【初心者向け】Pythonによる機械学習の学習ロードマップ|機械学習でできることの事例30例も交えて徹底解説【無料で14,000文字!】

ChatGPTが話題になっています。
機械学習のすごさを知った方も多かったのではないでしょうか?

2012年に「データサイエンティストほど素敵な仕事はない」という本が出版され、話題になりました。
その時から時間が経ちましたが、機械学習を扱うデータサイエンティストは、魅力的な仕事です。
しかし、私は、機械学習は、何もデータサイエンティストだけのものではないと考えています。
マーケターや経理の人、技術開発職の人などもぜひ習得した方が良いと思っています。
また、習得できるスキルだと考えています。

ただし、問題なのは「どうやって習得したらいいかわからない」「どういう手順で学習したらいいかわからない」「どのぐらいで習得できるのかわからない」
そういったことが問題なのではないでしょうか?
そこで、この記事では、機械学習に関する悩みを"すべて"解決していければと思っています。

こんな悩みを抱えている方におすすめ

この記事は、こんな方におすすめです。

  • Pythonで機械学習ができるようになりたい人
  • Pythonによる機械学習の習得のための学習手順を知りたい人
  • Pythonによる機械学習のコツを知りたい人
  • Pythonによる機械学習の学習時間の目安を知りたい人

この記事のわかること

この記事では、下記のことを丁寧に解説していきます。

  • 「Pythonによる機械学習」の魅力
  • 「Pythonによる機械学習」のできること(具体的な事例)
  • 「Pythonによる機械学習」の習得方法や学習時間

この記事の信頼性と私のプロフィール

この記事は、Youtubeにて日本最大級のプログラミング教育のチャンネルを運営しているキノコードが執筆、監修しています。
私自身は、2012年からプログラミング学習を始め、2019年以降はプログラミング教育に携わってきた専門家です。
他にも、私には下記のような実績や専門性があります。

  • キノコードは毎月10名以上、合計100名以上ののプログラミング学習者と1対1でお悩みを聞き、アドバイスをしています
  • キノコード自身は、プログラミングスクールに通ったり、本や有料の動画で勉強してきた経験もあります
  • キノコードは、Python学習サービス「キノクエスト」を運営しています
  • 本の出版プログラミング雑誌への寄稿の実績があります

「Pythonによる機械学習」の魅力

もし、「機械学習をやってみたい」「機械学習による予測をやってみたい」と思われるのであれば、プログラミング言語としてはPythonを選択されることをおすすめします。
「Python一択!」といっても過言ではないです。
他にも、Rという言語であったり、Java、C++、MATLABなどがあります。
しかし、Pythonには、下記の5つの特徴があるためおすすめです。

  1. シンプルで読みやすい構文
    Pythonは、シンプルで読みやすいプログラミング言語です。
    初心者にも優しい言語です。
    これから学習される方であれば、機械学習の勉強に入るまでに、3ヶ月から半年の基礎学習を経る必要があります。
    基礎学習に挫折しないためにも、シンプルで読みやすいプログラミング言語であるPythonを選択されるとよいでしょう。

  2. 便利なツールが多い
    Pythonには、Jupyter Notebookという便利なツールがあります。
    Jupyter Notebookは、GoogleChromeなどのブラウザがあれば利用できます。
    Jupyter Notebookは、Pythonを使用した対話型のプログラミング環境です。
    対話型とは、ユーザーがコードを入力し、そのコードに対する結果や出力をすぐにフィードバックとしてブラウザ上で受け取ることができます。
    初心者に優しいプログラミング環境があります。
    また、Google ColaboratoryというGoogleのサービスを使えば、パソコンに設定することなく、ブラウザさえあれば、すぐにプログラミング学習を始められます。

  3. 豊富なライブラリ
    Pythonには、機械学習やデータ分析に特化した多くのライブラリがあります。
    具体的には、Scikit-learn、TensorFlow、Keras、PyTorchなどです。
    これらを利用することで手軽に機械学習モデルを構築できます。
    上記のようなライブラリは、他の言語にはない豊富さです。

