【還元率83%｜案件選択制｜年収～1500万円】生成AI開発のAIエンジニア募集
年収 500万円 ~ 1,500万円
雇用形態: 正社員
勤務地:
scikit-learn
の転職・求人情報
scikit-learn の正社員求人の件数（2026年11月11日時点）
2026年11月11日時点で、Offers Jobs で募集中の scikit-learn の正社員の求人は8件（6社）です。業務委託と「業務委託から正社員」の求人は数えていません。
出所：Offers Jobs 掲載の正社員求人（n=8・2026年11月11日時点）をもとに Offers 集計
scikit-learnの転職・求人情報の検索結果
1~16件（16件）うち正社員8件
おすすめ順
今週活動あり・積極採用中 今週活動あり・積極採用中 【還元率83%｜案件選択制｜年収～1500万円】フルスタックエンジニア募集
年収 500万円 ~ 1,500万円
雇用形態: 正社員
勤務地:
今週活動あり・積極採用中 【還元率83%｜案件選択制｜年収～1500万円】AI・Web開発エンジニア募集
年収 500万円 ~ 1,500万円
雇用形態: 正社員
勤務地:
データ分析エンジニア（地理空間ビッグデータ分析）
年収 600万円 ~ 1,000万円
雇用形態: 正社員
勤務地:
【AI×クラウド】PoC〜実装をリードするAIプロジェクトマネージャー募集
年収 800万円 ~ 1,500万円
雇用形態: 正社員
勤務地:
【AIエンジニア】在宅有／スキルアップ／充実した研修制度／転勤無／年休125日
年収 450万円 ~ 1,000万円
雇用形態: 正社員
勤務地:
エンジニアリングマネージャー｜開発組織の成長曲線を描く
年収 800万円 ~ 1,270万円
雇用形態: 正社員
勤務地:
Python【開発エンジニア】Web系やアプリ開発★全国OK！リモート率9割！
年収 530万円 ~ 1,000万円
雇用形態: 正社員
勤務地:
日本発・グローバルサービスの成長を加速するデータサイエンティストを募集！
時給 4,000円 ~ 6,000円
雇用形態: 業務委託から正社員
勤務地:
日本発・グローバルサービスの成長を加速するバックエンドンジニアを募集！
時給 4,000円 ~ 6,000円
雇用形態: 業務委託から正社員
勤務地:
日本発・グローバルサービスの成長を加速するインフラエンジニアを募集！
年収 600万円 ~ 800万円
雇用形態: 業務委託から正社員
勤務地:
日本発・グローバルサービスの成長を加速するデザイナー募集！
年収 450万円 ~ 700万円
雇用形態: 業務委託から正社員
勤務地:
1700万MAUのグローバルサービスをスケールさせるPM募集！
年収 450万円 ~ 700万円
雇用形態: 業務委託から正社員
勤務地:
会社を牽引！1700万MAUのグローバルサービスを手がけるPM/POリーダー候補
年収 600万円 ~ 900万円
雇用形態: 業務委託から正社員
勤務地:
日本発・グローバルサービスの成長を加速するバックエンドエンジニアを募集！
年収 600万円 ~ 850万円
雇用形態: 業務委託から正社員
勤務地:
日本発・グローバルサービスの成長を加速するAndroidエンジニアを募集！
時給 2,000円 ~ 6,000円
雇用形態: 業務委託
勤務地:
職種から転職・求人情報を探す
開発言語から転職・求人情報を探す
報酬から転職・求人情報を探す
その他の条件から転職・求人情報を探す
お知らせ
お問い合わせ
新規ユーザー登録
アカウントを作成して、求人情報のブックマークや応募の管理ができます。
登録特典:
- ・求人情報のブックマーク
- ・高度な求人検索
- ・スカウトメール受信
求人に関するサマリ
Scikit-learnとは？
Scikit-learnの基本概要
Scikit-learnは、Pythonで機械学習を行うための強力なライブラリです。データ分析や予測モデルの構築に欠かせないツールとして、多くの開発者や研究者に愛用されています。このライブラリは、使いやすさと高性能を両立させており、初心者から熟練者まで幅広いユーザーに対応しています。Scikit-learnの特徴は、一貫性のあるAPIと豊富なドキュメンテーションにあり、これらにより効率的な開発が可能になっています。また、NumPyやSciPyなどの他の科学計算ライブラリとの相性も抜群です。
主な機能と特徴
