Andrew Ngの7コースから2年、2026年の僕が本当に選ぶ学習パス

2023年のあの記事について、今でもメッセージが届きます。いちばん多い質問は、ほぼ同じ言葉で、こうです。 「2026年になっても、あれは正しい道なのか?」

正直に言うと、きちんとした答えを出すのをずっと先延ばしにしてきました。誠実に答えようとすると、どうしても層になるからです。Andrew Ngのコースのほとんどは、今でも通用します。でも、僕がその周りに組んだロードマップのほうは、もう通用しません。この記事は、僕がみなさんに対して返すべきアップデートです。

もしあなたが、2023年の僕みたいに今日ゼロから始めるなら、このロードマップの土台の部分はまだ当てはまります。ただし、必要な量は僕のときより少ないはずです。理由は後で書きます。

事前にひとつ。これから書く判定の一部は、外しているかもしれません。もしあなたの経験が違うなら、率直に聞かせてほしいです。このテーマでは、僕自身もまだ生徒です。たまたま、学んだことを何かshipしようとして過去2年を使ってきただけです。

1. あの7コースが実際に僕にくれたもの

2年分の文脈を積んで振り返ると、2023年のコース群は2つを明確にくれて、3つ目については十分には満たせなかったと思います。

まず、語彙 をくれました。Prompt engineering、retrieval-augmented generation、embeddings、function calling、chain-of-thought reasoning。これらは今でも、技術的な会話のほぼすべてで使う言葉です。AIに慣れていないチームメンバーに、ややこしいバグを説明するとき、共通言語があります。その言語はAndrewからもらったものです。

次に、自信 をくれました。僕は非エンジニアの出身です。もしあのコースという枠組みがなかったら、buildを始める度胸は出せなかったと思います。良いコースはそれができます。すべてを教えきるのではなく、「次の一歩には届く」と納得させてくれる。

彼らがくれなかったのは taste です。promptがどこで脆くなるかの勘、evaluationが本当に大事なものを測れているかの感覚、コストパターンが本番で爆発する前に気づく嗅覚。それは、実ユーザーの前で何かを壊して初めて身につきました。最初の1年については 2024年のこの記事 に書いています。3か月目、それでも詰まり続けていました。2年経った今は、別のところで詰まりますが、やっぱり詰まります。

あのコース群は、僕を 「ドキュメントを読んでも焦らなくなる」 ところまで運んでくれました。そこから先は、全部shippingで得たものです。

2. 古いロードマップが今は早く古くなる理由

2023年の記事のなかで、いちばん書き直したい部分はここです。

僕はあの7コースを、完成形のオンランプのように書いてしまいました。そうではないし、もともとそうではなかった。あれは 土台のレイヤー です。その周りのロードマップは、コースそのものよりも、この2年でずっと大きく変わりました。

短くテーゼを書くと、こうなります。 AIによるpair-programmingは、判断力よりも実行を圧縮するスピードのほうが速い。 だから、土台のコースは今でも良いことを教えてくれるし(判断はゆっくり古びる)、それ以外の学習スタックは、2023年とはほとんど別物になっています。

僕自身のタイムラインを、ふつうの言葉で書きます。

• 2022年後半: ChatGPTが登場。みんながpromptを書く人になった。
• 2025年3月: Google Gemini 2.5 Pro がコーディングのdaily driverになった。 実際にshipしていいレベルのコードを書き始めたのはここから。
• 2025年3月ごろ: AnthropicのプレミアムプランであるClaude Maxに加入。ここで Claude Code、つまり自分のプロジェクトの中でコードを書いたり編集したりしてくれるターミナルベースのAIコーディングアシスタントが手に入りました。これが一気に、僕の日々の仕事のかなりの割合を占めるようになります。
• 2026年3月: OpenAIの同等ツールであるCodexをClaude Codeと二刀流で使い始めました。
• 2026年4月: 13か月使ったClaude Maxを解約して、主にCodexに移行。30日間の実験中。まだ結論は出ていません。

このリストの一つひとつは、受けた講座ではなく、workflowの変更です。ブラウザで聴くレクチャーでは、絶対に手に入らないものがあります。それは、AIアシスタントが自分のrepoをrefactorしている最中に、その提案を読んでいる自分、という体験です。あれはプログラミングというより、プレッシャー下のコードレビューに近い。2026年の学びの多くは、まさにそこで起きています。

公平のために書いておくと、build側もちゃんとやってきました。2023年の記事以降、僕は3つshipしました。DIALOGUE — AI podcast generator、STRATUM — 9エージェントのマーケプラットフォーム、そしてこのサイトの course platform です。並行して、基礎を埋めるコースも時々取りました。GoogleのIT Automation with Pythonや、Cybersecurity Specializationみたいなやつです。コースは僕を読み書き可能な状態で保ってくれました。プロダクトのほうは、僕を実際に使えるレベルに引き上げてくれました。