  4. 参考になるドキュメントやコミュニティが豊富
    Pythonは、最も人気のあるプログラミング言語です。
    つまり、世界中の開発者によって広く使われているということです。
    書籍も非常に豊富です。
    参考になるWebサイトやYouTube動画も多いです。
    コミュニティなどもあります。
    学習方法やエラーに対する解決方法や、情報交換がしやすい環境が整っています。

  5. コストのメリット
    Pythonは無料です。
    Pythonのライブラリの無料です。
    お金をかけずに学習をスタートできます。
    自宅のパソコンにも、会社にパソコンにも無料で使うことができます。
    例えば、分析のアプリケーションを作ったあと、会社の社員100名に配るとしても無料です。
    会社で導入する場合、予算の

以上の理由から、機械学習をやるなら「Python一択!」とことになります。

「Pythonによる機械学習」のできることの30選

機械学習をやりたいけど、一体どんなことができる?
仕事、学業、趣味に活かせるの?
という疑問があると思います。
そこで、ここでは、機械学習でできることの事例を30個ほど説明をします。

30例を説明する前に、機械学習の分類予測と回帰予測について説明をします。
機械学習のできることとして、画像認識、自然言語処理、予測分析、推薦システム、異常検知などいろいろできることがあります。
その中でビジネスシーンでニーズが高いのが、予測分析(予測モデリング)です。
そして、この予測の種類には、2通りあります。
それが、分類予測と回帰予測でなのです。
分類予測とは、顧客が購入するかしないか、患者さんが病気になるかならないか、売上があがるのかさがるのか?いった予測します。
分類予測は、簡単にいうとカテゴリの予測です。
回帰予測とは、売上がいくらになるか?在庫が何個になるか、患者さんの健康寿命は何年と何ヶ月か?といった予測をします。
回帰予測は、簡単にいうと数字の予測です。
30例の説明では、予測分析が回帰か分類か、使用するデータとしてはどんなものを使うのか?ということもあわせて説明をします。
網羅的に説明をしていきますので、こんなこともPythonと機械学習できるんだーと思いながらざっと目を通してください。

さて、それでは30例の説明です。

  1. オンライン広告のクリック率を予測
    ・使用するデータ:広告の種類、ターゲットユーザー層、広告の表示位置、ユーザーの行動履歴など
    ・予測種別:回帰予測
    ・ジャンル:マーケティング

  2. 顧客が特定の商品を購入するかどうか予測
    ・使用するデータ:顧客の年齢、性別、購買履歴、検索履歴、クリック履歴など
    ・予測種別:分類予測
    ・ジャンル:マーケティング

  3. 商品の在庫数を予測
    ・使用するデータ:過去の在庫データ、売上データ、季節性、プロモーション、価格変動など
    ・予測種別:回帰予測
    ・ジャンル:マーケティング

  4. ウェブページの訪問者数を予測
    ・使用するデータ:過去の訪問者数データ、ページのコンテンツ、ユーザーの検索キーワードなど
    ・予測種別:回帰予測
    ・ジャンル:マーケティング

  5. 製品の売上予測
    ・使用するデータ:過去の売上データ、市場動向、競合他社の状況、プロモーション活動など
    ・予測種別:回帰予測
    ・ジャンル:マーケティング

  6. 映画の興行収入を予測
    ・使用するデータ:監督、俳優、ジャンル、予算、公開時期、公開前の評価など
    ・予測種別:回帰予測
    ・ジャンル:マーケティング

  7. 顔画像から推定される年齢を予測する
    ・使用するデータ:顔画像、顔の特徴点、顔の形状、皮膚の質感など
    ・予測種別:回帰予測
    ・ジャンル:画像認識

  8. 画像から特定の人物を特定
    ・使用するデータ:顔の形状、色、大きさ、位置、角度など
    ・予測種別:回帰予測
    ・ジャンル:画像認識

  9. 画像から不良品であるかを予測
    ・使用するデータ:製品の画像、寸法、重量、製造過程のデータなど
    ・予測種別:分類予測
    ・ジャンル:画像認識

