はじめに
本記事では、働きながら基礎から少しずつE資格を目指すための学習ロードマップを紹介します。
E資格の取得を目指しているものの、
- 「何から勉強すればいいかわからない」
- 「数学やプログラミングが苦手でも大丈夫？」
- 「仕事をしながら勉強を続けられるだろうか？」
このように悩んでいる方が多いのではないでしょうか。
E資格では、ディープラーニングだけでなく、数学、Python、機械学習など幅広い知識が求められます。
そこで私は、いきなりJDLA認定プログラムを受講するのではなく、
G検定 → Python → 数学 → 機械学習 → ディープラーニング
の順序で基礎を身につけることにしました。
本記事では、私が認定プログラムを受講するまでに、何をどのような順番で学習したのかを紹介します。
これからE資格を目指す方が、次に何を学ぶかを決める際の参考になれば幸いです。
なお、この記事を書いている時点では、まだJDLA認定プログラムを受講していません。
受講後は、学習内容やつまずいたポイント、E資格受験までの過程を別の記事で紹介する予定です。
E資格を取得する目的
E資格の学習を始める前に、「なぜE資格を取得したいのか」 を明確にすることをおすすめします。
仕事をしながら長期間学習を続けるには、「なぜ勉強するのか」を思い出すことが大切です。
私がE資格を目指す理由は、AIを理解し、仕事で使いこなせるITエンジニアになりたいからです。
現在、AIは急速に私たちの仕事を変えています。
私自身、ITエンジニアとして仕事をする中で、AIを使ってデモ機能を作成する機会が増えました。
以前なら自分でコードを書き、試行錯誤していたものでも、AIに相談することで短時間でたたき台を作れるようになっています。
一方で、AIにすべてを任せられるわけではありません。
生成されたコードが正しいのか、どのように修正するのか、そもそも何をAIに依頼するのか。
こうした判断には、エンジニア自身の知識が必要です。
私は現在のAIブームを、 「令和のゴールドラッシュ」 だと考えています。
ゴールドラッシュでは、金を掘る人だけでなく、採掘に必要な道具を提供する人も利益を得ました。
AIも同じように、AIそのものを開発する人だけでなく、AIを使いこなし、仕事に組み込める人にも価値があると考えています。
だからこそ、AIを単なる便利なツールとして使うだけでなく、その仕組みまで理解したいと思うようになりました。
AIの知識があれば、
- どの作業をAIに任せるべきか
- AIが苦手な処理は何か
- どのようなモデルが適しているか
といった判断がしやすくなります。
E資格の学習を通して、Python、数学、機械学習、ディープラーニングを体系的に学び、AIを理解したうえで仕事に活用できる力を身につける。
そして、AIによって業務の生産性を高め、より短い時間で大きな価値を生み出せるITエンジニアになることが、私のE資格取得の目的です。
E資格取得のロードマップ
私が実践しているE資格取得までの学習ロードマップは、次のとおりです。
G検定
↓
Python基礎
↓
数学（線形代数・微積分・確率統計）
↓
機械学習
↓
ディープラーニング
↓
JDLA認定プログラム受講
↓
試験直前対策
↓
E資格受験
本記事では、JDLA認定プログラムを受講する前の学習について紹介します。
📝 学習期間の目安(1年)
| 分野 | 学習期間の目安 |
|---|---|
| G検定 | 1か月 |
| Python | 2週間 |
| 数学 | 1か月 |
| 機械学習 | 1か月 |
| ディープラーニング | 2か月 |
| 認定プログラム | プログラムによる※ |
| 試験直前対策 | 2週間 |
ここで紹介している期間は、あくまで私が働きながら学習した場合の目安です。
毎日何時間も勉強することを前提にはしていません。
仕事が忙しい日は勉強できないこともあります。
そのため「○ヶ月ですべて終わらせる」と考えるよりも、仕事や生活に合わせて少しずつ学習を進めることを意識しました。
※認定プログラムの受講期間や学習時間は、プログラムによって異なります。
なぜ最初に認定プログラムを受講しないのか
E資格を受験するには、JDLA認定プログラムの修了が必要です。