ここからの実務的な示唆はひとつです。学習に使うお金の行き先が、2023年とは違います。2023年は、構造化されたレクチャーにお金を払い、いくつかのAPIの無料枠の上でbuildしていました。2026年は、レクチャーは請求書のごく一部で、一緒にコードを書く ツールのほうが、継続的に効いてくる大きな費用です。いま学習の予算を組むなら、コース代だけでなくツール代も計画に入れてください。

もしあなたがbuilderではなく、自分でClaude Codeを触ることはない marketing leader や operator だとしても、示唆は同じで、言い方が違うだけです。 2026年の学習パスで本当に買っているのは、特定のツールへの習熟ではなく、ツール選びについての判断力です。 ツールは入れ替わる。いつ信じるか、いつ出力に異議を唱えるか、いつ人間をループに入れるか。その判断力こそが、残る部分です。

3. 2026年の各コース判定

ここはたぶんいちばん役に立つ部分なので、はっきり書きます。ただし、答えが「あなたが誰か」で変わるところは、言い方を柔らかくしました。

対象: 今日、何を受けるか決めようとしているすべての人。チームを率いるのに十分なAIリテラシーが必要な marketing operator でも、shipしたい builder でも、下の表では必要なところで両者を区別しています。

2023年のコース	2026年の判定	理由
Machine Learning Specialization	Time-box: 1~2週間、数学は流し読み	大半の読者にとっては語彙目的。数学重めの導出は、researchに進む人なら価値あり。そうでなければ流し読みで十分。
Generative AI for Everyone	全員、今でも受けるべき	非エンジニア向けのgenerative AI入門としては、今まで見たなかで最高。きれいに歳を取るタイプ。CEOに普通に渡していい。
ChatGPT Prompt Engineering for Developers	今でも受ける、ただし cookbooks と併読	コアなパターンは今も通用する。2026年のAPIについては、AnthropicとOpenAIのcookbooksを併せて読むこと。
Building Systems with the ChatGPT API	メンタルモデルのために受ける、API specificsは信じない	Moderation、chain-of-thought、chained prompts、output checks。考え方は今でも正しい。具体的なAPI面は一度ならず変わっている。
Neural Networks and Deep Learning	researchに進むのでなければスキップ	ML Specializationとの重複は2023年時点でも指摘したが、今ならもっと強く言う。builderにも operator にも。
Functions, Tools, and Agents with LangChain	着手する前に最新状況を確認	2025年に9エージェントのプラットフォームを作ったとき、僕はLangChainを使いませんでした。その年の前半にLangGraphのagentを試し、パフォーマンス上限にぶつかってもっと単純なオーケストレーションに移ったのが理由です。本当のレッスンは agentic pattern そのもので、具体的なフレームワーク選びはあなたの裁量。しかもこの分野は、僕の2025年の経験以降さらに動いている。僕自身、もう一度ちゃんと見直さずにLangChainを戻す選択はしません。
Vector Databases: from Embeddings to Applications	今でも受ける、短めに	これらは今このサイトのsearchを動かしているパターンそのもの。特定プロバイダに寄りすぎて古びた章は飛ばす。

これはあくまで一人のbuilderの見方で、万能ランキングではありません。もしあなたの目的が違う(research、特定のスタック)なら、あなたの表はまた違う形になるはずです。

4. いま何を足すか、そしてパスはどこで分岐するか

ここでパスが分岐します。operator と builder では、第二層が違うべきです。

もしあなたが marketing leader か operator なら

Tier 1. 上の表で「今でも受ける」と書いたものを取ること。特にGenerative AI for EveryoneとPrompt Engineering for Developers。ここで買っているのは語彙と直感です。

Tier 2. チームの意思決定ができる程度に、evaluations(AIの出力が実際に良いのか、それともただ「それっぽい」だけなのかを測る方法)と agent design(複数のAIステップを信頼できるworkflowにつなぐやり方)を学ぶ。自分で作る必要はありません。でも、どんな問いを投げるべきかは知っておく必要があります。具体的に何を測っているのか?失敗はどんな見た目なのか?traceはどこに残っているのか?実際の出力はどれくらいの頻度でレビューしているのか?誰もこれらにはっきり答えられないなら、それはたぶんdemoであって、持続するシステムではありません。そして誰かが「AIがなんとかしてくれる」と言ったら、そのAIは何を素材にgroundされているのかを聞いてください。強いモデルは、 実trace、採用された出力、失敗ケース、社内ドキュメント をdraftのeval criteriaやseededなデータセットに変換する手伝いができます。それは役に立ちます。それでも、 rubricをレビューし、基準を合わせる(calibrateする)のは人間の仕事 です。

