mcpField
F
find-your-level

find-your-level

github.com/fancyboi999生産性1.3k56 回インストール1 日前に更新
リポジトリ

find-your-level について

AI Engineering from Scratch の学習開始段階を見極めるためのレベル判定スキルです。5つの知識領域を評価し、結果に基づいて20段階の個別学習パスを作成します。

主な機能

  1. 015領域で各2問を出題
  2. 02各ラウンドを採点し解説は最後に提示
  3. 03合計点から開始段階を決定
  4. 04段階を Skip、Review、Do に分類
  5. 05ROADMAP.md から学習時間を取得

活用シーン

  1. 01コースの開始地点を選ぶ
  2. 02復習が必要な知識領域を特定
  3. 03所要時間付きの学習計画を作成

インストール

コマンドをコピーしてターミナルで実行します。

$npx skills add https://github.com/fancyboi999/ai-engineering-from-scratch-zh --skill find-your-level

インストール後、Claude Code で/find-your-levelを入力して読み込まれたか確認します。

同梱ファイルreferences/answer-key.md

詳細

自分のレベルを見つける

AI Engineering from Scratch コース（20 段階、523 レッスン）のレベル判定クイズです。学習者がどこから始めるべきかを見極め、すでに習得した内容を飛ばして、ちょうどよい挑戦となるところから学習を始められるようにします。どのエージェントにも適しています。

クイズの構成

知識領域は 5 つあり、各領域に 2 問、合計 10 問です。1 ラウンドにつき 2 問（各領域につき 1 ラウンド）を出題します。学習者がそのラウンドの 2 問に回答したら、該当領域を採点して次のラウンドに進みます。

採点

各問 1 点（0 = 誤答または無回答、1 = 正解）です。各領域の得点は 0～2 点です。合計点は 0～10 点です。

クイズの進め方

学習者に手短に挨拶し、すぐに第 1 ラウンドを始めます。環境に構造化された質問／選択肢ツールがある場合は、各問で使用します。それ以外の場合は、文字付きの選択肢をプレーンテキストで提示して回答を待ちます。各ラウンドの後、次のラウンドに進む前に該当領域の得点（例：「数学と統計：2/2」）を伝えます。説明は簡潔にしてください。回答の解説はすべて最後まで保留します。

答えの隔離

答えは、このクイズ本文とは別の references/answer-key.md に意図的に格納されています。学習者が現在のラウンドの 2 問に回答するまでは、その参照ファイルを読まないでください。回答後は、現在のラウンドの答えだけを読み取って採点し、5 ラウンドすべてが完了するまで解説を伏せてください。後続ラウンドの答えを先読みしないでください。

返信形式の例には、実際の正解の選択肢、正解になり得る選択肢、または答えの分布を絶対に含めないでください。プレーンテキストの場合は、必ず中立的な案内 次の形式で回答してください：Q1: <letter>, Q2: <letter>。 を厳守してください。現在の問題番号に置き換えますが、どちらの値も <letter> のままにします。

第 1 ラウンド —— 数学と統計

Q1. 2 つのベクトル a = [1, 2, 3] と b = [4, 5, 6] の内積はいくつですか？

  • A) 32
  • B) 21
  • C) 15
  • D) 27

Q2. 公平なコインを 3 回投げます。表がちょうど 2 回出る確率はいくつですか？

  • A) 1/4
  • B) 1/2
  • C) 1/8
  • D) 3/8
第 2 ラウンド —— 従来の機械学習

Q3. 負例が 90％、正例が 10％の分類タスクで、モデルがすべてのサンプルを負例と予測します。その正解率はいくつですか？

  • A) 50%
  • B) 90%
  • C) 10%
  • D) 0%

Q4. 次のうち、Random Forest のハイパーパラメーターはどれですか？

  • A) 学習された分割しきい値
  • B) 葉ノードの予測値
  • C) 木の数
  • D) 各ノードの Gini impurity
第 3 ラウンド —— 深層学習

Q5. 誤差逆伝播法では、連鎖律を使って何を計算しますか？

  • A) 学習可能な各重みに対する損失の勾配
  • B) 現在のオプティマイザーに最適な学習率
  • C) ネットワークに必要な層数の正確な値
  • D) 各学習ステップで使う batch size

Q6. ResNet の residual connections（skip connections）は、主にどの問題を解決しますか？

  • A) 小規模な学習データセットでの汎化性能の低さ
  • B) 永続ストレージから batch を読み込む速度の遅さ
  • C) モデル推論時の activation memory の大きさ
  • D) 非常に深いネットワークにおける弱い gradient flow
第 4 ラウンド —— NLP と Transformer

Q7. Transformer アーキテクチャでは、attention mechanism は何の間で計算されますか？

  • A) ピクセルとラベル
  • B) Encoder と Decoder のみ
  • C) Queries、Keys、Values
  • D) Embeddings と positions のみ

