コーディングテスト対策ガイド
AIエンジニア・データサイエンティスト転職のコーディングテスト完全対策。出題傾向・プラットフォーム別対策・頻出パターンを徹底解説。
AI・データサイエンス系のコーディングテストは、一般的なソフトウェアエンジニア向けとは異なる特徴があります。アルゴリズム問題に加えて、機械学習・データ操作・統計の実装問題が出題されます。2026年時点では、LLMを活用した開発スキルを問う問題も増加しています。
主要プラットフォーム別の特徴
LeetCode
アルゴリズムアルゴリズム・データ構造の定番。配列・木・グラフ・動的計画法が頻出。MediumレベルがAIエンジニア面接の目安。
難易度: 中〜難Kaggle
機械学習MLモデル構築の実力を問うコンペ形式。スコアでの客観評価。転職時にメダル実績として活用できる。
難易度: 中〜難HackerRank
SQL・Python・統計SQL・Python・統計問題が充実。企業の選考でよく使われるプラットフォーム。
難易度: 易〜中Codility / CodeSignal
総合時間制限付きの実践的なコーディング評価。スタートアップ〜大手まで幅広く採用。
難易度: 中ストラテジックデータ分析課題（社内実施）
データ分析・レポーティング実際のビジネスデータを使った分析課題。EDA・可視化・モデリング・考察のレポート作成。
難易度: 中〜難準備スケジュール
11週間前
- →Python基本文法の復習（リスト内包表記・ジェネレータ・デコレータ）
- →NumPy/Pandas の基本操作を確認（merge・groupby・pivot）
- →LeetCode のEasyを20問解く（配列・文字列・ハッシュマップ）
22-3週間前
- →LeetCode のMediumを30問解く（二分探索・BFS/DFS・Dynamic Programming）
- →scikit-learnでの基本的なMLパイプライン構築を練習
- →HackerRankのSQLチャレンジ（Medium以上）を10問解く
31ヶ月前
- →Kaggle Learnでのコースを全て完了
- →過去のKaggleコンペのNotebookを研究し、EDAの手法を習得
- →統計検定・A/Bテスト計算の練習（scipy.stats を使った実装）
頻出パターンと対策
行列・ベクトル計算
例: NumPyで共分散行列・固有値分解・コサイン類似度を計算
Pandas データ操作
例: groupby・merge・pivot_tableでの集計、欠損値処理
ML基本実装
例: 線形回帰・ロジスティック回帰・決定木をNumPyでスクラッチ実装
統計・仮説検定
例: t検定・カイ二乗検定・相関係数の計算と解釈
時系列分析
例: 移動平均・季節分解・ARIMAモデルの実装
よくある質問
Q1.コーディングテストでLeetCodeは必要ですか？↓
A.AI/データサイエンス系でも大手テック（GAFAM日本法人・メガベンチャー）ではLeetCodeレベルのアルゴリズム問題が出ます。ただしスタートアップや事業会社では機械学習・データ操作中心が多く、LeetCode Mediumレベルで十分なことも多いです。志望企業の選考情報をOpenWork・Glassdoorで確認しましょう。
Q2.テスト中にドキュメントを見てもいいですか？↓
A.多くの場合、インターネット参照可（OA形式）でのテストが一般的です。ただしAPIリファレンスを見ながら解くことと、問題の本質（アルゴリズムの設計・実装力）は別物です。ドキュメント参照前提でも、基本的なPython/NumPy/Pandasの操作は手癖にしておくことを強くおすすめします。
Q3.コーディングテストに落ちたらどうすればいいですか？↓
A.多くの企業はフィードバックを提供します。問われたスキルのギャップを把握し、2-4週間の集中学習後に再応募するか、他の企業に並行して応募しましょう。レバテックキャリアやGeeklyなどのエージェントに相談すると、コーディングテストが比較的易しい企業を紹介してもらえることがあります。