Scikit-learnは、多様な機械学習アルゴリズムを提供しています。分類、回帰、クラスタリング、次元削減など、幅広いタスクに対応可能です。さらに、モデル選択やデータの前処理、特徴量選択などの機能も充実しています。これらの機能を組み合わせることで、複雑な機械学習パイプラインを構築できるのがScikit-learnの魅力の一つです。
Scikit-learnのインストール方法
Anacondaを使ったインストール
Anacondaは、データサイエンス向けのPython配布パッケージです。Scikit-learnを含む多くのライブラリがあらかじめインストールされているため、初心者にとって便利な選択肢となっています。Anacondaをインストールすれば、追加の設定なしにScikit-learnを使い始めることができます。
pipを使ったインストール
Pythonのパッケージ管理ツールであるpipを使用してScikit-learnをインストールすることも可能です。コマンドラインで「pip install scikit-learn」と入力するだけで、最新バージョンのScikit-learnがインストールされます。この方法は、既存のPython環境にScikit-learnを追加したい場合に適しています。
Scikit-learnの基本的な使い方
データの読み込みと前処理
Scikit-learnを使用する際、まず最初に行うのがデータの読み込みと前処理です。Pandasを使ってCSVファイルからデータを読み込んだり、Scikit-learnの組み込みデータセットを利用したりすることができます。データの前処理には、欠損値の処理や特徴量のスケーリングなどが含まれます。Scikit-learnは、これらの作業を効率的に行うための様々なツールを提供しています。
データセットの分割
機械学習モデルの性能を適切に評価するためには、データセットを訓練用とテスト用に分割する必要があります。Scikit-learnの「train_test_split」関数を使えば、簡単にデータセットを分割できます。この関数は、指定した比率でデータをランダムに分割し、訓練データとテストデータを返します。
モデルの選択と訓練
Scikit-learnでは、多様な機械学習アルゴリズムが用意されています。タスクに応じて適切なモデルを選択し、「fit」メソッドを使って訓練データでモデルを学習させます。例えば、分類タスクであればRandomForestClassifierやSVCなどのクラスを使用し、回帰タスクであればLinearRegressionやRidgeなどのクラスを選択します。
学習モデルの評価方法
モデルの訓練が完了したら、その性能を評価する必要があります。Scikit-learnは、様々な評価指標を提供しています。分類タスクであれば精度やF1スコア、回帰タスクであれば平均二乗誤差や決定係数などが使用されます。「score」メソッドや「metrics」モジュールを使用することで、これらの評価指標を簡単に計算できます。
Scikit-learnの主なアルゴリズム
分類アルゴリズム
Scikit-learnは、多様な分類アルゴリズムを提供しています。代表的なものとして、ロジスティック回帰、サポートベクターマシン（SVM）、決定木、ランダムフォレスト、勾配ブースティングなどがあります。これらのアルゴリズムは、それぞれ異なる特性を持っており、データの性質や問題の複雑さに応じて選択します。例えば、ロジスティック回帰は線形分離可能なデータに適していますが、ランダムフォレストは非線形の複雑な関係性を持つデータにも対応できます。
回帰アルゴリズム
回帰分析のためのアルゴリズムもScikit-learnには豊富に用意されています。線形回帰、リッジ回帰、ラッソ回帰、弾性ネット、ランダムフォレスト回帰などが代表的です。これらのアルゴリズムは、連続的な目的変数を予測するのに使用されます。例えば、家の価格予測や株価の予測などのタスクに適しています。各アルゴリズムには長所と短所があり、データの特性や予測の精度要求に応じて選択します。
クラスタリングアルゴリズム
Scikit-learnのクラスタリングアルゴリズムは、データを似たグループに分類するのに役立ちます。K-means、階層的クラスタリング、DBSCAN、ガウス混合モデルなどが代表的です。これらのアルゴリズムは、教師なし学習の一種で、データの隠れた構造を発見するのに有効です。例えば、顧客セグメンテーションや画像の色分類などに利用されます。各アルゴリズムは異なるアプローチを取るため、データの分布や期待する結果に応じて適切なものを選択します。
次元削減アルゴリズム