そのため、
「受験資格になるのなら、最初に認定プログラムを受講すればいいのでは？」
と思う方もいるかもしれません。
もちろん、最初から認定プログラムを受講する方法もあります。
ただ、私は受講前にある程度の基礎知識を身につけておくことにしました。
理由は、認定プログラムの学習をスムーズに進めたいからです。
ディープラーニングを学習すると、
- Pythonのコード
- ベクトルや行列
- 微分
- 確率・統計
- 機械学習の基本概念
など、複数の分野の知識が同時に登場します。
これらをまったく知らない状態から始めると、「わからない」が連鎖してしまう可能性があります。
🐍 Pythonがわからない
↓
📐 数式もわからない
↓
🧠 ディープラーニングもわからない
↓
⚠️ 学習そのものが負担になる
この状態を避けるために、
Python → 数学 → 機械学習 → ディープラーニング
という順番で、基礎を一つずつ積み上げることにしました。
ただし、すべてを完璧に理解してから認定プログラムを受講する必要はありません。
私が目標にしたのは、
- Pythonのコードを読める
- 基本的な数式の意味がわかる
- 機械学習の基本的な考え方を知っている
- ディープラーニングがどのようなものか説明できる
といった状態です。
認定プログラムを理解するための「土台」を作っておく。
それが、私が事前学習に取り組んだ理由です。
E資格を知ろう
E資格を目指すのであれば、まずは「E資格がどのような試験なのか」を知ることが大切です。
E資格は、一般社団法人日本ディープラーニング協会（JDLA）が実施する、ディープラーニングを実装するエンジニアの技能を認定する資格試験です。1
ディープラーニングに関する用語を知っているだけではなく、理論を理解し、適切な手法を選択して実装するための知識・能力が求められます。
E資格の試験概要
2026年8月時点の「E資格2026#2」の概要は、次のとおりです。2
| 項目 | 内容 |
|---|---|
| 資格名 | JDLA Deep Learning for ENGINEER |
| 試験時間 | 120分 |
| 試験形式 | 会場試験 |
| 問題数 | 100問程度 |
| 出題形式 | 多肢選択式 |
| 受験資格 | JDLA認定プログラムを試験日の過去2年以内に修了 |
| 受験料 | 一般33,000円、学生22,000円（税込） |
E資格の受験資格
E資格を受験するには、JDLA認定プログラムを試験日の過去2年以内に修了している必要があります。
つまり、次のような流れになります。
基礎学習
↓
JDLA認定プログラム
↓
E資格受験
ここは、E資格を目指すうえで特に重要なポイントです。
認定プログラムの修了が受験資格となるため、受験時期を見据えて学習計画を立てることが重要です。
私は、認定プログラムを受講する前に、Pythonや数学、機械学習、ディープラーニングの基礎を学ぶことにしました。
これは、認定プログラムの学習をスムーズに進め、内容をより深く理解するための準備です。
E資格の合格率
E資格の合格率は、次のようになっています。3
| 開催回 | 受験者数 | 合格者数 | 合格率 |
|---|---|---|---|
| 2024 #1 | 1,194人 | 867人 | 72.61% |
| 2024 #2 | 906人 | 600人 | 66.23% |
| 2025 #1 | 1,043人 | 712人 | 68.26% |
| 2025 #2 | 1,039人 | 730人 | 70.26% |
| 2026 #1 | 1,317人 | 911人 | 69.17% |
直近のE資格2026 #1では、1,317人が受験し、911人が合格。
合格率は69.17% でした。
この数字だけを見ると、
「合格率が約7割なら、それほど難しくないのでは？」
と思うかもしれません。
しかし、E資格は受験前にJDLA認定プログラムを修了する必要があります。
つまり、誰でも気軽に受験できる試験ではなく、一定の学習をしたうえで受験している人たちの中での合格率です。
そのため、合格率だけを見て「簡単な試験」と判断するのは適切でないでしょう。
