※本記事は、Arand BOS氏によるYouTube動画「AIプロフェッショナルプログラム内に重点領域を作成する」の内容を基に作成されています。Arand BOS氏はスタンフォード大学のコンピュータサイエンス学科AI専攻の卒業生で、AIプロフェッショナルプログラムのコース開発者およびコースファシリテーターを務めています。過去5年間、スタンフォード大学の教員やスタッフと協力してプログラム内のコース開発に携わってきました。
動画では、AIの分野における特定の重点領域を学ぶことを希望する学習者向けに、人工知能プロフェッショナルプログラムの包括的な概要が提供され、各コースの詳細と推奨学習パスが紹介されています。プログラムには自然言語処理、AI/ML基礎、ロボティクス/強化学習、生成AI、グラフニューラルネットワークなどの重点領域が含まれています。
動画の詳細情報は https://www.youtube.com/watch?v=4dfxh6nTVms でご覧いただけます。スタンフォードのオンラインAIプログラムに関する詳細情報は https://stanford.io/ai でご確認いただけます。
スタンフォードオンラインはスタンフォード大学全体の学部や部門が提供する学術的・専門的教育のポータルで、スタンフォード工学部のグローバル・オンライン教育センター（CGOE）によって運営・管理されています。
1. プログラム概要
1.1. AIプロフェッショナルプログラムの特徴
私の名前はArand BOSです。AIプロフェッショナルプログラムのコース開発者およびコースファシリテーターを務めています。スタンフォード大学の卒業生で、コンピュータサイエンスの学位とAI専門を取得しました。過去5年間、スタンフォード大学の教員やスタッフ、そして素晴らしい同僚たちと密接に協力して、このプログラムで提供されているコースの多くを開発してきました。
AIプロフェッショナルプログラムには、8つの異なるコース提供があり、継続的に新しい追加を検討しています。コンテンツはスタンフォード大学の大学院コースの内容から派生したもので、スタンフォード大学の教員が引き続きこれらのコースを教えています。厳密さのレベルも同じであり、各コホートの終了時に定期的に教員パートナーと話し合いを持ち、コンテンツを更新し、最新の状態を保っています。
私たちのコースはAIの異なる分野を中心に構成されており、非常に理論的なものから実践的なものまで幅広くカバーしています。これらは後ほど説明するように、次にどのコースを受講すべきかを判断するのに役立つ、異なる専門分野のトラックにグループ化することができます。
AIプロフェッショナルプログラムは、コースを修了するとデジタルコース修了証明書を受け取り、3つのコースを修了すると専門家認定証を取得できるパス・ノーパス形式で提供されています。すべての学習者は、コースファシリテーターと話し合ったり、プログラミングや課題の問題について他の学習者と協力したりできる、パーソナライズされたサポートSlackグループを持っています。
1.2. 大学院プログラムとの違い
AIプロフェッショナルプログラムは大学院プログラムとは異なります。両者は同じ傘下で運営されていますが、いくつかの重要な違いがあります。大学院コースを1つ取得して、それをプロフェッショナル認定証に算入することも可能ですが、それ以外の場合は、プロフェッショナル認定証を取得するために3つのコースを修了する必要があります。
私たちのコースは、キャンパス内で行われる元のコース版から適応されたものです。同じレベルの厳密さ、同じ内容、そして同じ課題を維持するよう努めていますが、プロフェッショナルな受講者向けに適応させています。
プログラムへの登録には、Python、微積分、線形代数、確率などの前提条件に関する習熟度を確認するための簡単な申請が必要です。また、オンライン講義と自動採点システムを提供しているため、すべてが非同期で行われます。講義は自分のペースで視聴でき、コーディング課題を提出して、コーディング部分と記述部分の両方からフィードバックを得ることができます。
各コホートは10週間で、毎週の作業量は大体10〜15時間程度ですが、背景や強みによって変動する場合があります。
1.3. 入学要件と学習形態
AIプロフェッショナルプログラムに入学するためには、簡単な申請が必要です。この申請では、Pythonプログラミング、微積分、線形代数、確率論といった前提条件に関する習熟度を確認します。これらのスキルは、プログラム内のコースで成功するために不可欠です。
