本コースでは、AIモデルの開発・検証（PoC）で終わることなく、AIを実際のWebシステムやサービスとして実装・運用できる「AIエンジニア（MLエンジニア）」を目指します。
AI開発の現場で頻発する「モデルはできたが、システムに組み込めない」という課題を解決するため、
・Pythonを用いたシンプルなAIモデルの構築
・FastAPIによるAIモデルのWeb API化
・Dockerを用いたコンテナ環境の構築
・クラウド環境（PaaS）へのデプロイ
までの一連の流れをハンズオン形式で学びます。
難解な数学やAIの研究開発ではなく、実務で即使える「AIソフトウェアエンジニアリング」を身につけることを目的とした、実装特化型のコースです。
このコースにおすすめの方
- AIモデルを作るだけでなく、実際のWebシステムに組み込みたい方
- Pythonを使ったバックエンド開発（API開発）を学びたい方
- Dockerやクラウドを使ったモダンなデプロイ手法を身につけたい方
- 「Jupyter Notebook上で動かして終わり」の状態から脱却したい方
- AIエンジニア / MLエンジニアを目指している方
学習ロードマップ
STEP01 – Python基礎とAIモデルの準備
- Python実装の基礎復習
- scikit-learnを用いたシンプルな機械学習モデル（予測モデル）の構築
- 学習済みモデルの保存と読み込み（Pickle等）
※複雑な数学やアルゴリズム理論ではなく、実装プロセスにフォーカスします。
STEP02 – AIモデルのWeb API化（FastAPI）
- Web APIとHTTP通信の基礎
- FastAPIの基本操作とルーティング
- 作成したAIモデルをFastAPIに組み込む
- Swagger UIを用いたAPIの動作テスト
STEP03 – アプリケーション環境のコンテナ化（Docker）
- Dockerの基礎知識
- Dockerfileの作成とコンテナイメージのビルド
- AIモデルとAPIサーバーのコンテナ内稼働テスト
- ローカル環境でのシステム動作検証
STEP04 – クラウド環境へのデプロイと運用
- クラウド環境（Google Cloud Run または AWS App Runner等のPaaS）の基礎
- Dockerコンテナのクラウドへのデプロイ
- 外部からアクセス可能なAIアプリケーションの公開
- 実運用に向けたエラーハンドリングの基礎
習得できるスキル
- クラウド環境（Google Cloud Run または AWS App Runner等のPaaS）の基礎
- Dockerコンテナのクラウドへのデプロイ
- 外部からアクセス可能なAIアプリケーションの公開
- 実運用に向けたエラーハンドリングの基礎
作れるようになるもの
- 自作の機械学習モデルを組み込んだWeb APIエンドポイント
- Dockerでパッケージ化されたポータブルなAIアプリケーション
- クラウド上で24時間稼働し、外部から利用できるAIサービス
目指せる資格
- Python3エンジニア認定データ分析試験