コンテンツにスキップ

0.4 メインルートを計画する

メインルートとプロジェクト軸の計画図

最初から複数の別ルートを作らないでください。まず1本のメインルートを使います。第1章 -> 第9章を順番に進め、各ステージで小さな成果を1つ残します。その後、プロジェクトが必要とするときだけ第10-12章の専門分野、または第13章のオープンソースモデル運用を選びます。

状況同じルートの進め方
初心者第1-9章を順番に進め、証拠カードを飛ばさない
すでにコードを書ける1-3は速く進めてもよいが、再現可能なセットアップとデータメモは残す
ポートフォリオが必要各段階で README、画像、ログ、指標、トレース、失敗サンプルを強化する
モデルを深く理解したい数学、機械学習、深層学習、Transformer に時間を使うが、LLM/RAG/Agent のアプリケーションループも完了する

高速ルート:2-4週間 すでにコードを書けて、まず全体像をつかみたい人向けです。各章の最初の実行ループとステージワークショップを動かし、README、出力、失敗メモを残します。第10-13章はプロジェクトに最も関係する1つだけ選びます。

標準ルート:8-12週間 開発基礎から AI アプリケーションへ着実に進みたい人向けです。第1-9章を順番に進め、各章の study guide とステージプロジェクトを完了し、第10-13章から 1-2 個の専門章を選びます。

深掘りルート:16週間以上 コースを本格的なポートフォリオにしたい人向けです。各段階で before/after 比較、固定評価セット、失敗サンプル、意思決定メモを残します。第13章では実際の小型モデル実行、または GPU サービング経路まで進みます。

学びながら育てられる小さなプロジェクト案を1つ選びます。初日に派手である必要はありません。

プロジェクト軸コースの中での育ち方
学習またはドキュメントアシスタントPython スクリプト -> データ整備 -> RAG -> Agent ツール -> マルチモーダル PDF レビュー
就職活動または履歴書ヘルパー構造化データ -> プロンプトテスト -> 保存資料からの検索 -> 評価メモ
サポートまたは運用自動化スクリプト -> ログ -> LLM 分類 -> 権限境界つき Agent 動作
ドメイン分析ノートブックデータセット -> グラフ -> baseline モデル -> LLM による説明 -> 提出可能なレポート

プロジェクト軸は新しいルートではありません。分かれた章を1つの説明可能な成果物にするための連続性です。

迷う場合は、0.5 キャップストーンプロジェクト軸:コース知識アシスタント を使ってください。各章の成果物を、1つの見せられる AI アプリケーションにつなげます。

第9章を終えた後、第10-13章を必ず順番に読む必要はありません。プロダクトの必要性で選びます。

  • 入力が画像、スクリーンショット、動画フレーム、OCR、検出枠なら、第10章から始めます。
  • 中核タスクが分類、抽出、要約、ラベル体系、テキスト評価なら、第11章から始めます。
  • PDF、画像、音声、動画、クリエイティブ素材、レビュー手順が混ざるなら、第12章から始めます。
  • ローカル配置、GPU レンタル、モデルファイル管理、オープンソースモデル評価、LoRA 判断が必要なら、第13章から始めます。

モデル運用のショートカットもあります。第7章の mini GPT-2 実験に強く興味があるなら、第7章 -> 第13章 -> 第8/9章 と進めます。先にモデルの実行感覚を作り、その後 RAG と Agent へ接続できます。

進捗は「何ページ読んだか」ではなく、証拠で判断します。各段階の終わりには、「動いた記憶」ではなく、小さくレビューできる成果物セットを残します。

段階最小限の証拠経験者向けの深い証拠
基礎1-3再現可能なプロジェクトフォルダ、Python スクリプト、整備済みデータ、グラフREADME の再実行テスト、境界例、データ品質メモ
モデル理解4-6指標と失敗サンプルつきのモデル実験bias/variance メモ、ablation、学習診断、意思決定メモ
LLM アプリケーション7-9プロンプトテスト、RAG 検索トレース、Agent ツールトレース固定評価セット、安全境界、コスト/遅延メモ、デモ台本
専門分野とランタイム10-13画像、NLP、マルチモーダル、またはオープンソース LLM ランタイムデモと保存した入出力ドメイン指標、レビュー確認表、デプロイ/ランタイム制約、ポートフォリオ説明

専門分野の章は「全部終えた後のごほうび」ではありません。プロダクトが画像、テキストパイプライン、マルチモーダル素材、オープンソースモデル配置、ドメイン固有の評価を必要とするときに選ぶ意図的な分岐です。

各段階の終わりに、小さな成果物セットをまとめます。

何が変わったか
新しく増えた能力を1つ。
どう再実行するか
正確な command または notebook cell
何が証明するか
スクリーンショット、指標、トレース、または出力ファイル。
何が失敗したか
失敗例または制限を1つ。
次に何をするか
条件を絞った次の実験を1つ。

このリズムにより、コースは転職準備やポートフォリオレビューに使いやすくなります。各段階で、他の人が確認できるものが残ります。

毎週同じループを使います。

短く読む -> 1つ動かす -> 条件を1つ変える -> 証拠を記録する -> 1行ふり返る

ふり返りは短くてかまいません。よい問いは次のようなものです。

  • 最初に失敗したものは何か。
  • どの入力変更が出力を最も変えたか。
  • 他の開発者を納得させる証拠は何か。
  • これが本物のユーザー向け機能になったら、どこで壊れるか。

推測なしで章末チェックを通れる場合だけ飛ばします。出力を説明できない、コードを再実行できない、結果の良し悪しを判断できないときは、ゆっくり進みます。経験者も、デモが簡単に見えるときほど評価、失敗モード、本番制約では速度を落としてください。

毎週、学習計画を作り直さないでください。短く読み、動かし、証拠を残して、第1章へ進みます。

このページを終えたら、この証拠カードを残します。

目標職種
AIアプリケーションエンジニア、AIフルスタック開発者、またはAIプロダクトエンジニア。
週の時間配分
読む、コードを動かす、証拠を記録するための現実的な時間。
プロジェクト軸
章をまたいで育てられるプロジェクト案を1つ。
最初の成果物
今週中に終えるための1つの実行可能な結果。
リスク確認
基礎を飛ばす、読みすぎる、セットアップの摩擦、または目標が不明確なこと。
期待される成果
書かれたメインルート計画と、次に開く具体的なページ。