学習形態についてですが、すべての講義はオンラインで提供され、自動採点システムを採用しています。つまり、すべての学習は非同期で進められます。自分のペースで講義を視聴し、コーディング課題を提出することができます。提出後は、コーディング部分と記述部分の両方についてフィードバックを受け取ることができます。
各コホートは10週間続き、週あたりの作業量は約10〜15時間と見積もられています。ただし、この作業量は個人の背景や強みによって変動する可能性があります。
学習者には、パーソナライズされたリモートサポートプログラムが提供されます。具体的には、コースファシリテーターと会話したり、プログラミングやコーディング課題の問題について他の学習者と協力やアイデア交換をしたりできる、パーソナライズされたサポート用Slackグループが用意されています。
コースはパス・ノーパス形式で評価され、コース終了時に最低点数に達すると、デジタルコース修了証明書が授与されます。3つのコースを修了すると、プロフェッショナル認定証を取得することができます。
2. コース詳細
2.1. XCS 221: 人工知能の原理と技術
XCS 221は「人工知能の原理と技術」というコースで、DorsaとPercyによって教えられています。このコースの目的は、他のコースで成功するために必要な基本的な構成要素、用語、背景知識を提供することです。重要な基礎的AIアルゴリズムをいくつか学びます。例えば、論理、制約充足問題、ベイジアンネットワークなどがあります。また、AIの歴史や倫理についても学びます。
このコースの前提条件は、基本的な線形代数と確率の知識です。課題は主にNumPyを使用したものが中心となり、深層学習には踏み込まないため、PyTorchは使用しません。全部で7つの課題があり、そのうち6つは必須で、1つはオプションです。
XCS 221は、AIの基礎知識をリフレッシュしたい方や、基礎を強化したい方に理想的なコースです。このコースで得られる知識は、プログラム内の他のコースに進む上で非常に役立つでしょう。
2.2. XCS 229: 機械学習
XCS 229は「機械学習」というコースで、TanguとChrisによって教えられています。これは非常に理論的で、証明ベースのコースです。主な目的は、NumPyを使用してコアとなる機械学習アルゴリズムを一から構築することに焦点を当てています。学習するアルゴリズムには、GCHとカーネル、主成分分析、サポートベクターマシン、ロジスティック回帰、ニューラルネットワークなどが含まれます。
このコースでは、デバッグスキルの向上やエラーの分析、バイアスと分散のトレードオフの検討など、統計と数学的理解に重点を置いています。理想的な受講者は、線形代数、確率、微積分、統計の強固な基礎を持ち、機械学習の概念にもある程度の馴染みがあり、さらにPythonとNumPyの経験がある人です。
コースには全部で5つの課題があります。このクラスは、数学の基礎が非常に強く、機械学習と統計的パターン認識への入門を望む人々に理想的です。証明や理論に重点を置いているため、数学的な思考と分析能力が求められます。
2.3. XCS 224N: 深層学習による自然言語処理
XCS 224Nは「深層学習による自然言語処理」というコースで、NLPの基礎的な概念をすべてカバーしています。トランスフォーマーモデル、大規模言語モデル（LLM）、再帰型ニューラルネットワーク（RNN）、単語ベクトル、ニューラル機械翻訳（NMT）などを学びます。理論と実践のバランスが取れており、PyTorchを使用して様々なモデルを構築していきます。
このコースの主な目的は、時間の経過とともに進化してきた主要なNLPアーキテクチャの実装を一つずつ歩みながら進めることです。理想的な受講者は、確率、線形代数、微積分の強い知識を持ち、ニューラルネットワークや最適化にもある程度馴染みがある人です。PyTorchなどの深層学習フレームワークの経験も役立ちますが、必須ではありません。
なお、PyTorchやPythonのチュートリアルは各コースで提供されているので、これらのフレームワークの使い方に理解の不足があると感じても、コースで成功するためのリソースは提供されています。このコースには全部で5つの課題があり、基礎レベルでNLPの理解を深めたい学習者に最適です。
2.4. XCS 234: 強化学習
