要点まとめ

  • 学生向けAIエンジニアリングギャップの解決：84%がAIツール使用も、18%しか実務準備が整っていない問題に直結
  • 20フェーズ・260以上のレッスン：線形代数から自律エージェント集団まで、体系的かつ網羅的
  • 毎レッスンで再利用可能な成果物：プロンプト・スキル・エージェント・MCPサーバーとして実装可能
  • 複数言語対応：Python・TypeScript・Rust・Juliaで実装できる
  • AI駆動型学習：Claude Codeで自己テスト、学習過程をAIと共進

背景と文脈

AI技術の急速な普及に伴い、理論と実務のギャップが顕著になっている。従来のコース形式は、単一領域（NLP・Vision・Agentsなど）に特化したサーフェスレベルの知識か、理論に偏った内容のいずれかに陥りやすい。特に学生層では、AIツールの基本的な使用方法は習得しているものの、本質的な理解やエンジニアリング原理に基づいた応用力が不足している。

「AI Engineering from Scratch」は、この課題を直視した教育プラットフォームとして設計されている。単なる知識習得ではなく、実装→フレームワーク→本番運用という段階的な深化を促す。また、AI自体を学習パートナーとして活用することで、受動的な動画視聴ではなく、能動的で反復的な学習環境を実現している。

詳しく見ていく

カリキュラム構成の全体像

「AI Engineering from Scratch」は、20フェーズ・260以上のレッスンで構成される約290時間のカリキュラムである。線形代数から自律エージェント集団まで段階的に学習を深める設計となっている。

主要な学習領域は以下の通り：

  • 数学基盤：線形代数、微積分、確率論をコード実装を通じて習得
  • 機械学習・深層学習：古典機械学習から深層学習、コンピュータビジョン、自然言語処理、音声・オーディオ、強化学習まで段階的に学習
  • LLM実装と応用：LLMの学習・推論・最適化から、実務環境での運用（プロンプトエンジニアリング・RAG・ファインチューニング）まで
  • エージェント開発：単一エージェントの設計から、チームベースの協調、さらには自己組織化するエージェント集団の実装
  • 本番化・倫理・統合プロジェクト：モデル提供、Kubernetes統合、Edge展開から、AI倫理、ビアス検査、アライメント、最後に統合プロジェクト実装
重要：「Build It / Use It」の二段構え
すべてのレッスンは「Build It」（フレームワークなしの純粋実装）と「Use It」（PyTorch・sklearnなどの実フレームワーク）の両段階を含む。理論を実装したうえで、実務ツールの動作原理が理解できるため、ブラックボックス化を防ぐ。

具体的な学習成果物

従来のオンラインコース（Coursera、Udemy等）は「修了証」で終わる。このコースは異なる。

毎レッスンが「再利用可能なアーティファクト」を産出する：

  1. Prompts（プロンプトテンプレート）： タスク別の専門的プロンプト。与えられた学習問題から最適なアプローチを自動推奨するものなど。これらのプロンプトはClaudeやGPTなどのAIアシスタントに直接貼り付けて、即座に専門的な支援が得られる。

  2. Skills（AIコーディングエージェント統合スキル）： Claude Code、Cursor、その他のAIコーディングエージェントにインストール可能な再利用可能なスキル定義。

# SkillKitでインストール
skillkit install skill-name
# Claude Codeで利用可能
/skill-name

  1. Agents（自律エージェント定義）： レッスンで構築したエージェント実装を、本番環境にデプロイ可能な形で提供。マルチエージェントシステムの構築に直結。

  2. MCP Servers（Model Context Protocol準拠のサーバー）： MCPサーバーの構築ガイドで解説しているMCP対応アプリケーションに組み込める拡張サーバー。エコシステムの相互運用性を確保。

学習者のレベル別スタート地点

重要なポイントは、既知知識に応じた段階的スタートである。全員同じフェーズから始める必要はない。

コースに備わった診断機能により、学習者の現在レベルを判定し、最適なスタート地点を提示する。これにより、不要な重複学習を避けられる。

AI主導の診断
「/find-your-level」コマンド（Claude Code内で実行）が診断テストを実施。回答に基づいて最適なフェーズ・推定学習時間を自動推定し、カスタマイズされた学習パスを提示する。

「Learn with AI, not just about AI」の実践

このコースの最大の特徴は、AI自体が学習環境に組み込まれている点である。

従来の学習フロー：

ビデオ視聴 → テキスト読解 → 練習問題 → 採点待ち → 修正

このコースの学習フロー：

コード実装 → Claude Codeに貼り付け → AI駆動テスト → 即座フィードバック → 修正と再実装

具体的には：

  • フェーズ終了ごとに理解度クイズを実施
  • クイズはAI自動採点で、該当レッスンへの関連リンクも提示
  • 実装コードもAIが検証：効率性・バグ・最適化提案を即座に得られる

学習成果物の統合

コース完了時点で、以下の構造を持つ「個人ツールキット」が完成している：

outputs/
├── prompts/        # レッスンから産出したプロンプト集
├── skills/         # AIエージェント統合スキル
├── agents/         # デプロイ可能なエージェント定義
└── mcp-servers/    # MCP準拠サーバー実装

