mcpField
F
find-your-level

find-your-level

github.com/rohitg00生産性75.3k4.7k 回インストール5 日前に更新
リポジトリ

find-your-level について

AI Engineering from Scratch の学習レベルを判定するクイズスキルです。5つの分野を評価し、得点に応じた開始フェーズと個別の学習計画を提示します。

主な機能

  1. 015分野、全10問のクイズ
  2. 02各ラウンドと合計点の採点
  3. 03得点に応じた開始フェーズの提示
  4. 0420フェーズの学習計画作成
  5. 05苦手分野に基づく復習指定

活用シーン

  1. 01カリキュラムの開始フェーズ選定
  2. 02既習内容を省いた学習計画の作成
  3. 03復習が必要な分野の特定

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/rohitg00/ai-engineering-from-scratch --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

自分のレベルを確認する

AI Engineering from Scratch カリキュラム（20フェーズ、523レッスン）のレベル判定クイズを実施します。学習者がすでに知っている内容をスキップし、適切な難易度の学習から始められるよう、開始地点を見極めるのがあなたの役目です。どのエージェントでも利用できます。

クイズの構成

知識分野は5つあり、各分野に2問ずつ、合計10問です。2問ずつ（各分野につき1ラウンド）出題します。学習者がラウンド内の両方の質問に回答したら、次に進む前にその分野を採点します。

採点

各質問は1点です（不正解または未回答は0点、正解は1点）。各分野の得点は0～2点です。合計点は0～10点です。

クイズの実施

まず学習者に短く挨拶し、そのままラウンド1を始めてください。環境に構造化された質問／選択肢ツールがある場合は、すべての質問でそれを使用してください。ない場合は、文字付きの選択肢をプレーンテキストで提示し、返答を待ってください。各ラウンドの後、次のラウンドに進む前に、その分野の得点（例：「数学と統計：2/2」）を学習者に伝えてください。コメントは短くしてください。回答の解説は最後まで行わないでください。

回答の分離

解答キーは意図的に、このクイズ本文の外にある references/answer-key.md に保存されています。学習者が現在のラウンドの両方の質問に回答する前に、その参照ファイルを読んではいけません。その後、そのラウンドのキーだけを読み、採点してください。5つすべてのラウンドが完了するまで、解説は学習者に見せないでください。後のラウンドの内容を先読みしてはいけません。

回答形式の例には、実際の正解を示す文字、正解と思われるもの、または回答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、次の中立的な案内をそのまま使用してください。 Reply with Q1: <letter>, Q2: <letter>. 現在の質問番号に置き換えますが、両方の値は <letter> のままにしてください。

ラウンド1 -- 数学と統計

Q1. 2つのベクトル a = [1, 2, 3] と b = [4, 5, 6] があります。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
ラウンド2 -- 古典的な機械学習

Q3. 負のサンプルが90％、正のサンプルが10％の分類タスクで、モデルがすべてを負と予測します。このモデルの正解率はいくつですか？

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

Q4. 次のうち、ランダムフォレスト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) 各ノードのジニ不純度
ラウンド3 -- ディープラーニング

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) 学習可能な各重みの損失勾配
  • 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の正確な数
  • D) 各学習ステップで使用するバッチサイズ

Q6. ResNetの残差接続（スキップ接続）は、主にどのような問題に対処しますか？

  • 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のバッチ読み込みの遅さ
  • C) モデル推論時の大きな活性化メモリ使用量
  • D) 非常に深いネットワークを通過する勾配の流れの弱さ
ラウンド4 -- NLPとTransformer

Q7. Transformerアーキテクチャでは、アテンション機構は何の間の関係を計算しますか？

  • A) ピクセルとラベル
  • B) エンコーダーとデコーダーのみ
  • C) クエリ、キー、バリュー
  • D) 埋め込みと位置情報のみ

Q8. 大規模言語モデルのファインチューニングにLoRA（Low-Rank Adaptation）を使う主な利点は何ですか？

  • A) ベースモデルのすべてのパラメーターを、完全に新しい初期値から再学習する
  • B) ベースモデルの重みを凍結したまま、低ランクアダプターを学習する
  • C) ラベル付き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
ラウンド 5 -- 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行われますか？

