■はじめに
こんにちは！MSOL DigitalでPMOとして活動しています。 「放っておいてもコードを書く」タイプではない私がクラウドに挑み続ける理由。それは、技術という「共通言語」を武器に、PMOとしてのバリューを最大化したいからです 。
本記事では、中学生の娘を持つママとしての時間術や、最新資格「AWS MLA-C01」の学習記を凝縮してお伝えします 。
■なぜ「資格」を目指すのか？
世の中には、新しい技術に自然と手が伸びる「研究者気質」な方がいますが、私は正直そのタイプではありません（笑） 。
それでも新しい技術に触れ、仕事に活かしたい。そこで編み出したのが、「資格取得を、技術に触れるための強制装置（ペースメーカー）にする」というサバイバル術です 。
単なる「合格」をゴールにせず、資格がカバーする範囲を実際に手を動かして理解する。そんな私なりの学習のこだわりをご紹介します 。
■私のキャリアと「技術」の距離感
前職ではセキュリティ製品の開発（QA）やPM、SREを担当していました。SRE時代に初めてAWSやAzureにどっぷりと浸かったのが、クラウドの世界への入り口です。
現在はMSOL DigitalでPMOとして活動していますが、技術的なバックグラウンドがあることで、エンジニアの方々との会話がスムーズになり、より深い提案ができる楽しさを実感しています。
■これまでの資格取得ログ
少しずつ積み上げてきた、私の「技術接触の証」たちがこちらです。
2023年： AWS SAA / DVA / DOP（アソシエイトからプロフェッショナルまで一気に！）
2024年： AWS SAP
2025年： Azure AZ-104
2026年： Azure AZ-204 / AWS MLA-C01 (New!)
■勉強時間はどこで作る？
中学生の娘がいるママとしての日常は、想像以上にバタバタです。日中は仕事、夕方は家事。
そこで私が選んだのは、「朝4時起き」というスタイルです。
朝4時〜6時： 誰にも邪魔されない、一番集中できるインプットの時間。
夜： 家事がひと段落したあとに、少しだけ手を動かす。
移動・隙間時間： Audibleを聴きながら、ビジネススキルや技術の概念をキャッチアップ。
無理のない範囲で、でも「毎日少しでも触れる」ことを習慣にしています。
■直近の挑戦：AWS MLA-C01 学習記
最新のAI技術を理解するために挑戦した「AWS Certified Machine Learning - Associate」。
今回、私が意識して取り組んだ3つのステップをご紹介します。
①「SageMaker JumpStart」で実際に動かす
座学だけでなく、コストを最小限に抑えつつ（一部無料トライアルなども活用しながら）実際に動かしました。
引用：https://aws.amazon.com/jp/sagemaker/ai/jumpstart/
「Scikit-learn」や「LightGBM」といった古典的なモデルから、「TensorFlow / PyTorch」を使った画像分類まで。Open Notebookを使って「推論コード」を実際に書くことで、ドキュメントを読むだけでは得られない「手触り感」を大切にしました。
※無料インスタンスの消し忘れには要注意です！（笑）
②Kaggleのコードを「写経」する
世界中のデータサイエンティストが集まる「Kaggle」は、最高の教科書です。
過去のコンペの上位入賞者のNotebookをひたすら写経し、「なぜこの特徴量を作ったのか？」「なぜこのアルゴリズムなのか？」という意図を読み解きました。
たとえば、1st Place - Single Model - Feature Engineeringでは、エンコーディングの使い分けだけでなく、Target EncodingやCount Encodingをなぜ使い分けるのか、その「モデルへの情報の伝え方」の意図が学べました。 1位入賞者が「あえて特徴量を絞ったシンプルなバージョン」も公開しており、実務における効率化の視点（計算コストと精度のバランス）も参考になります。その他、住宅価格予測、関連ワードの抽出、ある規則性からの確率分析など、現在多く使用されているモデルも掲載されていて、とても勉強になりました。
③ モデルの特徴を「自分なりに」整理する
機械学習のモデルは種類が多く、最初は混乱しました。でも、自分で表にまとめていく過程が一番楽しかったりします。
機械学習モデルの分類と特徴まとめ
機械学習は、大きく分けて「答えを教える（教師あり）」か「データから構造を見つけ出す（教師なし）」があります。
◎ 教師あり学習（正解データから予測する）
あらかじめ与えられた正解をもとに、未知のデータを予測するモデルです。
• 線形回帰 (Linear Regression)
用途: 数値予測（売上予測や価格予想など）の最も基本的な手法です。
• XGBoost
用途: 構造化データの分類・回帰。
特徴: 非常に高精度で、データに欠損値があっても柔軟に処理できるため、現場で最も重宝されます。
• CNN (畳み込みニューラルネットワーク)
用途: 画像認識・物体検出。
特徴: ディープラーニングの代表格。画像の特徴を自動で抽出するのに長けています。
◎ 教師なし学習（データからパターンを見出す）
正解ラベルがないデータから、共通点や本質的な構造を探り当てます。
• K-Means
用途: クラスタリング（グループ分け）。
特徴: 似たもの同士のデータを自動的にまとめ、顧客セグメンテーションなどに活用されます。
• PCA (主成分分析)
用途: 次元圧縮（特徴量の削減）。
特徴: データの重要な情報を残したまま変数を減らすことで、計算コストを抑えたりグラフを可視化しやすくしたりします。
◎ Amazon SageMaker 独自アルゴリズム
「AWS特有の強力なツール」という視点でモデルを整理することも試験対策になります。
• BlazingText
用途: 自然言語処理 (NLP)。
特徴: テキスト分類や単語のベクトル化を、驚くほど高速に実行します。
• DeepAR
用途: 時系列予測。
特徴: RNN（再帰型ニューラルネットワーク）を使用。過去の履歴から「将来の需要」などを高精度に予測します。
◎ 合格までの打率を上げる直前対策
一旦概要を理解した後、会社から提供してもらったUdemyアカウントで試験の演習を90%を超えるまで周回してから、受験し、無事合格しました。
■おわりに
「テッキーじゃないから……」と技術から距離を置いてしまうのは、もったいない！
資格をきっかけに少しずつ手を動かしてみることで、見える世界が確実に広がります。
PMOとして、これからも「現場の言葉がわかる」存在であり続けたい。
同じようにキャリアや学習に悩む方の、何かのヒントになれば嬉しいです！