  10. テキストから感情がポジティブ、ネガティブを予測する
    ・使用するデータ:テキストデータ、単語の出現頻度、単語の感情スコアなど
    ・予測種別:分類予測
    ・ジャンル:テキスト分析

  11. 筆跡の画像から特定の人であるか予測
    ・使用するデータ:筆跡サンプル(手書きの文章や署名)、筆圧、筆順、文字の形状や大きさ、スペースの取り方、傾きなど
    ・予測種別:分類予測
    ・ジャンル:テキスト分析

  12. 犯罪が発生する確率を予測
    ・使用するデータ:人口密度、失業率、警察の人員配置、過去の犯罪データなど
    ・予測種別:回帰予測
    ・ジャンル:公共安全、セキュリティ

  13. 交通事故が発生する確率を予測
    ・使用するデータ:道路状況、気象情報、交通量、過去の事故データなど
    ・予測種別:回帰予測
    ・ジャンル:公共安全、セキュリティ

  14. クレジットカード取引が不正利用かどうか予測する
    ・使用するデータ:取引履歴、取引金額、取引場所、利用者の属性など
    ・予測種別:分類予測
    ・ジャンル:公共安全、セキュリティ

  15. 音楽のジャンル分類
    ・予測するデータ:楽曲が属するジャンル
    ・使用するデータ:楽曲の音響特徴、ビート、メロディ、アーティスト情報など
    ・予測種別:分類予測
    ・ジャンル:音声認識

  16. 音声からの言語識別
    ・使用するデータ:音声サンプル、発話言語、アクセント、発話者の情報(年齢、性別など)
    ・予測種別:分類予測
    ・ジャンル:音声認識

  17. 音声からの感情認識
    ・使用するデータ:音声サンプル、発話者の感情ラベル(喜び、悲しみ、怒り、驚きなど)
    ・予測種別:分類予測
    ・ジャンル:音声認識

  18. 自然災害発生リスク予測
    ・予測するデータ:自然災害が発生するリスク
    ・使用するデータ:気象データ、地質情報、過去の災害データ、地域の人口密度など
    ・予測種別:分類予測
    ・ジャンル:農林水産

  19. 魚の種類を分類予測
    ・使用するデータ:魚の画像や形状特徴、色、大きさ、鱗の形状、生息環境など
    ・予測種別:分類予測
    ・ジャンル:農林水産

  20. 植物の成長を予測
    ・使用するデータ:土壌の種類、水やりの頻度、日照時間、気温、湿度、栄養状態など
    ・予測種別:回帰予測
    ・ジャンル:農林水産

  21. 中古車の価格を予測
    ・使用するデータ:年式、走行距離、車種、ボディカラーなど
    ・予測種別:回帰予測
    ・ジャンル:資産運用

  22. 不動産価格予測
    ・使用するデータ:物件の面積、立地、築年数、周辺施設の情報など
    ・予測種別:回帰予測
    ・ジャンル:資産運用

  23. 未来の株価の予測
    ・使用するデータ:過去の株価データ、市場情報、企業の業績、ニュース記事など
    ・予測種別:回帰予測
    ・ジャンル:資産運用

  24. 顧客に返済能力があるかどうかの予測
    ・使用するデータ:年齢、収入、職業、信用履歴、住居情報など
    ・予測種別:分類予測
    ・ジャンル:ファイナンス

  25. 従業員が離職するかを予測
    ・使用するデータ:年齢、入社からの経過月数、部署、有休消化率、残業時間など。
    ・予測種別:分類予測
    ・ジャンル:人事

  26. 患者が特定の病気になるかの予測
    ・使用するデータ:患者の年齢、性別、体重、身長、既往歴、血液検査結果など
    ・予測種別:分類予測
    ・ジャンル:医療

  27. 未来の天気を予測
    ・使用するデータ:過去の気象データ、気圧、気温、湿度、風向、風速など
    ・予測種別:分類予測
    ・ジャンル:気象

  28. 電力需要を予測
    ・使用するデータ:過去の電力使用データ、気温、曜日、祝日、特別なイベントなど
    ・予測種別:回帰予測
    ・ジャンル:エネルギー