E資格では何が出題される？
E資格では、数学、機械学習、ディープラーニング、開発・運用環境まで幅広く出題されます。
E資格2026 #2から適用される新シラバスは、次の5つの領域で構成されます。1
| 分野 | 主な学習テーマ |
|---|---|
| 📐 数学的基礎 | 確率・統計、情報理論 |
| 🤖 機械学習 | 機械学習の基礎 |
| 🧠 深層学習の基礎 | 順伝播型ネットワーク、最適化、正則化、CNN、RNN、Transformer、汎化性能向上 |
| 🚀 深層学習の応用 | 画像認識、物体検出、自然言語処理、生成モデル、深層強化学習など |
| ⚙️ 開発・運用環境 | エッジコンピューティング、分散処理、アクセラレータ、環境構築 |
このように、E資格ではディープラーニングだけを学べばよいわけではありません。
数学や機械学習を土台として、モデルの仕組みから実際の応用、さらに開発・運用環境まで幅広く理解する必要があります。
だからこそ、Pythonや数学、機械学習などの基礎を一つずつ学ぶことにしました。
0. G検定でAIの全体像をつかむ
G検定は、E資格の受験に必須ではありません。
ただし、AIや機械学習をこれから勉強する方にとっては、E資格の学習を始める前の入門としておすすめです。
私がG検定から始めた理由は、次の3つです。
- AIの基礎知識を体系的に学べる
- E資格の学習で登場する専門用語に慣れる
- 最初の資格取得が学習のモチベーションになる
G検定では、
- AIの歴史
- 機械学習
- ディープラーニング
- AI倫理
- AIの社会実装
など、AIに関する幅広い知識を学びます。
E資格では、ディープラーニングの仕組みを数式や実装を含めて深く学ぶことになります。
その前に、
「AIとは何か」
「機械学習とディープラーニングは何が違うのか」
「AIはどのような場面で使われているのか」
といった全体像を理解しておくと、その後の学習に入りやすくなります。
G検定合格後は、CDLE（Community of Deep Learning Evangelists）という、G検定・E資格の合格者が参加できるJDLAの合格者コミュニティに参加できます。4
CDLEでは、AI・ディープラーニングに関するニュースや論文、最新技術の情報交換が行われているほか、メンバー主催の勉強会や「E資格合格に向けた学習サポート会」なども開催されています。
そのため、E資格の学習を一人で進めるだけでなく、同じ分野を学ぶ仲間と情報交換したり、学習方法や最新の技術について知ったりできることも大きなメリットです。
こうしたコミュニティで学び合い、アウトプットする機会を持つことは、E資格の勉強を継続するモチベーションにもつながります。
G検定の勉強方法については、JDLA公式サイトをはじめ、有益な記事が数多く公開されています。
こうした情報を参考に、自分に合った勉強方法を見つけてみてください。
📚 使用した参考書
私は試験対策として、この一冊を中心に勉強しました。
公式テキストということもあり、試験範囲を体系的に確認できました。
図解が多く、AIやディープラーニングの概念をイメージしながら学習できた点がよかったです。
📝 G検定の試験結果
G検定2026年第4回（オンライン試験） を受験し、合格しました。
| 項目 | 内容 |
|---|---|
| 受験日 | 2026年7月 |
| 結果 | 合格 🎉 |
シラバス分野別得点率
| 分野 | 得点率 |
|---|---|
| 1. 人工知能とは. 人工知能をめぐる動向 | 100% |
| 2. 機械学習の概要 | 80% |
| 3. ディープラーニングの概要 | 94% |
| 4. ディープラーニングの要素技術 | 83% |
| 5. ディープラーニングの応用例 | 78% |
| 6. AIの社会実装に向けて | 80% |
| 7. AIに必要な数理・統計知識 | 100% |
| 8. AIに関する法律と契約. AI倫理・AIガバナンス | 90% |
試験時間には比較的余裕があり、最後まで落ち着いて解くことができました。
一方で、得点率を振り返ると、次の分野はもう少し理解を深めておけばよかったと感じています。
