AI入門|初心者でもわかるデータサイエンスの基本

2025年11月20日2025年11月22日

渡辺一誠

AIとデータサイエンス、私が最初につまずいた話

正直に言うと、私が初めて「データサイエンス」という言葉を聞いたとき、正直ビビった。2015年頃、Webエンジニアとして10年以上やってたのに、統計学の教科書を開いた瞬間、ギリシャ文字だらけの数式に「これ無理だわ」って思って本を閉じた。

それから3年後、クライアントから「予測モデルを作ってほしい」って依頼が来て、逃げられなくなった。仕方なく学び始めたら、意外な発見があった。データサイエンスって、思ってたより「普通のプログラミング」に近かったんだ。

この記事では、「AIとかデータサイエンスって難しそう」って思ってる人に向けて、実際のところどうなのか、どうやって学べばいいのか、副業案件につなげるにはどうすればいいのかを話していく。

200人以上の初心者をメンタリングしてきたけど、データサイエンスを「数学の試験」だと勘違いして挫折する人が多い。でも実際は、ちゃんとした順序で学べば、Web制作を覚えるのとそこまで変わらない。むしろ、市場価値を大きく上げられる分野だ。

なぜみんなAI学習で挫折するのか

「数学が苦手だから無理」という思い込み

これ、初心者が必ずハマるところ。データサイエンスを学ぶ前に、まず数学の勉強から始めちゃう人が多い。線形代数、微分積分、統計学の本を3冊積み上げて…で、最初の1章で力尽きる。

実際のデータサイエンスの仕事って、そこまで高度な数学を毎日使わない。まずは「動かせる」ことの方が100倍重要。私が最初に作った予測モデルなんて、scikit-learnのサンプルコードをいじっただけだったけど、クライアントは喜んでくれた。

データサイエンス=高度な統計解析という誤解

「データサイエンティストには統計学の博士号が必要」みたいな思い込み。副業レベルなら、そこまでの知識はいらない。

実際の案件で必要なのは：

CSVファイルからデータを読み込める
欠損値を適切に処理できる
基本的なグラフ作成ができる
簡単な予測モデルを作れる
結果をわかりやすく説明できる

これ、プログラミングの基礎があれば十分対応できる内容。

AI・データサイエンスの基本と学習ロードマップ

そもそもAIって何?

AI（人工知能）は、人間の知的な振る舞いをコンピュータに真似させようとする技術全般。その中に機械学習があって、さらにその中に深層学習がある。

データサイエンスは、データから価値ある情報を引き出す学問。統計学、プログラミング、ビジネス知識を組み合わせて、データ分析や予測モデルの構築をする。

重要なのは、これらが完全に独立してるわけじゃなくて、めちゃくちゃ重なってるってこと。実際の仕事では「データサイエンスの手法を使ってAIを作る」みたいなことが普通にある。

初心者が最初に押さえるべき3つのスキル

1. データの前処理

実際の案件だと、作業時間の7割がデータクリーニングに費やされる。欠損値だらけのデータ、表記揺れ、異常値…リアルなデータは汚い。

import pandas as pd

# CSVファイルを読み込む
df = pd.read_csv('sales_data.csv')

# 欠損値を確認
print(df.isnull().sum())

# 欠損値を平均値で埋める
df['price'].fillna(df['price'].mean(), inplace=True)

# 重複行を削除
df.drop_duplicates(inplace=True)

2. データの可視化

数字の羅列じゃクライアントに伝わらない。グラフで視覚的に見せることで、初めて理解してもらえる。

import matplotlib.pyplot as plt

# 売上の推移を折れ線グラフで表示
plt.figure(figsize=(10, 6))
plt.plot(df['date'], df['sales'])
plt.xlabel('Date')
plt.ylabel('Sales')
plt.title('Sales Trend')
plt.show()

3. 予測モデルの基礎

最初はシンプルなモデルから始める。

from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression

# データを訓練用とテスト用に分割
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)

# モデルを作成して訓練
model = LinearRegression()
model.fit(X_train, y_train)

# 予測
y_pred = model.predict(X_test)

線形回帰っていう一番シンプルなモデルだけど、売上予測とか価格推定とか、実際の案件でよく使う。

学習ロードマップ（3～6ヶ月）

ステップ1：Pythonの基礎（1～2ヶ月）

変数とデータ型
if文、for文、while文
関数、リスト、辞書
ファイルの読み書き

ProgateのPythonコースを2周すれば基礎は十分。

ステップ2：データ処理（1～2ヶ月）
Pandasを使ったデータ処理を学ぶ。KaggleのTitanic問題をやるのがおすすめ。データサイエンスの「Hello World」みたいなもの。

ステップ3：可視化と機械学習（1～2ヶ月）
Matplotlibでグラフ作成、scikit-learnで予測モデル構築。この段階で、もう案件が取れるレベル。

副業案件を取るための実践テクニック

どんな案件があるのか

初心者でも取れる案件（月5～15万円）

Excelデータの整理とPython化
売上データの簡単な分析レポート
データの可視化ダッシュボード作成

中級者向け案件（月15～30万円）

需要予測モデルの構築
顧客セグメンテーション
レコメンドシステムの実装

最初は初心者向け案件を狙う。これだけでも、十分な副収入になる。

クラウドソーシングでの戦い方

いきなり「機械学習エンジニア募集」に応募しても、まず取れない。競争が激しすぎる。

私が初心者に勧めるのは：

「Excelの集計作業を自動化したい」
「売上データをグラフ化してほしい」
「CSVファイルの整理・統合をお願いしたい」

これら、表向きは「データサイエンス」って書いてないけど、実は同じスキルセットで対応できる。しかも競合が少ない。

提案文の書き方

悪い例：

はじめまして。データサイエンスの経験があります。
Pythonが使えます。ご検討よろしくお願いします。

良い例：

お世話になります。売上データの分析・可視化について、
Pythonを使った自動化で対応可能です。

具体的には：
- CSVから自動でデータ読み込み
- 売上推移、商品別分析のグラフ自動生成
- レポートをPDF出力

過去に似た案件で業務効率化を実現した実績があります。
（ポートフォリオ：[GitHubリンク]）

納期は1週間を想定していますが、調整可能です。

この差、わかるよね?下の方が圧倒的に選ばれる。