Q8. LoRA（Low-Rank Adaptation）を使って大規模言語モデルをファインチューニングする主な利点は何ですか？

  • A) 新しいランダムな初期値から始め、基盤モデルのすべてのパラメーターを再学習する
  • B) 基盤モデルの重みを凍結し、低ランク adapters のみを学習する
  • C) ラベル付きの例やタスク固有の学習データが不要になる
  • D) 適応能力を高めるためにモデルの層を複製する
第 5 ラウンド —— 応用 AI

Q9. RAG（Retrieval-Augmented Generation）システムでは、LLM が回答を生成する前に何が起こりますか？

  • A) 関連する文書を検索し、モデルの prompt に追加する
  • B) ユーザーの現在の質問に合わせてモデルを完全に再学習する
  • C) モデルへのリクエストのたびに、ユーザーがすべてのコンテキスト段落を選択する
  • D) モデルが事前学習済みパラメーターの値だけを検索する

Q10. マルチエージェントシステムで、「coordinator」または「orchestrator」エージェントの主な役割は何ですか？

  • A) すべての専用エージェントを 1 つの汎用モデルに置き換える
  • B) タスクを割り当て、メッセージをルーティングし、他のエージェントを調整する
  • C) エージェント間のやり取りごとにトークン使用量を最大化する
  • D) システム障害に備えて、まったく同じバックアップモデルを用意する

5 ラウンドすべてが完了した後

領域別の得点と合計点を表示します。

数学与统计：           X/2
经典机器学习：         X/2
深度学习：             X/2
NLP 与 Transformer：   X/2
应用 AI：              X/2
----------------------------
总分：                 X/10

得点と開始地点の対応

合計点開始地点意味
0-3段階 1：数学の基礎基礎から始めます
4-5段階 3：深層学習の中核数学と ML の基礎を身に付けています
6-7段階 7：Transformer の深掘りDL を理解しているので、Transformer を学ぶ段階です
8-9段階 11：LLM エンジニアリング強固な基礎があるため、LLM アプリケーションに直接進めます
10段階 14：エージェントエンジニアリングすべて理解しています。エージェントの構築を始めましょう

パーソナライズされた学習パス

開始地点を明らかにした後、20 段階すべてを含む Markdown 表を生成します。各段階のステータスは得点に基づいて決定します。開始地点より前の段階は Skip（学習者がすでに習得している内容）とし、開始地点以降は Do とします。該当するスキップ可能な段階の領域得点が 1/2 の場合、その段階は Skip ではなく Review とします。

復習項目を判定するための領域と段階の対応：

  • 数学と統計（1/2） -> 段階 1 を Review にする
  • 従来の機械学習（1/2） -> 段階 2 を Review にする
  • 深層学習（1/2） -> 段階 3 を Review にする
  • NLP と Transformer（1/2） -> 段階 5 と 7 を Review にする
  • 応用 AI（1/2） -> 段階 14 を Review にする

所要時間の見積もりは ROADMAP.md から読み取ります（唯一の正規の情報源）。各段階のタイトルには (~N hours) の形式で予想時間が含まれています。これらの値を解析し、ハードコードされた数字は使わないでください。そうすることで、学習パスが常にロードマップの見積もりに沿って更新されます。リポジトリがローカルにクローンされていない場合は、以下のアドレスから取得します。 https://raw.githubusercontent.com/fancyboi999/ai-engineering-from-scratch-zh/main/ROADMAP.md。

出力形式

次の形式で表を生成します。

| Phase | Name | Status | Est. Hours |
|-------|------|--------|------------|
| 0 | Setup & Tooling | Skip | -- |
| 1 | Math Foundations | Review | 30 |
| 2 | ML Fundamentals | Skip | -- |
| 3 | Deep Learning Core | Do | 20 |
| ... | ... | ... | ... |

表のルール：

  • Skip の段階は、所要時間を -- と表示します（合計には含めません）。
  • Review の段階は、所要時間をすべて表示します（学習者は手早く復習します）。
  • Do の段階は、所要時間をすべて表示します。
  • 段階 0（環境設定とツール）は、得点にかかわらず常に Skip にします（知識ではなくツールの設定だからです）。
  • Review と Do の段階の所要時間を合計し、表の下部に合計を表示します。

表の後に、総所要時間を一文で追加します。あなたのパーソナライズされた学習パス：約 X 時間、全 Y 段階。

続けて、どの段階から始めるべきか、最も得点の低い領域を踏まえて最初に何に重点を置くべきかについて、簡潔にアドバイスします。

最後に次のステップを示します。/start-learning は今回のレベル判定結果を永続的な学習計画 LEARNING.md に保存し、/learn は第 1 課をインタラクティブに教え始めます。

コメント

Markdown 対応