AI開発に取り組むには、データの処理からモデルの作成、テスト、評価にいたるまでさまざまなステップが求められます。

前回の記事はこちらから。

それらを効率よく進めるためには、Pythonの基礎スキルが欠かせません。
今回はAI開発に特に役立つPythonの基本的な知識とスキルを解説します。

基礎を押さえた上で学習を進めると、よりスムーズにAI開発の実践に入っていけるでしょう。

1. データ型と変数の扱い方

Pythonには多様なデータ型が用意されています。
特にAI開発では、数値データやリスト、辞書といったデータ構造を頻繁に使います。

基本的なデータ型

  • 整数（int）、浮動小数点数（float）、文字列（str）：数値計算やデータのラベリングに使用
  • リスト（list）、タプル（tuple）：データの集まりとして、例えば数値の配列やデータセットの格納に使用
  • 辞書（dict）：キーと値のペアでデータを管理し、例えば特徴量とその値をセットで扱う際に便利
# 基本的なデータ型の例

num = 10                # 整数

price = 9.99            # 浮動小数点数

name = "AI Project"     # 文字列

features = [1, 2, 3, 4] # リスト

data_dict = {"a": 1, "b": 2}  # 辞書

2. 制御構文（if文、for文、while文）

AIのデータ処理や条件分岐の実装において、制御構文は欠かせません。データのフィルタリングや特定の条件に応じた処理を行う際に役立ちます。

if文

# 条件に応じて処理を行う

score = 85

if score >= 90:

    print("Excellent")

elif score >= 75:

    print("Good")

else:

    print("Needs Improvement")

for文とwhile文

  • for文：データセットを反復処理するのに最適
  • while文：特定の条件が満たされるまで繰り返し処理を行う場合に使用
# for文の例

for i in range(5):

    print(i)

# while文の例

counter = 0

while counter < 5:

    print(counter)

    counter += 1

3. 関数とクラス

AIプロジェクトでは、処理の再利用やコードの整理のために関数やクラスを活用します。

関数を使えば、特定の計算やデータ処理を分かりやすくまとめることができます。

クラスを使えば、データや処理を一元管理しやすくなります。

関数の定義

# 関数の例

def calculate_average(numbers):

    return sum(numbers) / len(numbers)

# 使用例

data = [1, 2, 3, 4, 5]

average = calculate_average(data)

print("Average:", average)

クラスの基本

AI開発ではモデルやデータの扱いをクラスとして定義することで、プロジェクト全体の構造が明確になります。

# クラスの例

class SimpleModel:

    def __init__(self, name):

        self.name = name

    def predict(self, x):

        return x * 2  # 単純な計算として倍にする

# 使用例

model = SimpleModel("DemoModel")

result = model.predict(10)

print("Prediction:", result)

4. 例外処理

データやモデルの処理にはエラーがつきものです。

予期しないエラーが発生した際に、コードが停止しないようにするためには、例外処理が有効です。

try:

    result = 10 / 0

except ZeroDivisionError:

    print("Error: Division by zero")

例外処理を活用すると、データの不整合や計算エラーにも柔軟に対応できるため、AI開発の信頼性が向上します。

5. ライブラリの活用

AI開発には、データ処理や機械学習のための豊富なライブラリが用意されています。

以下は、基礎となる主要ライブラリです。

  • NumPy：数値データを効率よく処理
  • Pandas：データフレーム形式でデータを整理
  • Matplotlib/Seaborn：データの視覚化
  • scikit-learn：機械学習アルゴリズム

Colab環境やJupyter Notebookでこれらをインポートして使用することで、AI開発に必要なデータ処理やモデル作成がスムーズになります。

import numpy as np

import pandas as pd

from sklearn.model_selection import train_test_split

6. AI向けのデータ操作：リスト内包表記とラムダ関数

AI開発ではデータ操作が頻繁に発生するため、コードの簡潔化や速度向上のためにリスト内包表記やラムダ関数を使用することがよくあります。

リスト内包表記

# 例：リスト内の値を2倍にする

numbers = [1, 2, 3, 4]

doubled = [x * 2 for x in numbers]

print(doubled)

ラムダ関数

# 例：ラムダ関数を使った簡単な計算

square = lambda x: x ** 2

print(square(5))

まとめ

AI開発に必要なPythonスキルを一通り見てきました。

これらの基礎スキルを身につけておくことで、データの処理やモデルの構築が効率的に行えるようになります。