  29. 学生のテストの点数を予測
    ・使用するデータ:学生の過去の成績、出席状況、学習時間、家庭環境、教師の評価など
    ・予測種別:回帰予測
    ・ジャンル:教育

  30. スポーツチームの勝敗予測
    ・使用するデータ:過去の試合データ、選手の成績、チームの戦術、対戦相手の情報など
    ・予測種別:分類予測
    ・ジャンル:スポーツ

  31. スポーツ選手の怪我の発生予測
    ・使用するデータ:選手の年齢、性別、競技歴、過去の怪我履歴、選手のポジション、競技の種類、トレーニング内容、試合頻度、身体的特徴(筋力、柔軟性、体脂肪率など)、過去の試合データ
    ・予測種別:分類予測
    ・ジャンル:スポーツ

30個出すつもりでしたが、区切りが悪かったので31個あげました。
皆さん仕事で活用できそうな機械学習、やってみたい機械学習はありましたか?

私自身、上記の機械学習でできることを知ったとき、本当に感動をしました。
「こんなことをやれば仕事でめちゃくちゃ成果が出せるんじゃないか!?」
「これらができるようになれば魔法の杖を手に入れたようなもの!」
と思ったのを今でも覚えています。

ぜひ、やりたいこと機械学習をPythonで実現してください。

機械学習に必要なライブラリ、習得までの学習時間

機械学習を習得するために、必要なスキルを説明をする前に、そもそも機械学習ではどんなことをするのでしょうか?
機械学習の実装までの大まか流れは下記の通りです。

  1. データ取得
  2. 探索的データ分析(EDA)
  3. 特徴量エンジニアリング
  4. モデル作成
  5. モデル評価

これらのプロセスでやることは、下記の表の通りです。

プロセス プロセスでやること 主なライブラリ
データ取得 必要なデータセットを収集する Pandas
探索的データ分析(EDA) データ集計・可視化などを通してデータセットにどんな特徴があるのか把握する Pandas,Matplotlib
特徴量エンジニアリング 機械学習モデルの予測精度向上に有用なカラム(特徴)を抽出・加工する Pandas
モデル 問題に適した機械学習アルゴリズムを選択し、機械学習のモデル作成をする Scikit-learn
モデル評価 構築したモデルのモデルの性能を評価をする Scikit-learn

上記の表をみてお分かりの通り、機械学習には、「Python基礎 + Pandas + Matplotlib + Scikit-learnなど機械学習系のライブラリ」のスキル習得が必要です。
では、それぞれのプロセスに、どのぐらい習得に時間がかかるか、どういうステップで学習をすればいいのか解説をします。

Python基礎とは何か?

まず、「Pythonの基礎」について解説をします。
Pythonの基礎とはなんでしょうか?
キノコードでは、Python超入門講座という動画を出しています。
この内容が、私が考えるPythonの基礎になります。
具体的には、Pythonの基礎は、制御構造であるfor文やif文、そして、リスト、関数、クラスなどです。

このPython基礎学習は、入門者にとっては非常に退屈だと感じると思います。
実際に、私自身、Pythonの基礎学習している時に「この基礎学習は、本当に役にたつのか?」と思いながら勉強していました。
プログラミングができるようになった今、入門レベルの学習に意味があることはわかります。
では、これらはどういった場面で使われるのでしょうか?
その意味がわかると、学習のモチベーションがあがると思うので2つ例に出して説明をします。

1つめの例:業務効率化の場面

例えば、営業担当者の成績管理表をExcelを読み込んで、売上100万円以上なら「達成」「未達」という書き込みをしたいとします。
そうすると、if文という条件によって処理を変えるプログラムを書く必要があります。
100万円以上なら「達成」
100万円未満なら「未達」
といった処理を書きます。

for文はどうでしょうか?
業務効率化の場面では、営業担当者は2人以上いることがほとんどです。
営業担当が1人なら、手入力した方が早いですからね。
つまり、1行目だけではなく2行目以降も同じ処理をする必要があります。
この時に記述するのがfor文です。
つまり、同じ処理を繰り返すためにfor文を書く必要があります。

