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。
結論から先にまとめます
AI・機械学習職のコーディングテストは、合否そのものより「どこで落ちたか」を特定できるかどうかで対策の効率が変わります。結論として、対策の優先順位は「①出題形式の把握 → ②基本操作の反射化 → ③時間配分の練習 → ④思考の言語化」の順に置くのが、限られた準備期間では最も無駄が出にくい進め方です。
AI・ML職の選考課題は、アルゴリズム単独で完結するものばかりではありません。データ操作・統計・機械学習の実装・分析レポートまで幅があり、企業ごとに重心が違います。そのため「何を何問解いたか」よりも、志望先で出る形式に合わせて練習の中身を寄せるほうが、通過率への影響は大きくなります。
また、テストは実力を測るだけでなく、面接での会話の材料としても使われます。提出したコードを後の面接で説明させる企業もあるため、動けばよいという進め方だと、通過した後の面接でつまずくことがあります。書きながら判断の理由を残す習慣をつけておくと、そのまま面接の準備になります。
選考プロセスの中でコーディングテストが置かれている位置
コーディングテストは、多くの場合「書類の内容が実力と一致しているかを確認する工程」として置かれています。したがって、書類に書いた担当領域とテストの内容がずれていると、通過してもその後の面接で整合が取れなくなります。応募前に、自分の職務経歴書がどの領域を主張しているのかを確認しておくのが先です。
【置かれ方1：書類通過の直後（スクリーニング型）】
オンラインで自動採点され、一定スコアで次に進む形式です。母集団を絞る目的が中心のため、部分点を取りこぼさないことが効きます。全問を完璧に解くより、解けるものを確実に通し切るほうがスコアは安定します。
【置かれ方2：一次面接の後（実力確認型）】
面接で話した内容を裏づける目的で出されます。この場合、コードの綺麗さや設計判断まで人が読むことが多く、命名・関数分割・コメントの有無が見られます。
【置かれ方3：最終面接の前（課題提出型）】
数日から1週間の期限で、データ分析や小さなモデル構築の課題が出されます。ここでは成果物そのものより、前提の置き方と考察の質が中心的な評価対象になります。本サイトのプラットフォーム別の整理では、社内実施のデータ分析課題をこの型として扱っています。
【置かれ方4：ライブコーディング】
面接官の前で書く形式です。手が止まったときに黙り込まないこと、詰まっている箇所を口に出せることが、正解にたどり着くこと以上に見られます。
自分の応募先がどの型かは、エージェント経由であれば事前に確認できることがあります。分からないまま準備を始めるより、まず形式を聞くほうが時間の使い方が定まります。
準備の進め方：残り期間別の優先順位
準備期間ごとに、切り捨てる順番を決めておくと迷いが減ります。以下は優先順位の考え方であり、具体的な週次スケジュールは本ページの「準備スケジュール」を併せて確認してください。
【残り1週間の場合】
•新しい分野に手を広げないこと。既に触れたことのある範囲の反射速度を上げる方向に絞ります
•データ操作（集計・結合・整形）と、頻出のアルゴリズム1〜2種類に絞って回数を重ねます
•環境の確認（実行環境・提出方法・時間制限）を前日までに済ませます
【残り1か月の場合】
•出題形式の把握に最初の数日を使い、そこから逆算して練習範囲を決めます
•機械学習の実装は、ライブラリの呼び出しだけでなく、指標の選び方と検証の分け方まで説明できる状態を目指します
•週末に一度、本番と同じ時間制限で通しの模擬を入れます
【残り3か月以上ある場合】
•アルゴリズムの基礎を体系的に埋めたうえで、機械学習・統計の実装を並行して進めます
•課題提出型に備えて、探索的分析から考察までを1本仕上げておきます。これは職務経歴書の材料にもなります
•本サイトの技術スタックページ（/tech/python/）の学習ロードマップと突き合わせ、基礎の抜けを埋めます
共通して効きやすいのは、解いた問題を後から見返せる形で残すことです。解けなかった問題より、解けたけれど時間がかかった問題のほうが、本番でのスコアに影響します。
当日の進め方：時間配分と、伝わる書き方
本番では、実力そのものより進め方でスコアが変わることがあります。以下は形式を問わず使える組み立てです。
【最初の5分：全体を読んでから着手する】
配点と問題数を確認し、着手順を決めます。前から順に解くと、後半にある取りやすい問題を落とすことがあります。
【次の10分：入出力と制約を確定させる】
境界条件、欠損の扱い、想定するデータ量を先に確認します。ここを飛ばすと、後半で書き直しが発生しやすくなります。
【中盤：動く形を先に作る】
最初から最適な実装を目指さず、まず素直な実装で通してから改善します。時間切れになった場合でも、動く実装が残っているほうが部分点につながります。
【終盤10分：見直しと説明の追記】
変数名を整え、判断の理由を短いコメントで残します。人が読む形式の場合、この数行が評価に効くことがあります。