高次元データを扱う際、次元削減は重要な前処理ステップとなります。Scikit-learnは、主成分分析（PCA）、線形判別分析（LDA）、t-SNEなどの次元削減アルゴリズムを提供しています。これらのアルゴリズムは、データの本質的な構造を保持しながら、次元数を減らすことができます。次元削減は、可視化や計算効率の向上、過学習の防止などに役立ちます。例えば、PCAは線形の次元削減に適していますが、t-SNEは非線形の関係性を持つデータの可視化に効果的です。
Scikit-learnの具体的な利用例
分類タスクの具体例：Irisデータセット
Scikit-learnの使用例として、有名なIrisデータセットを用いた分類タスクを紹介します。Irisデータセットは、3種類のアヤメの花の特徴（がく片の長さと幅、花弁の長さと幅）を含んでいます。このデータを使って、花の種類を予測する分類モデルを構築できます。例えば、ランダムフォレスト分類器を使用すると、高い精度で花の種類を予測できます。Scikit-learnを使えば、データの読み込みからモデルの評価まで、わずか数行のコードで実装できるのが特徴です。
回帰タスクの具体例：Boston Housingデータセット
回帰タスクの例として、Boston Housingデータセットを使った家の価格予測を考えてみましょう。このデータセットには、ボストン近郊の住宅に関する様々な特徴（犯罪率、部屋数、高速道路へのアクセスなど）が含まれています。Scikit-learnを使用すれば、これらの特徴から住宅価格を予測するモデルを簡単に構築できます。例えば、線形回帰やランダムフォレスト回帰を使用して、どの特徴が価格に最も影響を与えているかを分析したり、将来の価格を予測したりすることが可能です。
クラスタリングタスクの具体例：K-meansクラスタリング
クラスタリングの具体例として、K-meansアルゴリズムを使用した顧客セグメンテーションを考えてみましょう。例えば、オンラインショップの顧客データ（購買頻度、平均支出額、最後の購入からの経過日数など）を使って、顧客を異なるグループに分類できます。Scikit-learnのK-meansクラスを使用すれば、数行のコードでこのタスクを実行できます。結果として得られたクラスターは、マーケティング戦略の立案やカスタマーサービスの改善に役立てることができます。
Scikit-learnのモデル評価と検証方法
交差検証の基本
Scikit-learnでは、交差検証を簡単に実施できます。交差検証は、モデルの性能を適切に評価し、過学習を防ぐために重要な技術です。例えば、K分割交差検証では、データセットをK個のサブセットに分割し、そのうちの1つをテストデータ、残りを訓練データとして使用します。これをK回繰り返すことで、モデルの平均的な性能を評価できます。Scikit-learnの「cross_val_score」関数を使えば、この過程を自動化できます。
Grid Searchによるハイパーパラメータチューニング
Scikit-learnのGrid Searchは、モデルのハイパーパラメータを最適化するための強力なツールです。これは、指定された範囲内のすべてのパラメータの組み合わせを試し、最も性能の良い組み合わせを見つけ出します。例えば、ランダムフォレストの木の数や深さなどのパラメータを最適化する際に使用できます。「GridSearchCV」クラスを使用することで、交差検証と組み合わせてハイパーパラメータの探索を行うことができます。
ランダムサーチによるハイパーパラメータチューニング
Grid Searchが全ての組み合わせを試すのに対し、ランダムサーチはランダムに選ばれたパラメータの組み合わせを試します。これは、パラメータの探索空間が大きい場合や、計算リソースが限られている場合に有効です。Scikit-learnの「RandomizedSearchCV」クラスを使用することで、効率的にハイパーパラメータの最適化を行うことができます。ランダムサーチは、Grid Searchよりも少ない計算時間で良好な結果を得られることがあります。
Scikit-learnの高度な使い方
パイプラインを使った処理の自動化
Scikit-learnのパイプライン機能は、データ前処理からモデルの訓練までの一連の処理を自動化するのに役立ちます。これにより、コードの可読性が向上し、エラーのリスクが減少します。例えば、特徴量のスケーリング、特徴選択、モデルの訓練を1つのパイプラインにまとめることができます。「Pipeline」クラスを使用することで、これらの処理を順序立てて実行し、最終的なモデルを1つのオブジェクトとして扱うことができます。
カスタムデータ変換器の作成
