のほとんどは今でも古典的 ML です。これは省略できません。もし省略すると、なぜディープラーニングが特別なのか、いつ使うべきでないのかを理解できなくなります。

1. 第 13 週: 機械は実際にどのように「学習」するのか？すべての AI モデルの背後にある中核的なアイデア [近日公開]
2. 第 14 週: 初めての機械学習モデル：線形回帰、1 行ずつ解説 [近日公開]
3. 第 15 週: 世界を分類する：ロジスティック回帰と嘘をつかない指標 [近日公開]
4. 第 16 週: 古典的 ML ツールボックス：すべての AI 実践者が暗記すべき 5 つのアルゴリズム [近日公開]
5. 第 17 週: 一緒に投票するモデルが一緒に勝つ理由：ランダムフォレスト、XGBoost、そしてアンサンブルの力 [近日公開]
6. 第 18 週: バイアス、バリアンス、そしてあなたのモデルがテストセットで密かにカンニングしている理由 [近日公開]

🏁 マイルストーン 1 プロジェクトの時間です。 完全な表形式 ML パイプラインをエンドツーエンドで構築しましょう。

フェーズ 4: ディープラーニングの基礎

第 19 週から第 23 週。ここから深く掘り下げます。単一のニューロンから始め、完全なニューラルネットワークへと構築し、なぜ機能するのか、なぜ失敗するのか、そして適切に訓練する方法を学びます。

1. 第 19 週: なぜディープラーニングがすべてを変えたのか - そして、代わりに古典的 ML を使うべき時 [近日公開]
2. 第 20 週: 数式を 1 つも使わずに解説するニューラルネットワーク（まあ、ほとんど） [近日公開]
3. 第 21 週: バックプロパゲーション：すべてのニューラルネットワークを教える微積分のトリック [近日公開]
4. 第 22 週: 今週末に最初のニューラルネットワークを構築しよう - PyTorch 50 行で [近日公開]
5. 第 23 週: ニューラルネットワークが訓練されない理由 - そしてほとんどすべてを修正する 7 つのトリック [近日公開]

フェーズ 5: コアニューラルネットワークアーキテクチャ

第 24 週から第 26 週。3 つの主要なアーキテクチャファミリー：ビジョン向け CNN、シーケンス履歴向け RNN、そして 2017 年にすべてを変え、現代のすべての LLM を動かす発明である Transformer。

1. 第 24 週: コンピューターがどのように「見る」ことを学んだか：畳み込みニューラルネットワークのビジュアルガイド [近日公開]
2. 第 25 週: 言語を理解しようと試みたアーキテクチャ - そしてそれがほぼ成功した理由：RNN と LSTM [近日公開]
3. 第 26 週: 注意はすべてを必要とする：AI を書き換えた 2017 年の論文 - 平易な英語で解説 [近日公開]

🏁 マイルストーン 2 プロジェクトの時間です。 PyTorch で CNN または小規模 Transformer をゼロから訓練しましょう。

フェーズ 6: 自然言語処理と LLM

第 27 週から第 31 週。2026 年に誰もが注目するフェーズです。単語数から独自の RAG チャットボット構築まで進みます。

1. 第 27 週: 機械に読むことを教える：Bag of Words から Word Embedding へ [近日公開]
2. 第 28 週: Transformer 以前：LSTM がどのように機械に（つかの間の）言語の記憶を与えたか [近日公開]
3. 第 29 週: BERT、GPT、そして Transformer の家系図：誰が何を、そしてなぜ行うのか [近日公開]
4. 第 30 週: GPT-4 を使うために訓練する必要はない：Hugging Face 実践ガイド [近日公開]
5. 第 31 週: LLM の内部：チャットスケールモデルが実際にどのように機能するか、事前学習から RLHF まで [近日公開]

フェーズ 7: その他のディープラーニング領域

第 32 週から第 35 週。自分にとって重要なものを選んでください。4 つすべてをやる必要はありません。

1. 第 32 週: 「猫か犬か」を超えて：物体検出、セグメンテーション、そして Vision Transformer が世界をどのように見るか [近日公開]
2. 第 33 週: ノイズからアートへ：生成 AI の旅 - オートエンコーダ、GAN、そして拡散革命 [近日公開]
3. 第 34 週: 機械はどのように聞くのか：スペクトログラムから Whisper まで、すべてを書き起こす AI [近日公開]
4. 第 35 週: 試行錯誤による学習：Q テーブルから PPO までの強化学習 [近日公開]

フェーズ 8: AI エージェントと高度な応用

第 36 週から第 38 週。2026 年の現在のフロンティア：ツールを使用し、計画し、世界で行動するエージェント。

1. 第 36 週: AI の次の波：エージェントとは何か、ツールの使い方、そして今日の午後に構築する方法 [近日公開]
2. 第 37 週: AI が今まさに違いを生み出している場所：ヘルスケア、金融、科学、そして実世界のフロンティア [近日公開]
3. 第 38 週: AI が同時に見て、聞いて、読むとき：マルチモーダルモデルの台頭 [近日公開]

フェーズ 9: プロダクション、ツール、MLOps

第 39 週から第 42 週。チュートリアルを追う人と、実際に AI プロダクトをリリースする人を分けるフェーズです。ほとんどのオンラインコースはこれを完全に省略します。