このツールキットは単なる「学習の成果物」ではなく、実務プロジェクトで即座に活用可能な本物のエンジニアリングアセットである。

アーキテクチャと仕組み

学習フローの全体構造

flowchart TD A["学習者：レベル診断"] --> B/find-your-level B -->|初心者| C["基礎フェーズ"] B -->|経験者| D["応用フェーズ"] B -->|上級者| E["高度なフェーズ"] C --> F["各フェーズレッスン"] D --> F E --> F F --> G["段階的学習"] G -->|理論| H["直感的理解"] G -->|スクラッチ実装| I["アルゴリズム内部の理解"] G -->|フレームワーク活用| J["実務ツール活用能力"] I --> K["成果物産出"] J --> K K --> L["Prompt/Skill/Agent
MCP Server"] L --> M["outputs/ に集積"] M --> N["本番環境へ展開"] F --> O["フェーズ終了テスト"] O --> P{"理解度確認"} P -->|達成| Q["次フェーズへ"] P -->|未達成| R["関連レッスン復習"] R --> O Q --> S["最終フェーズ：統合プロジェクト"] S --> T["修了：ポートフォリオ完成"]

個別レッスンの学習構造

それぞれのレッスンは、実装を通じた段階的な深化を実現する設計となっている：

段階 内容 目的
核心要点 1行の要約 学習の軸足を明確化
実務シナリオ 具体的な問題設定 学習の必然性を感じさせる
概念の理解 図解・直感的説明 理論の枠組みを視覚化
Build It フレームワークなしの実装 アルゴリズム内部の理解
Use It PyTorch・sklearn等での再実装 実務ツールの活用能力
Ship It プロンプト・スキル・エージェント化 即座に本番で活用可能
Build It / Use It の強力な効果
フレームワークの内部実装をまず自分で書くことで、ブラックボックス化を防ぐ。その後、実フレームワークを使うことで、パフォーマンス・API・最適化の理由が自明になる。

20フェーズの対応領域

カリキュラムは以下のような領域を包括的に扱う：

  • 基礎層：環境構築、数学基盤
  • ML・DL層：機械学習の基礎から深層学習、ビジョン、NLP、音声処理
  • 高度な実装層：Transformer、生成AI、強化学習
  • LLM・エージェント層：LLMの実装からエンジニアリング応用、マルチモーダル対応
  • 本番化・システム層：ツール・プロトコル統合、エージェント設計、マルチエージェントシステム、インフラストラクチャ
  • 完成層：倫理・安全性、統合プロジェクト

他の選択肢との比較

従来のAI学習プラットフォームとの比較：

項目 従来型コース このコース
スコープ 単一領域（NLPまたはVision） 全領域網羅（数学からエージェント集団まで）
言語 Pythonのみ Python・TypeScript・Rust・Julia
学習スタイル ビデオ視聴（受動的） コード実装・AI検証（能動的）
成果物 修了証 実装可能なツール・プロンプト・エージェント
フレームワーク活用 最初からツール使用 スクラッチ実装後にツール活用
LLM統合 テキスト教材のみ Claude Codeで学習そのものをサポート
本番対応 限定的 Docker・Kubernetes・Edge展開まで含む
拡張性 クローズド MCP・スキル・エージェント形式で相互運用

実務への影響

エンジニアにとっの価値

  1. 理論と実装のギャップ解消： 従来は論文読解や教科書で学んだ理論を、別途プロジェクトで実装する段階的なプロセスが必要だった。このコースは理論→スクラッチ実装→フレームワーク活用の流れが一貫しているため、学習時間が大幅短縮される。

  2. 即座に本番資産化可能： 毎レッスンの成果物が本番環境で使用可能。プロンプト集、スキル定義、エージェント実装は、実プロジェクトに直結。「学習のための学習」を避けられる。

  3. マルチエージェント開発の高速化： AIエージェントフレームワーク比較で紹介した各種フレームワークの設計を段階的に学ぶため、本番でのマルチエージェントシステム実装が格段に高速化。チーム協調・通信プロトコル・自己組織化の実装パターンが体化できる。

ポートフォリオビルディング効果
260以上のレッスン産出物と統合プロジェクトで、GitHub上に確実な実績を積める。採用面接での「実装経験」の根拠が明確になる。

組織・教育機関への影響

  • Team Forking対応：企業・大学向けにリポジトリをフォークして、内部カリキュラムとして展開可能
  • オープンソース貢献受け入れ：コミュニティ翻訳・新レッスン追加が継続的に行われるため、常に最新技術が反映
  • 実務スキルギャップ解決：学卒者の即戦力化、既存エンジニアのアップスキルに直結

まとめ

「AI Engineering from Scratch」は、学生の84%がAIツール使用も、18%しか実務準備が整っていないギャップを直視した教育プラットフォームである。

単なる知識習得ではなく、数学の直感的理解→スクラッチ実装→フレームワーク活用→本番化という段階的深化を通じて、エンジニアリング思考を体得できる。毎レッスンで産出される260以上のプロンプト・スキル・エージェント・MCPサーバーは、実務プロジェクトで即座に活用可能な本物の資産である。

20フェーズのカリキュラムは包括的でありながらも、既知レベルに応じた柔軟なスタート地点が用意されている。AI自身が学習パートナーになることで、受動的な受講から能動的な反復実装へ転換する。

統合プロジェクトを完了した時点で、学習者は単なる「修了者」ではなく、本番レベルのAIエンジニアリング能力を保有するエンジニアになっている。

参照ソース

参考リンク

この記事はAI関連コンテンツの解説記事です。