関数はどうでしょうか?
上で説明をした、if文やfor文文での判定の処理は、10月分だけではなく、11月分や12月分も必要だったとします。
こういった場面で、関数が活躍します。
関数とは、簡単にいってしまうと、「こういう処理をしてくれー」と依頼をすると、その処理を返してくれます。
関数の中に、上記のif文やfor文の処理を記述します。
その上で「10月分の判定の処理をしてくれー」と命令をすると、10月分の判定の処理が返ってきます。
次に、「11月分の判定の処理をしてくれー」と命令をすると、11月分の判定の処理が返ってきます。
if文やfor文の同じ記述を何度も書かなくてよくなり、プログラムのメンテナンスがしやすくなります。

2つめの例:アプリケーション開発の場面

他の例で説明します。Webアプリケーション開発の場面です。
あなたが月額制のWebサービスを運営していたとします。
毎日0時に、その日の課金の処理をしていたとします。
ユーザー1人1人の会員であるかの情報を参照をして、会員であるなら課金の処理、会員でなくなっているなら課金をしない処理と退会をする処理をしていたとします。
ここでもif文やfor文が関わってきます。
if文で会員であるか判定をして、課金と退会の処理をします。
for文で、その処理を繰り返します。
関数にしておくといつでも呼び出すことができます。

Pythonの基礎学習であるif文やfor文、関数などの重要性はおわかりいただけましたでしょうか?
業務自動化だろうが、機械学習だろうが、アプリケーション開発だろうが、すべてに必須の知識になります。
とはいえ、Pythonの基礎は、次のステップで必ず使用します。
そのため、私自身はさらっと学習するでOKだと考えています。
暗記は不要で、「Pythonはこんな感じなんだな」ぐらいの温度感で学習を進めてください。

Python基礎の習得にかかる学習時間

YouTube動画のPython超入門講座は、動画の長さとしては約1時間あります。
プログラミング学習サービスの「キノクエスト」には、Python超入門講座の問題が、約100問あります。
1日1時間ずつ勉強するのであれば、1日10問進められると仮定します。
そうすると、10日間で終わることになります。
ただし、Python入門者であれば、迷う点があると思います。
さらには、復習などを含めると、その倍はかかるかもしれません。
したがって、Python基礎の学習時間は約1ヶ月はかかると想定されます。

なお、Python学習サービス「キノクエスト」は、学習カリキュラムがあり、学習順番や学習方法に迷うことがありません。
動画もあるのでインプットができ、環境構築不要でコードを書く機能もあります。
Python学習のお供にご登録ください。

▼キノクエストの紹介ページ
こちらをクリック

Pandasとは何か?

Pythonの基礎を習得した後は、Pandasを学習しましょう。
Pandasとは、データをExcelのような表形式で扱うことができるPythonのライブラリです。
Pandasの読み方は、「パンダス」です。
例えば、Pandasでは、下記のようなことができます。

  • csvファイルを読み取るための機能
  • Excelのデータを読み取る機能
  • 列や行を追加、変更、削除ができる
  • フィルターをかけて特定の行を抽出できる
  • 列の並び替えができる
  • グループごとに集計することができる
  • 表同士をデータを特定のキーで結合することができる
  • 時系列のデータを扱うことができる

このようにPandasでは色々なことができます。
Excelを使ったことある方なら、Excelでできることは、Pandasではほぼできるといっても過言ではないです。

上記のようなことができるため、Pandasでは、下記のような作業を自動化することができます。

  1. 複数のExcelやcsvファイルを読み込む
  2. 列や行を削除、特定の条件で抽出、データ同士を結合
  3. グループごとに集計
  4. グループごとに複数のExcelに書き出し

業務では、売上だったり、在庫データであったり、経理のデータであったり、Excelのような表形式にしてデータを扱うことが多いですよね。
そのため、Pandasでは、こういった集計業務で大活躍します。