XCS 234は「強化学習」というコースで、RHF（Reinforcement Learning from Human Feedback）やDPO（Direct Preference Optimization）、モデルフリーの方策評価など、実際の強化学習アプリケーションをカバーしています。数学的・統計的基礎に重点を置いており、高度なコーディングと証明ベースの課題が含まれています。
このコースを受講するには、確率、統計、線形代数、微積分に非常に習熟していることに加え、最適化、ニューラルネットワーク、PyTorchなどの深層学習フレームワークの知識も必要です。全部で5つの課題があり、強化学習の強固な基礎を求める学習者と、その応用やその背後にある理論を探求したい学習者のための非常に厳密なコースです。
このコースは他のコースと比較しても特に厳密で、理論的内容と実践的なコーディング課題の両方が高度なレベルで要求されます。強化学習の数学的基礎をしっかりと理解し、最先端の応用技術を学びたい方に適しています。
2.5. XCS 236: 深層生成モデル
XCS 236は「深層生成モデル」というコースで、Stefanoによって教えられています。このコースはテキストから画像へのシステムの背後にある技術を探求することに焦点を当てていますが、生成モデルの進化についても扱います。自己回帰モデルから始まり、GANs（敵対的生成ネットワーク）、オートエンコーダー、そして拡散モデルやスコアベースモデルなどの最新のモデルまでカバーします。
このコースは理論と実践的応用の両方をミックスしており、課題では扱いやすいデータセットを使用します。前提条件としては、機械学習の確かな基礎、ニューラルネットワーク、最適化、バックプロパゲーションに関する知識、そして線形代数、確率、微積分の基本的な知識が含まれます。また、PyTorchの使用経験もあると良いでしょう。
全部で4つの課題があり、生成モデリングとその進化、応用についての理解を深めたい人に最適です。このコースでは、最新の生成AIモデルがどのように機能するのか、その理論的基盤と実際の実装の両方を学ぶことができます。
2.6. XCS 224W: グラフを用いた機械学習
XCS 224Wは「グラフを用いた機械学習」というコースで、非常に実践的なハンズオンのコースです。グラフニューラルネットワーク（GNN）の構築に焦点を当て、PyTorchベースのColabノートブックを使用します。講義では議論されるアルゴリズムのコーディングが課題の大部分を占め、それらのGoogleコラボレーションノートで作業するものの多くはGNNの産業応用となっています。
このコースでは、一部の導出には線形代数や確率の知識が必要ですが、課題の大部分はコーディングになります。前提条件として、線形代数、確率、基本的な機械学習の概念に関する知識と、PyTorchの経験が求められます。
これは、大規模なグラフ分析に取り組み、データマイニング戦略により焦点を当てたい個人のための、適度に厳密なコースです。産業レベルのアプリケーションに直接応用できるコースであり、実践的なスキルを重視する学習者に適しています。
2.7. XCS 330: 深層マルチタスク学習とメタ学習
XCS 330は「深層マルチタスク学習とメタ学習」というコースで、XCS 234（強化学習）コースを拡張するものです。XCS 234を事前に受講することは必須ではありませんが、このコースでは多くのトピックが拡張されます。マルチタスク学習、メタ学習、転移学習、ドメイン適応と一般化など、高度な強化学習トピックが扱われます。
これは非常に理論的なコースであり、コーディング課題は主要な概念を強調するために使用されます。確率、線形代数、微積分、PyTorchの強固な基礎知識があることが推奨されます。これはコースの内容についていくために必要です。
全部で4つの課題があり、理論と実践の両方の設定において、マルチタスク学習やメタ学習などの高度な深層学習概念や強化学習概念の高度な理解を得たい人のためのコースです。このコースは、すでに強化学習の基礎を持ち、より複雑な応用と理論的拡張に取り組みたい学習者に特に適しています。
2.8. XCS 224U: 自然言語理解
XCS 224Uは「自然言語理解」という非常に実践的なコースです。プロジェクトコンポーネントに焦点を当てており、主要なNLPトピックを取り上げ、自分の選んだ分野に応用します。このプロジェクトは学会発表のために提出することも、直接現在の職場に持ち帰って活用することもできます。