Scikit-learnでは、独自のデータ変換器を作成することができます。これは、標準の変換器では対応できない特殊な前処理や特徴エンジニアリングを行う際に役立ちます。カスタム変換器を作成するには、「BaseEstimator」と「TransformerMixin」クラスを継承し、「fit」「transform」メソッドを実装します。これにより、自作の変換器をScikit-learnのパイプラインやGrid Searchと組み合わせて使用することが可能になります。
よくある質問とトラブルシューティング
よくある質問
Scikit-learnを使用する際、多くの人が同じような疑問を抱きます。例えば、「どのアルゴリズムを選べばいいか」「モデルの性能を向上させるにはどうすればよいか」「大規模なデータセットを効率的に処理するにはどうすればよいか」などです。これらの質問に対する答えは、多くの場合、データの性質や問題の特性に依存します。Scikit-learnの公式ドキュメンテーションやユーザーガイドを参照することで、多くの疑問を解決できるでしょう。また、コミュニティフォーラムや Stack Overflow などのプラットフォームも、問題解決に役立つリソースとなっています。
トラブルシューティングの方法
Scikit-learnを使用する際に遭遇する一般的な問題には、メモリエラー、予期せぬモデルの挙動、パフォーマンスの低下などがあります。これらの問題に対処するためには、まず発生している問題を正確に理解することが重要です。エラーメッセージを注意深く読み、関連するドキュメンテーションを確認しましょう。また、小さなサンプルデータセットを使ってコードをテストすることで、問題の原因を特定しやすくなります。さらに、Scikit-learnのメーリングリストやGitHubのイシュートラッカーを活用することで、同様の問題に直面した他のユーザーの解決策を見つけられることもあります。
Scikit-learnの応用と実践
実際のビジネス問題への適用
Scikit-learnは、様々なビジネス問題の解決に活用されています。例えば、顧客の離脱予測、商品推薦システムの構築、詐欺検知など、幅広い分野で応用されています。これらの実践的な問題に取り組む際には、Scikit-learnの柔軟性と豊富な機能が大いに役立ちます。例えば、顧客の離脱予測では、ロジスティック回帰や勾配ブースティングなどのアルゴリズムを使用し、過去のデータから将来の顧客行動を予測することができます。Scikit-learnを使えば、これらの複雑なタスクも比較的簡単に実装できるのが特徴です。
大規模データセットの処理
Scikit-learnは、中規模までのデータセットの処理に適していますが、大規模なデータセットを扱う場合には工夫が必要です。一つの方法として、データのサブサンプリングや特徴量の選択を行い、処理するデータ量を減らすことが考えられます。また、Scikit-learnの「partial_fit」メソッドを使用することで、大規模なデータセットをバッチ処理することも可能です。さらに、分散処理フレームワークと組み合わせることで、より大規模なデータセットを効率的に処理できます。例えば、Apache SparkのMLlibライブラリとScikit-learnを併用することで、大規模データの分散処理を実現できます。
深層学習との連携
Scikit-learnは主に従来の機械学習アルゴリズムに焦点を当てていますが、深層学習との連携も可能です。例えば、Scikit-learnの前処理ツールやモデル評価機能を使用しながら、TensorFlowやPyTorchで構築した深層学習モデルを統合することができます。Scikit-learnの「Pipeline」クラスを使用すれば、前処理からディープラーニングモデルの訓練まで一連の流れを構築できます。これにより、従来の機械学習と深層学習の長所を組み合わせた、より強力な機械学習システムを構築することが可能になります。
Scikit-learnの最新動向と今後の展望
最新のアップデート内容
Scikit-learnは常に進化を続けており、定期的に新機能が追加されています。最近のアップデートでは、新しいアルゴリズムの追加や既存アルゴリズムの改善、パフォーマンスの向上などが行われています。例えば、ヒストグラムベースの勾配ブースティング実装や、より効率的な最近傍探索アルゴリズムなどが追加されました。また、GPU対応も徐々に進んでおり、一部のアルゴリズムではGPUを使用した高速な計算が可能になっています。これらのアップデートにより、Scikit-learnの使用範囲が広がり、より複雑な問題にも対応できるようになっています。
