Microsoft が GitHub で公開している AI 入門カリキュラム AI-For-Beginners の日本語版が、X で「かなり良い」と紹介されていました（connect24h さんの投稿）。紹介の要点は、いきなり LLM だけを触らない点です。知識表現 → ニューラルネットワーク → コンピュータビジョン（CV）/ 自然言語処理（NLP）→ Transformer → LLM と、歴史と構造を順に踏めます。AI を「使える」から「説明できる」へ進みたい人向け、という位置づけでした。
実際にリポジトリの中身を確認すると、その評価はおおむね妥当です。ただし、LLM の章はかなり古いまま残っています。この記事では、カリキュラムの構成を整理したうえで、どこに価値があり、どこは割り切って読むべきかをまとめます。あわせて、日本語版だけを軽くクローンする方法と、LLM を説明できるようになるための絞った進め方も紹介します。
AI-For-Beginners とは
- 提供元: Microsoft（主執筆者は Dmitry Soshnikov 氏）
- リポジトリ: microsoft/AI-For-Beginners
- ライセンス: MIT
- 公開: 2021 年 3 月（GitHub のスター数は 2026 年 9 月時点で約 6.9 万）
- 謳い文句: 「12 Weeks, 24 Lessons, AI for All!」
- 日本語版: translations/ja/README.md
日本語版は README だけでなく、各レッスンの本文と Jupyter Notebook まで translations/ja/ 以下に揃っています。無料で、日本語のまま最後まで進められます。
カリキュラムの構成
レッスンは大きく 7 つのパートに分かれています（番号は日本語版 README の表に従っています）。
| パート | レッスン | 主な内容 |
|---|---|---|
| I. AI 入門 | 01 | AI の紹介と歴史 |
| II. シンボリック AI | 02 | 知識表現、エキスパートシステム、オントロジー |
| III. ニューラルネットワーク | 03〜05 | パーセプトロン、多層パーセプトロンの自作、PyTorch / TensorFlow 入門と過学習 |
| IV. コンピュータビジョン | 06〜12 | OpenCV、CNN、転移学習、オートエンコーダーと VAE、GAN、物体検出、セマンティックセグメンテーション |
| V. 自然言語処理 | 13〜20 | BoW / TF-IDF、Word2Vec / GloVe、RNN、Transformer と BERT、固有表現抽出、大規模言語モデル |
| VI. その他の AI 技術 | 21〜23 | 遺伝的アルゴリズム、深層強化学習、マルチエージェントシステム |
| VII. AI 倫理 | 24 | AI 倫理と責任ある AI |
全 7 パートの詳しい解説も書いています。表のリンクから読めます（「I. AI 入門」の AI の歴史と基本をやさしく解説 — Microsoft AI-For-Beginners レッスン 01、「II. シンボリック AI」の 知識表現とエキスパートシステムをやさしく解説 — Microsoft AI-For-Beginners レッスン 02、「III. ニューラルネットワーク」の ニューラルネットワークの基礎をやさしく解説 — Microsoft AI-For-Beginners レッスン 03〜05、「IV. コンピュータビジョン」の コンピュータビジョンの基礎をやさしく解説 — Microsoft AI-For-Beginners レッスン 06〜12、「V. 自然言語処理」の 自然言語処理の基礎をやさしく解説 — Microsoft AI-For-Beginners レッスン 13〜20、「VI. その他の AI 技術」の 遺伝的アルゴリズム・強化学習・マルチエージェントをやさしく解説 — Microsoft AI-For-Beginners レッスン 21〜23、「VII. AI 倫理」の AI 倫理と責任ある AI をやさしく解説 — Microsoft AI-For-Beginners レッスン 24）。
これに加えて、環境構築用のレッスン 0（コースセットアップ）と、エクストラとしてマルチモーダル（CLIP と VQGAN）のレッスン 25 があります。「24 レッスン」は本編の数で、その前後にレッスン 0 と 25 が 1 本ずつ付く構成です。
各レッスンには次の教材が付いています。
- 講義前・講義後のクイズ（オンライン版あり）
- PyTorch 版と TensorFlow 版の Jupyter Notebook（理論の説明も Notebook 側に多く含まれる）
- ラボ（学んだ内容を別の課題に適用する。一部のレッスンのみ）
README 自身が「少なくともどちらか一方の Notebook を一通り学習する必要がある」と書いている通り、本文だけ読んで終わる教材ではありません。手を動かす前提の構成です。
扱わないもの
README には「このカリキュラムで扱わない内容」も明記されています。
- ビジネスにおける AI 活用事例
- クラシックな機械学習（別カリキュラムの ML-For-Beginners が担当）
- Azure の AI サービスを使ったアプリケーション開発
- 対話型 AI やチャットボット
- 深層学習の背後にある高度な数学
つまり、回帰や決定木といった古典的な機械学習は飛ばして、ニューラルネットワーク以降に集中する構成です。scikit-learn で扱うような古典的機械学習の基礎から入りたい場合は ML-For-Beginners が先になります。
価値があるのは LLM の「手前」
生成 AI から AI に入った人にとって、このカリキュラムの価値は LLM の章そのものではなく、そこに至るまでの道のりにあります。
- パーセプトロンや多層パーセプトロンを自分で組み、誤差逆伝播がどう動くかを体感できる（レッスン 03〜04）
- テキストを数値にする方法が、BoW / TF-IDF → 単語埋め込み → 言語モデル → RNN → Transformer と段階的に並んでいる（レッスン 13〜18）
- レッスン 15 で登場した言語モデルが、レッスン 20 で「次の単語の条件付き確率を予測する」ものとして改めて定式化され、パープレキシティの定義と一緒に説明されている