  • A) 関連するドキュメントが検索され、モデルのプロンプトに追加されます
  • B) ユーザーの現在の質問に基づいて、モデル全体が完全に再トレーニングされます
  • C) モデルにリクエストするたびに、ユーザーがコンテキストとなる文章をすべて選択します
  • D) モデルは事前学習済みのパラメーター値だけを検索します

Q10. マルチエージェントシステムにおいて、「コーディネーター」または「オーケストレーター」エージェントの主な目的は何ですか？

  • A) すべての専門エージェントを、1 つの汎用モデルに置き換えること
  • B) タスクを割り当て、メッセージを振り分け、他のエージェントを調整すること
  • C) エージェント間のやり取り全体でトークンの使用量を最大化すること
  • D) システム障害に備えて、同一のバックアップモデルを常に待機させること

5 ラウンドすべての終了後

分野別の内訳と合計を表示します。

Math & Statistics:    X/2
Classical ML:         X/2
Deep Learning:        X/2
NLP & Transformers:   X/2
Applied AI:           X/2
----------------------------
Total:                X/10

スコアと開始地点の対応

合計スコア開始地点意味
0-3フェーズ 1：数学の基礎基礎から始めます
4-5フェーズ 3：ディープラーニングの中核数学と ML の基礎は身についています
6-7フェーズ 7：トランスフォーマーを深く学ぶDL は理解できているので、次はトランスフォーマーです
8-9フェーズ 11：LLM エンジニアリング強固な基礎があるため、LLM アプリに直接進めます
10フェーズ 14：エージェントエンジニアリングすべて理解できています。エージェントを構築しましょう

個別学習パス

開始地点を示した後、全 20 フェーズを含む Markdown テーブルを生成します。スコアに基づいて各フェーズのステータスを決定します。開始地点より前のフェーズは、学習者がすでに内容を理解しているため「Skip」にします。開始地点以降のフェーズは「Do」にします。スキップ対象のフェーズに対応する分野で 1/2 のスコアを取った場合、そのフェーズは「Skip」ではなく「Review」にします。

レビュー判定に使う分野とフェーズの対応：

  • 数学と統計（1/2） -> フェーズ 1 を「Review」にする
  • 古典的 ML（1/2） -> フェーズ 2 を「Review」にする
  • ディープラーニング（1/2） -> フェーズ 3 を「Review」にする
  • NLP とトランスフォーマー（1/2） -> フェーズ 5 と 7 を「Review」にする
  • 応用 AI（1/2） -> フェーズ 14 を「Review」にする

所要時間は ROADMAP.md から読み取ります（正規の情報源）。各フェーズの見出しには、(~N hours) の形式で推定時間が記載されています。ハードコードされた数値を使わず、この値を解析してください。これにより、推定時間が更新されても学習パスをロードマップと同期した状態に保てます。リポジトリがローカルにクローンされていない場合は、https://raw.githubusercontent.com/rohitg00/ai-engineering-from-scratch/main/ROADMAP.md から取得してください。

出力形式

次のようなテーブルを生成します。

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

テーブルのルール：

  • 「Skip」のフェーズの所要時間は -- とします（合計には含めません）
  • 「Review」のフェーズには所要時間全体を記載します（学習者は内容に目を通します）
  • 「Do」のフェーズには所要時間全体を記載します
  • フェーズ 0（セットアップとツール）は、スコアにかかわらず常に「Skip」にします（知識ではなく、ツールのセットアップのため）
  • 「Review」と「Do」のフェーズの所要時間を合計し、テーブルの最後に合計を表示します

テーブルの後に、推定合計時間を示す文を 1 文追加します：「あなたに合わせた学習パス：約 X 時間、Y フェーズ。」

続けて、どのフェーズから始めるべきか、また最も苦手な分野に基づいて最初に何に取り組むべきかを、簡潔に勧めてください。

最後に次のステップを案内します：/start-learning はこの配置を永続的な LEARNING.md 学習計画に保存し、/learn は最初のレッスンを対話形式で開始します。

コメント

Markdown 対応