このコースでは、友好的な競争形式のBake Off（コンペティション）に参加し、文脈的単語表現、大規模言語モデル、少数ショット学習、情報検索などの応用NLPトピックに取り組みます。XCS 224N（深層学習による自然言語処理）の受講は必須ではありませんが、このコースで扱われるトピックの多くはXCS 224Nで拡張されるものなので、事前に受講することが理想的です。
確率、線形代数、微積分、基礎的なNLP概念に関する知識が必要とされ、PyTorchの経験も推奨されます。課題は全部で3つあり、オリジナルシステムの開発と1つのオープンエンドのプロジェクトが含まれています。
このクラスは、NLP産業応用に焦点を当てた、実践的でプロジェクトベースのハンズオンのコースを望む人に最適です。実際の問題に取り組み、自分のプロジェクトを開発することで、理論を実践に移す能力を養うことができます。
3. 個別学習パスの作成方法
3.1. 個人の考慮事項（目標、背景、スキル、時間、予算）
AIプロフェッショナルプログラム内で個別化された学習パスを作成する際には、いくつかの個人的な考慮事項があります。まず、あなたの個人的なキャリア目標について考えましょう。何を達成しようとしているのか、プロフェッショナルな背景はどのようなものか、そしてどのようなスキルや強みを持っているのかということです。
例えば、あなたはより多くのコーディングを好むタイプの人でしょうか、それとも数学や科学、統計に強い人でしょうか。また、仕事が忙しい場合、より厳密でないコースを受講したほうがいいかもしれません。さらに、特定のコースにどれだけの時間とリソースを投資する意思があるかという予算面も考慮する必要があります。
これらの考慮事項を念頭に置いて、AIの特定のサブセットに特に興味がある場合は、そのグループ内のコースを受講することをお勧めします。例えば、NLPに特に興味がある場合はNLPグループのコースを受講し、生成AIに興味がある場合は、その特定のグループ内のコースを検討すべきです。
このように、あなたの個人的な状況、目標、強み、そして利用可能なリソースを考慮することで、AIプロフェッショナルプログラム内で最も効果的な学習パスを見つけることができます。
3.2. コースのグループ分け（NLP、AI/ML基礎、ロボティクス/RL、生成AI、GNN）
私たちはコースを異なるグループに分けています。NLPのグループ、AI/ML基礎のグループ、ロボティクス/強化学習のグループ、生成AIのグループ、そしてGNNのグループです。ここでの考え方は、AIの特定のサブセット、例えばNLPに特に興味がある場合は、そのグループ内のコースを受講することをお勧めします。
同様に、生成AIにより興味がある場合は、その特定のグループ内のコースを検討するべきでしょう。これにより、特定の専門分野における知識と技能を体系的に深めることができます。
これらのグループ分けは、学習者が自分の興味や目標に合わせてコースを選択する際の指針となります。例えば、NLPに焦点を当てたい場合はXCS 224NとXCS 224Uを、生成モデルに興味がある場合はXCS 236を選択するというように、関連性の高いコースを組み合わせて学習することができます。
また、基礎的なAI/ML知識を固めたい場合は、XCS 221やXCS 229などの基礎グループから始めることも可能です。これらのグループ分けは、あなたの学習パスを計画する際の参考になるでしょう。
4. 推奨学習パス
4.1. 古典的ML学習パス
最初の学習パスは古典的ML学習パスです。このパスでは、基本的な古典的機械学習とAIアルゴリズムの深い理解を得ることができます。XCS 221から始めて、その後XCS 229に移行することをお勧めします。XCS 229ではより証明理論の世界に入っていきますが、そこからは自分の選択に応じて任意のトラックに進むことができます。
例えば、ロボティクストラック、生成モデルトラック、グラフトラック、NLPトラックなど、どの方向にも分岐することが可能です。これは、すべてのコースで成功するために必要な基礎を既に身につけているからです。
このパスの利点は、AIと機械学習の基礎を確実に理解した上で、特定の応用分野に進むことができる点です。基本的なアルゴリズムとその理論的背景をしっかりと学ぶことで、より高度な専門分野の学習がスムーズになります。古典的MLパスは、AIの幅広い理解を求める学習者に特に適しています。
4.2. NLP学習パス