Pandasを通してライブラリの使い方を覚えよう

あわせて、PandasはPythonのライブラリです。
私はプログラミング学習を始める前、ライブラリと聞くと、なんだか難しそうな印象をもっていました。
ですが、Pandasを使うようになってから
「なんだ、こんなことか!」
と理解することができます。
Pandasを使うことを通して、ライブラリとはなんなのか?
ライブラリはどうやって使うのか?
といったことを学んでください。
Pythonが人気であるのは、ライブラリが豊富なことも理由の1つです。
ライブラリの使い方をPandasの学習を通して学びましょう。

Pandasの習得にかかる学習時間

Python基礎の学習時間は1ヶ月かかるとお伝えしました。
キノコードが運営するPython学習サービス「キノクエスト」には、Pandasの問題は、約300問あります。
1日1時間ずつ勉強するのであれば、1日10問進めれると仮定します。
そうすると、30日間で終わることになります。
ただし、復習などを含めると、その倍はかかると想定されます。
したがって、Pandas習得までにかかる時間は、2ヶ月と想定されます。

Matplotlib、Seabornとは何か?

Matplotlibは、Pythonのグラフを描くためのライブラリです。
Matplotlibはを使うと、いろいろな種類のグラフを作成することができます。
データ加工が得意なPandasにも、グラフを作成するメソッドや関数がありますが、Matplotlibの方がより種類が豊富です。
このMatplotlibを使えば、できないグラフ化がないといってもいいですよね。
ExcelやBIツールでできるグラフ化は、ほとんど実現できるといっても過言ではないでしょう。

また、Pythonには「Seaborn」というライブラリもあります。
Seabornも、Matplotlibと同様に、Pythonのグラフを描くためのライブラリです。
Seabornは、Matplotlibをベースに作られており、Matplotlibより美しいグラフを作成することができます。
また、SeabornはMatplotlibを改良して作られたものです。
そのため、Matplotlibより少ないコードでグラフを作成することができます。
美しいグラフを簡単にかける。これがSeabornの特徴です。

しかも、MatplotlibもSeabornも、Pythonのライブラリだから無料です。
ExcelやBIツールのように有料ではありません。
また、無料なので、どの職場にいっても利用可能ですよね。
ぜひ習得されることをおすすめします。

Matplotlib、Seabornの習得にかかる学習時間

Python学習サービス「キノクエスト」には、MatplotlibとSeabornの問題が230問ほどあります。
1日10問ずつ解くとなると、23日かかります。
復習の時間を倍とると、50日かかることになります。
したがって、Pandas習得までにかかる時間は、約1ヶ月半と想定されます。

Pythonの機械学習系のライブラリとは?

機械学習のモデル作成には、機械学習系のライブラリの習得が必要です。
その中でも、必須のライブラリがScikit-learnです。
Scikit-learnは、Pythonの機械学習ライブラリです。
「サイキット ラーン」と読みます。
Scikit-learnでは、さまざまな機械学習のモデル作成ができます。
そのため、基本的な機械学習のモデルはほとんど構築できるといってもいいでしょう。
また、機械学習のプロセスであるモデルを評価するための関数・メソッドも準備されています。
Pythonの機械学習系のライブラリには、PytorchやTensorflowなどもありますが、まずは、Scikit-learnだけで十分です。
Scikit-learnの習得を目指しましょう。

Pythonの機械学習系のライブラリの習得にかかる学習時間

Scikit-learnの習得には、1ヶ月もかからないと思います。
しかし、機械学習の流れをおさえて、実務でも活かし始められるようになるまでには、トータルで3~4ヶ月の時間を要すると思います。
具体的には、Pandas、Matplotlib、Seabornを習得した後に、機械学習の分析課題に3-4つ取り組む必要があります。
分析課題に取り組みながら、機械学習の流れやモデル作成、モデルの評価(使えるものか、使えないものか)を覚えていけばよいです。
キノクエストの「プレミアムプラン」の機械学習の分析課題とその解説があります。
全部で10問以上の問題があります。
キノクエストの「ベーシックプラン」にも、一部の分析課題と解説を公開しています。
これを3-4つ取り組めば、だいぶ自走できるだけの実力がつくと思います。
1ヶ月に1つ。3つ取り組むとなると、3ヶ月かかります。
したがって、Scikit-learnの習得と、実践に入るためのPythonによる機械学習の基本を習得するには、3ヶ月間かかると想定されます。