今の LLM がなぜ「次のトークンを予測するだけ」で多くのタスクをこなせるのかは、埋め込みと Transformer を一度自分の手で動かしてみると腑に落ちやすくなります。紹介投稿が言う、「なぜ今の AI がこう動くのか」を一度下から積み直すという使い方には、確かに向いています。
割り切って読むべきところ
一方で、そのまま鵜呑みにしないほうがよい点もあります。
LLM の章は GPT-2 / GPT-3 の時代で止まっている
レッスン 20「大規模言語モデル」の中心は、GPT-2 の論文（Language Models are Unsupervised Multitask Learners）と、ゼロショット・少数ショットでタスクを解くという話です。Notebook も Hugging Face Transformers で OpenAI-GPT を動かす内容です。RLHF（人間のフィードバックによる強化学習）、指示チューニング、RAG（検索拡張生成）、エージェントといった、現在の LLM 活用の中心となる話題は扱っていません。README 自身も「最先端技術については一部不足があるかもしれません」と断っています。
さらに、同じレッスンの GPT ファミリーの表には、GPT-4 について「100 兆のパラメータ」と書かれています。これは翻訳の誤りではなく、英語原文でも「100T parameters」となっています。OpenAI は GPT-4 のパラメータ数を公表しておらず、この数字は公開前に出回った噂の値です。GPT-4 の行は教材の誤りとして読み飛ばしてください。
日本語版は機械翻訳
日本語版の末尾には免責事項があります。Co-op Translator による AI 翻訳であり、正式な情報源は原文の文書である、という内容です。README によれば翻訳は GitHub Actions で自動更新されていますが、機械翻訳である以上、訳語の揺れや不自然な表現は残ります。数式や用語で引っかかったら、英語原文（translations/ja/lessons/… に対応する lessons/…）と突き合わせるのが確実です。
git sparse-checkout で日本語版だけをクローンする
リポジトリには 50 以上の言語の翻訳が含まれていて、全体はかなり大きくなります。README では、翻訳を除外する sparse-checkout（リポジトリの一部だけを作業ディレクトリに展開する Git の機能）の手順が紹介されています。ただし、そのまま使うと日本語版も一緒に消えます。日本語版だけ残したい場合は、除外したうえで ja だけ戻すパターンにします。
git clone --depth 1 --filter=blob:none --sparse https://github.com/microsoft/AI-For-Beginners.git
cd AI-For-Beginners
git sparse-checkout set --no-cone '/*' '!translations' '!translated_images' '/translations/ja/' '/translated_images/ja/'ポイントは translated_images/ja/ も戻すことです。日本語版のレッスンは、画像をリポジトリ直下の translated_images/ja/ から相対パス（../../../../translated_images/ja/... など）で参照しています。そのため translations/ja/ だけを戻すと、本文の図がすべてリンク切れになります。
展開結果は次のように確かめられます。
ls translations translated_imagestranslated_images:
ja
translations:
ja筆者の環境で試したところ、上記のパターンで translations/ と translated_images/ の下には ja だけが展開され、作業ディレクトリ全体（.git を含む）は約 222MB でした。そのうち translations/ja が約 26MB、translated_images/ja が約 7MB です。
ローカルに環境を作りたくない場合は、README にある Binder（ブラウザ上で Notebook を実行できるサービス）のバッジや、VS Code / GitHub Codespaces での実行手順（レッスン 0 の「コードの実行方法」）も使えます。
どう進めるか
全レッスンを 12 週間かけて順に進めるのが正攻法ですが、「LLM を説明できるようになりたい」という目的なら、次のように絞る読み方もあります。
- レッスン 03〜05 でニューラルネットワークと学習の仕組みを押さえる
- レッスン 13〜18 でテキスト表現から Transformer / BERT までを通す
- レッスン 20 で言語モデルとしての GPT の考え方を確認する（GPT ファミリーの表の GPT-4 の行は読み飛ばす）
- 現在の LLM 活用は、同じ Microsoft の Generative AI for Beginners や AI Agents for Beginners に引き継ぐ
コンピュータビジョンのパートは LLM とは直接つながりませんが、CNN や転移学習はマルチモーダルなモデルを理解する下地になります。時間があれば寄り道する価値はあります。
まとめ
- AI-For-Beginners は、シンボリック AI からニューラルネットワーク、CV、NLP、Transformer、LLM までを、Notebook・クイズ・ラボ付きで順に辿れる無料の教材
- 日本語版は本文と Notebook まで揃っているが、Co-op Translator による機械翻訳
- 価値があるのは LLM に至るまでの道のりで、LLM の章自体は GPT-2 / GPT-3 の時代で止まっている。GPT-4 を「100 兆パラメータ」とする記述は原文ごと誤り
- 日本語版だけ手元に置くなら、sparse-checkout で
translations/ja/とtranslated_images/ja/の両方を戻す
生成 AI を道具として使うところから入った人が、仕組みの側を一度下から積み直すための教材として、使いどころを選べば十分に役立ちます。