機械学習の将来とScikit-learnの役割
機械学習技術は急速に発展しており、Scikit-learnもその流れに乗って進化を続けています。今後は、より自動化された機械学習（AutoML）や、よりスケーラブルな実装、深層学習との更なる統合などが期待されています。また、説明可能なAI（XAI）への需要が高まる中、Scikit-learnでもモデルの解釈可能性を向上させる機能の強化が進むでしょう。Scikit-learnは、その使いやすさと豊富な機能により、今後も機械学習の入門から実践まで幅広く活用され続けると予想されます。特に、データサイエンティストやエンジニアにとって、重要なツールであり続けるでしょう。
Scikit-learnの限界と代替ツール
Scikit-learnの制限事項
Scikit-learnは非常に強力なツールですが、いくつかの制限もあります。例えば、非常に大規模なデータセットの処理や、リアルタイムの予測には適していません。また、深層学習のサポートも限定的です。さらに、一部のアルゴリズムでは計算効率が低い場合があります。これらの制限は、問題の性質や規模によっては大きな障害となる可能性があります。そのため、プロジェクトの要件に応じて、Scikit-learnの適合性を慎重に評価する必要があります。
代替ツールの紹介
Scikit-learnの制限に直面した場合、いくつかの代替ツールを検討することができます。大規模データ処理には Apache Spark の MLlib が適しており、分散処理による高速な計算が可能です。深層学習には TensorFlow や PyTorch が広く使用されており、複雑なニューラルネットワークの構築と訓練が可能です。また、XGBoost や LightGBM などのライブラリは、特に勾配ブースティングアルゴリズムにおいて高速で効率的な実装を提供しています。これらのツールを状況に応じて使い分けることで、Scikit-learnの限界を補完し、より幅広い機械学習タスクに対応することができます。
Scikit-learnを使いこなすためのベストプラクティス
効率的なコーディング習慣
Scikit-learnを効率的に使用するためには、いくつかのベストプラクティスを心がけることが重要です。まず、データの前処理やモデルの構築に Scikit-learn のパイプライン機能を積極的に活用しましょう。これにより、コードの可読性が向上し、メンテナンスが容易になります。また、大規模なデータセットを扱う際には、データのサブサンプリングや特徴量の選択を行い、計算効率を向上させることが有効です。さらに、モデルの評価には交差検証を使用し、過学習を防ぐことが重要です。これらの習慣を身につけることで、Scikit-learnを使った機械学習プロジェクトの質と効率を大幅に向上させることができます。
モデルの解釈と説明
機械学習モデルの解釈可能性は、多くの実務的な場面で重要となります。Scikit-learnでは、モデルの解釈を支援するいくつかの機能が提供されています。例えば、決定木やランダムフォレストの場合、特徴量の重要度を簡単に可視化することができます。線形モデルでは、係数の大きさから各特徴量の影響を理解できます。また、SHAP（SHapley Additive exPlanations）値を計算することで、より詳細なモデルの解釈が可能です。これらの手法を活用することで、モデルの挙動を理解し、ステークホルダーに説明することができます。モデルの解釈は、信頼性の向上や意思決定の透明性確保に役立ちます。
Scikit-learnのコミュニティと学習リソース
オンラインコミュニティの活用
Scikit-learnには活発なオンラインコミュニティが存在し、ユーザー同士で情報交換や問題解決を行っています。GitHub上のScikit-learnリポジトリでは、バグ報告や機能リクエストを行うことができます。また、Stack Overflowなどの質問サイトでは、具体的な実装の問題について質問し、経験豊富な開発者からアドバイスを得ることができます。さらに、Scikit-learnの公式メーリングリストに参加することで、最新の開発情報や議論をフォローすることができます。これらのコミュニティに積極的に参加することで、Scikit-learnの理解を深め、最新のベストプラクティスを学ぶことができます。
学習リソースとチュートリアル