1. 第 39 週: ノートブックのモデルはプロダクトではない：AI をリリースするために実際に必要なこと [近日公開]
2. 第 40 週: エンタープライズのバズワードなしの MLOps：私たちのためのバージョン管理、追跡、再現性 [近日公開]
3. 第 41 週: AI モデルを実際のユーザーにデプロイする方法（DevOps burnout なしで） [近日公開]
4. 第 42 週: RAG からプロダクションへ：恥ずかしくない実際の LLM アプリを構築する [近日公開]

🏁 マイルストーン 3 プロジェクトの時間です。 RAG チャットボットを公開デプロイしましょう。

フェーズ 10: 責任ある AI と全体像

第 43 週から第 46 週。AI は単なるコードではありません。それは現実世界に影響を与えます。バイアス、安全性、説明可能性、そしてより広い文脈を理解する必要があります。

1. 第 43 週: あなたのモデルには意見がある：バイアス、公平性、そして「良いデータ」が決して十分でない理由 [近日公開]
2. 第 44 週: 物事を壊さない AI を作る：安全性、アライメント、そして現在 AI における最も難しい問題 [近日公開]
3. 第 45 週: ブラックボックス問題：モデル自体が知らないときに AI の決定を説明する方法 [近日公開]
4. 第 46 週: AI と世界の残りの部分：仕事、創造性、気候、そしてどのチュートリアルも答えない質問 [近日公開]

フェーズ 11: 最新情報の把握とさらなる深掘り

第 47 週以降。AI の学習に終わりはありません。核となる 46 週間の後、どのように成長を続けるかは以下の通りです。

1. 博士号なしで AI 論文を読む方法（そして実際に理解する方法） [近日公開]
2. 実際に面接に役立つ AI ポートフォリオ（誰も読まないおもちゃのプロジェクトではない） [近日公開]
3. あなたは一人で AI を学んでいるわけではない：参加する価値のあるコミュニティ、カンファレンス、インターネットの片隅 [近日公開]
4. AI のすべてを学ぶことはできない：自分に合った専門分野を選ぶ方法 [近日公開]
5. 5 年後も時代遅れにならない唯一の AI スキル：学び方を学ぶ [近日公開]

大まかな時間見積もり

これは競争ではありません。以下の表は、あなたがどれだけの時間を確保できるかに応じた現実的な期間を示しています。

週あたりの学習時間

コア（フェーズ 0〜6）完了までの時間

全 11 フェーズ完了までの時間

5〜10 時間（本格的なサイドプロジェクト）

約 6 ヶ月

約 1 年

10〜15 時間（専念）

約 4 ヶ月

約 8 ヶ月

30 時間以上（フルタイム）

約 6 週間

約 3 ヶ月

一貫性は詰め込み学習に勝ります。日曜日に 8 時間勉強して、残りの週は何もしないより、毎日 30 分ずつ勉強する方が効果的です。

終了後にできるようになること

コアフェーズ（0〜6）とフェーズ 9 を完了すれば、以下のことができるようになります。

• 本物の AI とマーケティングの誇大広告を区別する
• データ分析と ML のための Python コードを書く
• 実際のデータセットをクリーニング、探索、準備する
• 古典的 ML モデルを構築、訓練、評価、チューニングする
• ニューラルネットワークと Transformer がどのように機能するかを理解する
• 事前学習済み言語モデルを自分のタスク用にファインチューニングする
• 自分のドキュメント上で RAG チャットボットを構築する
• FastAPI でモデルを API としてデプロイする
• 動作する AI プロダクトをリリースする
• AI のニュースや論文を批判的に読む
• 自分が何を知らないかを知る

これで、ジュニア ML/AI エンジニアの職に就いたり、現在の仕事に役立つ AI ツールを構築したり、興味があれば研究に進むことも十分可能です。

このページの使い方

1. ブックマークしてください。 これが目次です。
2. 第 1 週から始めてください。 飛ばさないでください。
3. 毎週確認してください。 新しい記事が毎週公開されます。上記にリンクが表示されます。
4. 演習を行ってください。 読むことは学習ではありません。
5. 3 つのマイルストーンプロジェクトを構築してください。 それらは、あなたが実際にこれができるという証明です。

もし迷子になったと感じたら、ここに戻ってきてください。道筋は変わりません。ツールは登場しては消えていきますが（新しいフレームワーク、新しいモデル、新しいスタートアップ）、このロードマップの基礎は 5 年後も重要であり続けるでしょう。

それでは、第 1 週でお会いしましょう。

🔔 AI で一歩先を行く

このロードマップをフォローしていて、学習中に実用的な AI ツールを毎週受け取りたい方は、無料の ByteBuilders ニュースレターを購読してください。毎号、以下の情報をお届けします。

• 今日からコピーして使える 1000 以上の AI プロンプト
• テスト済みで解説付きの実用的な AI ツール
• 時間を節約できる自動化ワークフロー
• 仕事と学習のための生産性向上ユースケース
• スキルを維持するための厳選された AI リソース

このロードマップをフォローする何千人ものビルダーと学習者に参加しましょう：

++ByteBuilders を無料で購読する →++