Pythonによる機械学習のトータルの学習時間

「Python基礎 + Pandas + MatplotlibとSeaborn + Scikit-learn」を習得すれば、Pythonによる機械学習を習得できます。

Python基礎の学習時間は、1ヶ月かかります。
Pandasの学習時間は、2ヶ月かかります。
MatplotlibとSeabornは、2ヶ月です。
Scikit-learnの習得と機械学習の基本の習得に、3ヶ月の時間を要すると思います。
したがって、Pythonによる機械学習の学習時間は、8ヶ月かかると想定されます。

理論から勉強しないこと

私は、機械学習を習得する際に、数学や統計学の理論から入ることはおすすめしていません。
まずは、Pythonで機械学習を実装できるようになってから、理論の勉強をすることをおすすめしています。
それは私の経験から、そのようにおすすめしています。

それはどういうことでしょうか?
機械学習の理論をしっかり勉強するには、時間がかかります。
私自身、文系出身だったため、1年以上かかりました。
具体的には、高校の復習をして、そのあとに理系の大学1年生が学ぶ微積分、線形代数、確率統計を勉強しました。
その後やっと、パターン認識(機械学習)の勉強をしました。
パターン認識の勉強も難しく、大変苦労をしました。
また、データサイエンティストの家庭教師を自費で雇って、わからないことの質問をしていました。
非常に時間がかかり、挫折するポイントがたくさんありました。

今なら過去の自分に「Pythonによる機械学習の実装を覚えてから、理論を学びましょう」とアドバイスします。
キノクエストを使って学習をしていただくと、Pythonによるデータ取得からモデル作成・評価まで習得できます。
また、ベースラインモデルというものを使って、その予測モデルが、意味のあるものなのかないものなのか、つまり、実務で使えるものなのか使えないものなのか判断もできます。
したがって、数学や統計学の知識は浅くても、仕事で使えるものを作ることができます。
そうすると、仕事で成果が出せます。
仕事で成果が出せるので、会社で評価されます。
会社で評価されるので、給料があがる可能性が高まります。
昇進だってできるかもしれません。
そうすると、ますますプログラミングに関する仕事に専念できます。
そのタイミングになってから仕事ではPythonによる機械学習の実装、プライベートで数学や統計学の勉強に充てるというやり方ができると思います。
そのタイミングになってからじっくり勉強されるとよいでしょう。

数学や統計学で何を勉強すればいいか?

まずは、統計検定2級を受けましょう。
統計検定2級の内容を理解するだけでも、機械学習の理論について理解が深まります。
その次に、微積分と線形代数の勉強をしましょう。
機械学習の理論には数式がたくさん出てきます。
また、数式の意味を理解するために、微積分と線形代数の理解は必要です。
そのあとに、パターン認識の勉強をされるといいでしょう。

Pythonを最短で習得したいなら

キノコードでは、Pythonを習得するためのプログラミング学習サービス「キノクエスト」を運営しています。
このサービスは、最短でPythonを習得するために作れたサービスです。
プログラミングは、本を読んだり、動画をみただけでは習得ができません。
ソースコードを書くことが、Pythonができるようになります。
また、キノクエストには、作りたいものに分けて、学習カリキュラムがあります。
したがって、学習順番に悩むことなく学習を進められます。
また、コミュニティも運営しているので、わからないことがあれば仲間に質問することができます。

キノクエストの特徴は下記の通りです。

  • 学習目的別に学習カリキュラムがある
  • Python学習をしている仲間が集まるコミュニティがある
  • 1000問以上の問題を解いてプログラミングを習得ができる
  • 環境構築不要ですぐに始められる
  • 動画と連動しているので、インプットもできる
  • 月額1,990円とプログラミングスクールと比較しても圧倒的に低価格

キノクエストを詳しく知りたい方は、紹介ページをご覧ください。

▼キノクエストの紹介ページはこちら▼
https://kino-code.com/kq_service_a/