Scikit-learnを学ぶための豊富なリソースが用意されています。まず、Scikit-learnの公式ドキュメンテーションは非常に充実しており、各アルゴリズムの詳細な説明やAPIリファレンス、チュートリアルなどが提供されています。また、Coursera や edX などのオンライン学習プラットフォームでは、Scikit-learnを使った機械学習コースが多数提供されています。書籍としては、「Hands-On Machine Learning with Scikit-Learn and TensorFlow」や「Python Machine Learning」などが人気で、実践的なスキルを身につけるのに役立ちます。これらのリソースを活用することで、Scikit-learnの基礎から応用まで幅広く学ぶことができます。継続的な学習と実践が、Scikit-learnのマスターへの近道となるでしょう。
エンジニア・PdMの正社員転職プラットフォーム「Offers（オファーズ）」では、非公開求人を含む豊富なIT・Web業界の転職情報を提供しています。高年収の求人や最新技術スタックを扱う企業など、あなたのスキルを最大限に活かせるポジションが見つかります。専任のキャリアアドバイザーが、入社日調整や条件交渉をきめ細かくサポート。正社員の転職をお考えの方は、Offersまでご相談ください。閉じる
新着求人
もっと見るおすすめのイベント
もっと見る
開催前
【Claude Code】鹿野さんが実践するエンジニアの日常業務を爆速にする最新推しツール 大公開AIコーディングエージェントの普及により、エンジニアがAIで「コードを書く」ことは当たり前になってきました。しかし、「開発以外の日常業務」には、まだAIを十分に活用しきれていないケースが少なくないのではないでしょうか。 そこで本イベントでは、前回の並行開発イベントでもご好評いただいた鹿野壮氏を再びお迎えし、鹿野氏の日常業務のフロー全体、およびそれぞれの業務におけるAI活用の実例をデモ付きで解説いただきます。 前半のLTでは、鹿野氏より仕様策定→要件定義→チケット作成→実装→PR作成・レビュー→リリース→顧客説明といった業務の流れをお話しいただきます。続く公開デモでは、その業務フローに沿って実際にどのようなツールをどう使っているのかを画面を見せながら解説いただきます。 後半のディスカッションでは、業務のボトルネックや手戻りを減らす工夫、成果物評価の迅速化、チームへの展開方法など、現場目線でさらに深掘りしていきます。 AIを使った業務効率化に取り組みたいが全体像がつかめていない方から、すでに部分的に活用しているがさらに広げたい方まで、幅広いエンジニアのご参加をお待ちしています。
開催前
＜AIに任せる前に＞ゆーすけべ、ちまめさんに聞くCloudflare Workersの本番運用の勘所昨今、CloudflareはCDNやR2だけでなく、Cloudflare Workersを中心に、エッジ環境でWebアプリケーションやAIワークロードを実行できるプラットフォームとして急速に存在感を高めています。個人開発で触ったことのある方は増えてきましたが、「プロダクションで本格的に使っている」となると、まだまだ少ないのが現状ではないでしょうか。 また、AWSやGCPとは設計思想や開発体験が大きく異なるため、「興味はあるが、既存のインフラにどう導入すればいいのかわからない」「Workersで何がどこまでできるのかイメージしきれない」という声も耳にします。 そこで本イベントでは、Honoの作者でありCloudflareのDeveloper AdvocateであるYusuke Wada氏と、『Cloudflare Workers 実践ガイド』の著者の一人であるchimame氏をお迎えし、Cloudflare Workersの全体像から実践的なユースケースまでを紐解きます。 Cloudflareが気になり始めた方から、AWS/GCPメインの環境にCloudflareを取り入れたい方まで、幅広いエンジニアのご参加をお待ちしています。
アーカイブ公開中
人間のレビューなしで"そのまま出せる"デザインは作れるか こぎそさんに聞く デザインハーネスの現在地AIコーディングエージェントの進化により、コードだけでなくUIデザインの領域でもAIに任せられる範囲が広がりつつあります。しかし、「AIが出力したデザインを人間のレビューなしでそのまま出せるか？」と問われると、まだ自信を持ってイエスと言える方は少ないのではないでしょうか。 そうした中、AIに「デザイナーの脳内」を型として渡し、デザインの実装だけでなく、評価や改善までを自動化していく「デザインハーネス」という考え方があります。AIにデザインをつくらせて終わりではなく、その出力を評価し、改善するサイクルをできるだけ自律的に回していくことで、AIに任せられる範囲をさらに広げていくアプローチです。