【ライブコーディングの場合の追加ルール】
•手を止めたら、考えていることを声に出します。沈黙が続くと、どこで詰まっているのかが伝わりません
•分からない関数名は正直に伝え、代替の書き方を示します。調べてよいかを聞くのは減点にはなりにくい行為です
•指摘を受けたら、いったん受け止めてから反映します。反射的に反論すると、協働の場面での印象に影響します
よくある失敗と、その場での立て直し方
【失敗1：問題文の条件を読み飛ばす】
制約条件を見落とすと、実装が終わってから作り直しになります。着手前に条件を箇条書きで書き出すだけで、かなり防げます。
【失敗2：最適化から入る】
計算量を気にして最初から複雑な実装に入り、時間内に動く形にならないケースです。素直な実装を先に通し、余った時間で改善する順序が安全です。
【失敗3：ライブラリに頼り切って中身を説明できない】
呼び出しは書けても、指標の選定理由や前処理の意図を聞かれて答えられないと、その後の面接で評価が下がります。本ページの頻出パターンで挙げている通り、内部の考え方まで押さえておくことが求められます。
【失敗4：検証の分け方が雑になる】
学習データと検証データの分け方を説明できないと、分析課題では評価が伸びにくくなります。時系列データを無作為に分割してしまう、といった取り違えは特に指摘されやすい点です。
【失敗5：提出前の実行確認を省く】
手元では動いても、提出環境で依存関係が揃わずに落ちることがあります。提出形式が指定されている場合は、その形式で一度動かしてから出します。
【失敗6：落ちた原因を確認しないまま次に進む】
同じ理由で複数社を落とし続けることになります。フィードバックを提供する企業もあるため、エージェント経由であれば理由の確認を依頼できることがあります。
実践ステップ
1応募先の出題形式を確認する
スクリーニング型・実力確認型・課題提出型・ライブコーディングのどれかを、エージェントや募集要項から確認します。形式が分かるだけで練習の中身が半分決まります。
2基本操作を反射化する
データの集計・結合・整形と、頻出のアルゴリズムを、調べずに書ける状態まで戻します。本ページの頻出パターンの一覧を、チェックリストとして使ってください。
3本番と同じ時間制限で通し練習する
問題数と制限時間を本番に合わせて1回通します。時間内に何問まで到達できるかを把握しておくと、当日の着手順を決めやすくなります。
4判断の理由を書き残す習慣をつける
選んだ手法と落とした選択肢を、短いコメントかメモで残します。提出後の面接でそのまま説明材料になります。
5提出環境で一度実行する
依存関係・実行手順・提出形式を、本番と同じ条件で確認します。ここでの取りこぼしは実力と無関係にスコアを下げます。
6結果を記録して次に反映する
通過・不通過にかかわらず、詰まった箇所を記録します。フィードバックが得られる場合は内容を確認し、次の準備範囲を絞り込みます。
避けたいNG行動
直前に新しい分野へ手を広げる
残り期間が短い状態で未習の領域に着手すると、既に解けていた範囲の精度まで落ちます。直前は範囲を絞るほうが安定します。
解答数だけを積み上げる
問題数の多さは目標になりにくく、解き直しをしないと同じ形式で再び詰まります。解けたが時間がかかった問題を優先して復習します。
コードを動かすことだけを目的にする
提出後の面接で判断の理由を聞かれる形式では、動く実装だけでは会話が続きません。理由を残しながら進めます。
生成ツールの出力をそのまま提出する
利用可否は企業ごとに規定が異なります。許可されている場合でも、内容を説明できない状態での提出は、その後の面接で整合が取れなくなります。規定の確認を先に行ってください。
分からない箇所を黙ってやり過ごす
ライブコーディングでは沈黙が最も情報量の少ない状態になります。詰まっている箇所を言語化するほうが、進め方の評価につながります。
不合格の理由を推測で片づける
実際の不足箇所と違う対策に時間を使うことになります。確認できる範囲で理由を取りに行ってから、次の準備範囲を決めます。
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。
Q4.生成AIツールを使ってよいかは、どう確認すればよいですか？↓
A.企業ごとに規定が異なるため、募集要項や案内メールの注意書きを最初に確認してください。記載がない場合は、エージェント経由で問い合わせるのが確実です。利用が許可されている場合でも、提出したコードの内容を後の面接で説明できる状態にしておく必要があります。説明できないコードは、通過後の面接で整合が取れなくなるためです。
Q5.アルゴリズムと機械学習の実装、どちらを優先して対策すべきですか？↓
A.志望先の出題形式によって変わります。本ページのプラットフォーム別の整理にある通り、アルゴリズム中心の形式と、データ操作・機械学習中心の形式では準備の中身が変わります。形式が分からない段階では、データの集計・結合・整形といった共通して出やすい操作から手をつけると、どちらに転んでも無駄になりにくくなります。