Tier 3. ひとつworkflowを再設計する。チームの1週間の中でいちばん小さな実務(週次レポート、briefの入り口、QAレビューなど)を選び、AIをループに入れたかたちで組み直してください。この記事の最後で、その組み直しをどう考えるか、もう一度戻ってきます。ただ、実際の作業そのものはどう転んでもあなた側の仕事です。

もしあなたが builder なら

Tier 1. 上の表の土台コースは同じ。

Tier 2.

studyから始めず、buildから始めること。 無料のGitHubアカウントを作って、最初のrepositoryを作る。なにか壊したときに小さなcommitで戻せる程度にGitを覚える。そのうえで、主要なコーディングアシスタントのどれかを使って、実プロジェクトで組み始める。僕は Claude Code with Opus 4.7 と OpenAI Codex with GPT-5.4 の両方を使いました。walkthrough そのもの が仕事で、「準備が整ってから始めよう」と待っていたら、永遠に始まらない。詰まったら、目の前のツールのdocsを読む。「スタックをちゃんと勉強する」を、もう一個の先送りの理由にしないこと。

何かが動き始めたら、evalsを実務的に学び始める。 実際のinputとoutputを保存する。ground-truthの素材をいくつか集める。workflowの各ステップでの「良い」と「悪い」を決める。そのうえで、強いコーディングアシスタント、つまり xhigh thinking にしたClaude Code with Opus 4.7か、xhigh thinking にしたCodex with GPT-5.4を使って、eval frameworkの骨格を書かせ、基準を提案させ、 その素材にgroundされた 初期データセットを作らせる。そのセットアップ作業のかなりの部分はAIがやってくれます。やらせてはいけないのは、あなたの基準を静かに代わりに定義させることです。rubricは自分でレビューしてください。

それから MCP、Model Context Protocolの基本を学ぶ。Codexのようなツールが、あなたのスタックの残りの部分と直接話すためのレイヤーです。この repo の僕のworkflowでは、現時点で Chrome DevTools、Playwright、Supabase、GitHub、Stripe、Resend、Cloudflare がそこに含まれます。MCPは2023年には存在しませんでしたが、今は僕のbuildの組み方の一部です。

Tier 3. 自分以外の誰かが使うものを作る。チュートリアルでもない、demoのコピーでもない、実ユーザーが1人でもいるもの。その1人が自分のチームの同僚でも構いません。

どちらのパスにも、共通する1つのルールがあります。 実在のなにかが動くまで、終わりではない。

現実的なメモを足しておきます。コーディングアシスタントに月20ドル払うのが今きついなら、tooling tierは一旦スキップしてください。土台のコースと無料枠のAPI keyだけでも、いまだに十分成立します。僕が2023年に始めたのもそのやり方で、今でも本物のパスです。

5. 今なら飛ばすか、時間制限をかけるもの

3つの罠。どれも、進んでいるように感じるからこそ落ちやすい。

1. 先送りとしての cert collecting。 僕も経験があります。生産的な気分になる。でも、shippingの代わりにはなりません。土台のcertは取る、そこからは数えない。
2. 今月のフレームワークコース。 2年未満のフレームワークに強く紐づいたコースなら、慎重に。そのフレームワーク自身のdocsを先に読み、業界が落ち着いてからコースに戻る。
3. 研究に進むのでない限り、数学重めのdeep learning理論。 builderにbackpropagationの自力導出は要らない。leaderにも要らない。

6. 最終的に僕が作ったコース

土台コースのあと、僕がずっと埋まらなかったギャップは、技術ではなくオペレーター水準の判断でした。APIを数本呼ぶだけではなく、marketing チームをAIを前提に再設計するにはどうするか。人間に残すべきことと、機械がようやく任せて良いと言える段階に来たことを、どう分けるか。これを、自分が仕事で見ているものに噛み合うかたちで教えている人は、いませんでした。

だから、Andrew Ng の7つのあとに取れていたら良かったなと思うコースを、自分で作りました。名前は AI-Native Media Operations、このサイトの中にあります。7モジュール、16テンプレート、約3時間の動画、すべて保存可能です。operator trackの先として指し示しているフレームワークで、僕自身これを信じています。

リンクは1つ、ピッチも1回だけ。Andrew Ng の7コースがあなたにとって役割を果たし、上の判定でロードマップを削れたなら、次の段は本物の仕事です。僕のコースを取るかどうかに関わらず。

---

もし2023年のリストに沿って学んだなら、どれがいちばん効いたか、どれは飛ばして良かったと思っているか、ぜひ教えてください。これから始める側なら、何があなたをためらわせていますか。

今日はここまでです。

またね、Chandler