NLP学習パスは、自然言語処理に重点を置いたパスを作成したい人のためのものです。XCS 221から始めることができますが、これは厳密なパスではないので、AIの基礎知識があれば成功できると感じる場合は、XCS 221を省略してXCS 224N（NLPコース）から直接始めることも可能です。
そこから、自然言語理解（NLU）コースに進むべきです。NLPコースで蓄積した理論的知識を、NLU環境で応用することができます。さらに、様々な異なるコースグループでNLPの知識を補完することもできます。
例えば、より理論的なルートに進むならば、XCS 229コースを受講して、コアとなる機械学習アルゴリズムの深い基礎を探求し、その後、強化学習や深層マルチタスク学習とメタ学習のような、より理論的であるが応用的なコースに進むこともできます。
あるいは、生成モデル側やグラフ側をさらに探求していくこともできます。このパスでは、NLPの理論的基礎を固めた後、実際の応用や関連する分野へと学習を拡張することができ、自然言語処理の専門家を目指す人に最適です。
4.3. ロボティクス学習パス
ロボティクス学習パスは、ロボティクス応用に不可欠な重要な概念、特に強化学習（RL）について学ぶのに役立つパスです。ここでの考え方は、XCS 221とXCS 229を受講して、コアとなるAI/ML基礎を固めることから始めることです。そこから、強化学習の世界に潜ることができます。
プログラムで扱う証明ベースの問題やコーディングベースの問題に取り組むためのコンテキストを持っているため、これは効果的なアプローチです。さらに、強化学習のクラスをグラフクラスで補完することもでき、ロボティクス応用においてグラフアルゴリズムと強化学習アルゴリズムを組み合わせたモデルを作成する方法を探ることも可能です。
このパスは、ロボティクスやオートメーション分野で働きたい人、あるいは強化学習の理論と実践の両方を深く理解したい人に最適です。基礎から始めて徐々に専門性を高めていくアプローチにより、複雑な強化学習の概念をしっかりと理解することができます。
5. コースの難易度と特性
5.1. 厳密さによるコースのランキング
ここでは、厳密さ（週あたりに費やさなければならない時間数）によるコースのランキングを紹介します。通常、学生には週に10〜15時間をコースに費やすよう勧めていますが、背景によってはより厳密なコースもあります。
最も厳密なコースとして、一番上にXCS 234（強化学習）があります。これは非常に理論的かつハンズオンなコースで、各課題は非常に大変です。PyTorchでのコーディングに多くの時間を費やすだけでなく、強化学習の確かな理解を得るための証明ベースの問題も解くことになります。
このグラフの一番下にあるのはXCS 221で、理論への露出と一部のプログラミングがありますが、どちらも強化学習コースと同じレベルの厳密さではありません。
これら2つのコースの間には、難易度の異なるコースが散らばっています。第3層にある生成モデリングコース、自然言語理解コース、グラフコース、NLPコースはすべて同程度の厳密さです。これらのコースではコーディングと証明ベースの問題の両方が期待されますが、それ以前のコースほど難しくはありません。
このランキングは、自分の時間的制約や背景に基づいて、最も適したコースを選択するのに役立ちます。忙しい仕事のスケジュールがある場合は、より厳密でないコースから始めることをお勧めします。
5.2. 理論vs実践の観点からのコース分類
ここでは、最も応用的なものから最も理論的なものまで、コースをランク付けしています。一番上にはNLU（自然言語理解）があり、プロジェクトベースのコンポーネントを持っています。このコースでは、プロジェクトを専門的に応用したり、学会に提出したりすることができます。コード内で多くの作業を行い、自分の選択に基づいた個人プロジェクトを構築することになります。
一番下には機械学習コースがあり、非常に理論的なコースです。多くの部分が証明を書き、コアとなる機械学習アルゴリズムの基礎を本当に理解しようとすることに費やされます。
その間には、理論と応用の両方を持つコースがいくつかあります。例えば、生成モデリングコース、NLPコース、メタ学習コースなどです。
この図の目的は、数学と統計に対する馴染み度と、プログラミングや応用にどれだけ快適かに基づいて、どのクラスを受講すべきかについての視点を提供することです。理論的な学習スタイルを好む人は下部のコースから始め、より実践的なアプローチを好む人は上部のコースを選ぶとよいでしょう。