- 機械学習の概要
- ディープラーニングの要素技術
- ディープラーニングの応用例
- AIの社会実装に向けて
用語を暗記するだけではなく、「どの技術を、どのような場面で使うのか」 を理解することが重要だと感じました。
学習中は用語の暗記に偏っていたため、具体的な活用場面をイメージしながら勉強しておけば、さらに正答率を伸ばせたと思います。
これからG検定を受験する方は、参考書を読むだけで終わらせず、練習問題を解きながら、
「なぜこの技術が使われるのか？」
を考えることをおすすめします。
1. Pythonを学ぶ
E資格の学習では、Pythonコードを読んだり、ディープラーニングのアルゴリズムを実装したりするため、Pythonの基礎知識が重要です。
ただし、最初から高度なプログラミングスキルを身につける必要はありません。
まずは、次の内容を理解することを目標にしました。
- 変数
- 関数
- for文
- if文
- クラス
- NumPy
- pandas
- matplotlib
特にNumPyは、ベクトルや行列を扱う場面で重要になります。
また、pandasはデータ処理、matplotlibはデータの可視化などで使用するため、基本的な使い方に慣れておくと、その後の学習が進めやすくなります。
私の場合は、「Pythonを自在に書けるようになる」ことよりも、 「Pythonのコードを読んで何をしているのか理解できるようになる」 ことを意識しました。
E資格の学習を進めるうえでは、まずこのくらいを目標にしておくとよいと思います。
📚 使用した参考書
Pythonの基本文法を体系的に学ぶために使用しました。
変数や関数、クラスなどの基本的な内容を確認できるため、Pythonに自信がない方が基礎を固めるのに向いています。
2. 数学を学ぶ
E資格の学習で、私が特に重要だと感じたのが数学です。
ディープラーニングを理解しようとすると、線形代数や微分、確率・統計などの数学が登場します。
数学の知識がない状態でも学習を進めることはできますが、数式が出てきたときに「何を計算しているのか」がわからなくなりやすいため、私は早い段階で基礎を勉強することにしました。
重点的に学習したのは、次の分野です。
- ベクトル・行列
- 微分・積分
- 指数関数・対数関数
- 確率・統計
ただし、E資格のために大学数学を最初からすべて勉強し直す必要はないと考えています。
重要なのは、数式を丸暗記することではなく、
「この式は何を表しているのか？」
「なぜこの計算が必要なのか？」
を理解することです。
数学が苦手な方は、いきなり難しい数式に挑戦するのではなく、ディープラーニングと関連する数学から少しずつ勉強していくことをおすすめします。
📚 使用した参考書
ディープラーニングに必要な数学を効率よく学ぶために使用しました。
線形代数や微分、確率・統計などを、ディープラーニングとのつながりを意識しながら学べる点がよかったです。
数学だけを勉強するのではなく、「この数学がディープラーニングのどこで使われるのか」を意識できるため、数学が苦手な方にも取り組みやすいと思います。
3. 機械学習を学ぶ
「E資格はディープラーニングの試験だから、機械学習はそこまで勉強しなくてもいいのでは？」
最初はそう考えていました。
しかし、実際に勉強してみると、機械学習の基本的な考え方を理解しているかどうかで、その後のディープラーニングの理解度が変わると感じました。
まずは、機械学習の代表的な手法や考え方を押さえておきましょう。
特に私が学習したのは、次の内容です。
- 回帰
- 分類
- クラスタリング
- 次元削減
- バイアス・バリアンス
- モデル評価・交差検証
- 正則化
- アンサンブル学習
これらは参考書を読むだけでなく、Scikit-learnを使って実際にコードを書きながら学習すると理解しやすくなります。
例えば、
- データを準備する
- モデルを学習させる
- 予測する
- 評価する
- 結果を確認する
という流れを実際に体験することで、機械学習がどのように使われるのかを理解しやすくなります。
手を動かしながら学習することで、
「なぜこのアルゴリズムを使うのか」
「なぜこの評価方法を使うのか」