しかし、デザインハーネスとは具体的に何を整備すればいいのか、実際にどこまでの品質が出せるのかを体系的に語れる事例はまだ多くありません。そこで本イベントでは、デザインシステムの構築やAIワークフローの実践に豊富な経験を持つこぎそ氏をお迎えし、デザインハーネスの基礎から、具体的な実践事例までを紐解きます。 前半のLTでは、こぎそ氏よりデザインハーネスの基礎的な考え方を整理いただいた上で、Design.mdやMCP連携、デザインシステムとの接続といった実際のワークフローに落とし込んだ実践事例、そして「デザイナーの脳内をどう型化していくか」という方法論をお話しいただきます。 後半のディスカッションでは、AIが出力するデザインの評価軸や、人間が介在すべき領域の見極め、実作業のメイン環境の選び方など、デザインエンジニアの現場目線でさらに深掘りしていきます。 AIを活用したデザインワークフローに関心がある方から、デザインハーネスの導入を検討されている方まで、幅広いデザインエンジニアのご参加をお待ちしています。
開催日:
2026年10月15日(木)19:00~20:00
アーカイブ公開中
AIでコード書く前に、要求・要件定義足りてる？ミノ駆動さんと改めて考える ドメイン駆動設計AIコーディングエージェントの進化により、コードを書くスピードはかつてないほど速くなりました。しかし、いくらAIで早くたくさん開発できたとしても、初手の要求・要件定義が十分にできていなければ、結局は使われない機能を量産してしまうのではないでしょうか。 AI時代において、設計や実装の多くはAIに置き換わりつつあります。だからこそ、人間の価値は「問題を定義し、発見する」ことにシフトしていく——そう考えると、要求・要件定義の重要度はこれまで以上に増してきています。しかし、普段の業務で要求・要件定義に本格的に取り組んだ経験がないエンジニアの方も多いのが現状です。 そこで本イベントでは、前回ご好評いただいた「AI時代×ドメイン駆動設計」に続く第2弾として、ミノ駆動氏を再びお迎えし、AI時代だからこそ向き合うべき要求・要件定義の考え方と実践を紐解きます。 前半のLTでは、ミノ駆動氏より、エンジニアに今後求められる「具体→抽象」の思考力、目的を起点とした設計の考え方、そして明日から始められる要求・要件定義の第一歩についてお話しいただきます。 後半のディスカッションでは、「Claude Codeに頼めばよしなにやってくれるのでは？」という率直な疑問から、要求・要件定義は誰が書くべきか、優秀なエンジニアの要求・要件定義は何が違うのかなど、現場目線でさらに深掘りしていきます。 「AIにコードは任せられるようになったけど、その前段階をどうすればいいかわからない」という方にこそ参加いただきたいイベントです。
開催日:
2026年10月6日(火)19:00~20:00
アーカイブ公開中
【Claude Code】世界のスタートアップが必死に求める「GTMエンジニア」とはAIの進化によってプロダクト開発のハードルが下がった今、企業の関心は「いかに良いものを作るか」から「どうやって市場に届け、ユーザーに使ってもらうか（Go-To-Market）」へとシフトしています。 こうした変化の中で、海外のAIスタートアップを中心に急速に注目を集めているのが「GTM（Go-To-Market）エンジニア」です。 営業でも、マーケターでも、単なる開発エンジニアでもない。 かつて10人のチームで回していた営業・マーケティング・オペレーションの設計からAIによる自動化までを、1人で主導する新たな役割です。 しかし、日本ではまだ認知が広まっておらず、「GTMエンジニアって具体的に何をしているのか」をイメージできている方はほとんどいないのが現状です。 そこで本イベントでは、GTMエンジニアリングの研究・発信を行う中村氏と、GTMエンジニアとして実践されているnumashi氏をお迎えし、海外での動向から日本での実態まで、GTMエンジニアという仕事の全体像を紐解きます。 前半のLTでは、お二人にそれぞれの視点からGTMエンジニアの役割や実際の業務内容、海外と日本での位置づけの違いについてお話しいただきます。 後半のディスカッションでは、どんな方がGTMエンジニアに向いているのか、単なる効率化で終わらせず売上に繋げるには、日本の組織での最初の一歩など、現場目線でさらに深掘りしていきます。 エンジニアとしての新たなキャリアの可能性を探している方から、GTMエンジニアリングに興味がある方まで、幅広いご参加をお待ちしています。
開催日:
2026年9月29日(火)12:00~13:00
転職に役立つノウハウ
もっと見る