このように、あなたの学習スタイルや職業的なニーズに合わせて、最適なコースを選択することができます。応用志向の人は実践的なプロジェクトに焦点を当てたコースで成功し、理論志向の人は数学的証明や理論的概念を深く掘り下げるコースで力を発揮できるでしょう。
5.3. 数学・理論背景が強い人向けのパス
数学や理論に強い背景を持つ人のために、効果的な学習パスを用意しています。このパスの考え方は、最も理論的なコースであるXCS 229（機械学習）から始めることです。このコースは、機械学習の世界への移行をスムーズにするのに役立ちます。あなたが慣れている厳密な数学に触れながらも、機械学習のコンテキストでどのように使用されているかを学ぶことができます。
そこからXCS 221に進み、コーディングと理論的な問題の混合に取り組みます。ここでこのコースを受講する目的は、プログラムで導入されるプログラミング課題にどのように取り組むかについて、コーディングスキルを向上させることです。
その後、ロボティクスグループ、グラフグループ、生成モデルグループ、またはNLPグループに分岐できます。コーディングと理論の両方に触れているため、これらの種類のクラスのいずれでも成功することができるでしょう。
このパスは、数学的思考に強みを持つ人が、その強みを活かしながら機械学習やAIのより実践的な側面へと徐々に移行するのに最適です。理論から始めて応用へと進むことで、概念の深い理解を得ながら実用的なスキルも身につけることができます。
5.4. プログラミング背景が強い人向けのパス
プログラミングに強い背景を持つ人のためのパスもあります。この考え方は、XCS 221から始めて、理論とプログラミングの両方の背景を身につけることです。そこから、プログラミングと理論を少しより厳密な設定で組み合わせる他のコースに分岐することができます。
例えば、生成モデルコース、グラフコース、またはNLPコースなどが選択肢として挙げられます。そこから、もし本当に探究して自分のコンフォートゾーンから一歩踏み出し、常にコーディングだけでなく理論側にも挑戦したいと思うなら、XCS 234（強化学習コース）や機械学習コースを受講することもできます。
このパスは、すでにプログラミングスキルが強い人が、AIと機械学習の理論的基盤も理解できるよう設計されています。実践的なコーディングスキルから始めて、徐々に理論的な概念へと拡張していくことで、バランスの取れた知識を身につけることができます。
プログラミングの経験を活かしながら、AIの数学的・理論的側面も学べるので、総合的なAI専門家になるための良いアプローチです。
6. リソースと問い合わせ先
6.1. 利用可能なリソース（シラバス、無料教材、パンフレット）
私たちは、より良い決断を下すのに役立つリソース（https://bit.ly/AI-Course-Selection )をまとめました。課題について興味がある場合は、シラバスへのリンクがあります。
各コースの厳密さのレベルについてもっと知りたい場合は、無料リソースセクションにある大学院の課題の内容を確認することができます。一般的な概要が欲しい場合は、パンフレットをチェックしてください。
これらのリソースは、AIプロフェッショナルプログラム内のどのコースを選択すべきか、あなたの背景と目標に最も適したパスは何かを判断する際の参考になります。シラバスには各コースの詳細な内容、スケジュール、課題の具体的な情報が含まれており、コースの難易度や焦点を理解するのに役立ちます。
無料リソースセクションでは、実際の大学院レベルの課題の例を見ることができ、各コースが要求する厳密さや専門性のレベルを把握することができます。これは、特に時間的制約がある場合や、特定の分野に特化したい場合に重要です。
6.2. FAQと追加情報の入手方法
プログラムに関する一般的な質問がある場合は、AIプロフェッショナルプログラムのFAQをぜひチェックしてください。このプレゼンテーションを視聴いただき、AIプロフェッショナルプログラム内でカスタムパスを作成する方法についての洞察が得られたことを願っています。
このプレゼンテーションでは、AIプロフェッショナルプログラムの概要、各コースの詳細、個人の背景や興味に基づいた推奨学習パス、そしてコースの難易度と特性について説明しました。これらの情報を活用して、あなたのAI学習の旅をより効果的に計画することができるでしょう。
追加情報が必要な場合や、特定のコースについてさらに詳しく知りたい場合は、提供されたリソースリンクやQRコードから詳細にアクセスできます。また、プログラムスタッフに直接問い合わせることも可能です。