といった考え方を理解しやすくなりました。
📚 使用した参考書
機械学習の基礎から、特徴量エンジニアリングやモデル評価までを体系的に学べる一冊です。
実際にscikit-learnを使ってコードを書きながら学習できるため、理論だけでなく、機械学習の基本的な流れを理解するのにも役立ちました。
4. ディープラーニングを学ぶ
ここからが、E資格に向けた学習の中心です。
ディープラーニングは学習範囲が広いため、最初は「覚えることが多い」と感じるかもしれません。
そこで私は、用語を丸暗記するのではなく、「なぜその技術が必要なのか」を意識して学習するようにしました。
まずは、次のテーマを重点的に学習しました。
ディープラーニングの基礎
- 活性化関数
- 損失関数
- 誤差逆伝播法
- 勾配降下法
- 最適化手法
- 過学習対策
代表的なモデル･技術
- CNN
- RNN
- LSTM
- Attention
- Transformer
例えば、
- Dropout → 過学習を抑える
- Batch Normalization → 学習を安定させる
- LSTM → RNNが抱える長期依存関係の問題に対応する
- Attention → 入力の重要な部分に着目する
- Transformer → Attentionを中心に系列データを処理する
というように、「技術名」と「解決する課題」をセットで理解するようにしました。
目的や背景を理解しておくと、それぞれの技術の違いが整理しやすくなります。
また、試験で少し違った聞かれ方をされた場合にも、単純な暗記より対応しやすくなると考えています。
📚 使用した参考書
ディープラーニング学習の定番書の一つです。
NumPyを使ってディープラーニングを実装しながら、ニューラルネットワーク、活性化関数、誤差逆伝播法、勾配降下法などの仕組みを学べます。
実際にコードを書きながら学ぶことで、ディープラーニングが内部でどのような処理をしているのかをイメージしやすくなりました。
ディープラーニングを学びたい方に自信を持っておすすめできる一冊です。
前作で学んだ基礎を土台に、Word2Vec、RNN、LSTM、Attentionなどの自然言語処理で使われる技術を実装しながら学べます。
特に、RNNからLSTM、Attentionへと発展していく流れを理解するのに役立ちました。
5. いよいよ認定プログラムへ
ここまでの学習の目的は、E資格の試験範囲を独学ですべて終わらせることではありません。
認定プログラムで本格的に学ぶための「土台」を作ることです。
Python、数学、機械学習、ディープラーニングについて、
「一度は聞いたことがある」
「基本的な内容なら説明できる」
という状態を目指してきました。
すべてを完璧に理解する必要はありません。
むしろ、「何がわからないのか」がわかる状態で認定プログラムに進むことが大切だと考えています。
ここまで身につけた知識を土台に、いよいよJDLA認定プログラムを受講します。
実際に受講してみて、
- どのような内容だったのか
- 仕事と学習をどう両立したのか
- どれくらいの学習時間が必要だったのか
- どこでつまずいたのか
- E資格の試験対策をどう進めたのか
といった点を、実体験をもとに別の記事で紹介する予定です。
まとめ
本記事では、働きながらJDLA認定プログラムを受講するまでに取り組んだ学習ロードマップを紹介しました。
E資格はディープラーニングだけでなく、数学や機械学習、Pythonなど幅広い知識が求められます。
だからこそ、最初からすべてを完璧に理解しようとせず、「次に必要な知識」を一つずつ積み上げることを意識してきました。
特に仕事をしながら学習する場合、短期間で一気に進めるよりも、無理なく継続できるペースを作ることが重要だと考えています。
この記事を書いている時点では、まだJDLA認定プログラムを受講していません。
これから実際に認定プログラムを受講し、仕事と両立しながらE資格合格を目指していきます。
今後は、認定プログラムの内容や学習時間、つまずいたポイント、試験対策など、受講からE資格受験までの過程を記録していく予定です。
同じように仕事をしながらE資格を目指している方の参考になれば幸いです。