AIエンジニアに未経験からなる方法｜5ステップと給付後の実額で選ぶ学習手段

「AIエンジニアに未経験からなれるのか」を調べると、必要なスキルや年収の話はすぐ出てきます。ただ、いざ学習手段を選ぶ段になると、独学とスクールのどちらが自分に合うのか、スクールに通うなら結局いくら払うのかが見えにくいままです。

この記事は、未経験から目指す前提で、仕事内容の整理から学習ロードマップ、必要スキルの量、そして教育訓練給付を使ったときに「実際にいくら払うか」という費用の考え方までを一本道で扱います。

定価の見かけではなく、給付を差し引いたあとの自己負担で学習手段を判断する。20代後半から異業種で目指す方を主な読者に置きつつ、年代や元の経験ごとに現実的な落としどころも正直に書いていきます。

AIエンジニアとは｜未経験がまず知るべき仕事内容の3タイプ

AIエンジニアという言葉は範囲が広く、人によって思い浮かべる仕事がかなり違います。未経験で目指すなら、まず自分が狙うのはどのタイプかを最初に決めることが、その後の学習設計をぶれさせないコツです。

大きく分けると、機械学習モデルを実装・運用する系統、データを分析して意思決定を支える系統、すでにある生成AIやAPIを組み込んでプロダクトを作る系統の3つに分かれます。

1つ目の機械学習エンジニア寄りのタイプは、学習データの前処理、モデルの設計と学習、精度評価、本番環境への組み込みまでを担当します。数学と機械学習の理解が最も深く問われ、未経験からは到達まで時間がかかる領域です。

2つ目のデータ分析・データサイエンス寄りのタイプは、SQLや統計を使ってデータから示唆を取り出し、レポートやダッシュボードに落とします。実装より分析設計と説明力が中心で、前職で数値を扱った経験が活きやすい入口です。

3つ目のAI活用・アプリ組み込み寄りのタイプは、生成AIのAPIや既製モデルを使ってアプリや業務ツールを開発します。Webアプリ開発の知識が土台になり、ここ数年で求人が増えた領域でもあります。

実際の求人では、これらが混ざった役割が多くを占めます。だからこそ未経験のうちは「AIエンジニア全部」ではなく、最初に手が届きやすいタイプを軸に学習し、隣の領域へ広げていく順番が現実的です。

3タイプは難易度も入口の広さも違います。実装が中心の機械学習寄りは前提知識が最も重く、未経験からの初年度では到達しにくい一方、AI活用寄りはWeb開発の延長で入りやすく、求人数も近年伸びています。

未経験がまず狙うべきは、自分の前職の強みが転用できるタイプです。数値やレポートを扱ってきた人は分析寄り、業務システムに触れてきた人は活用寄りといったように、ゼロから始める領域を一つでも減らせる入口を選ぶと、転職までの距離が縮みます。

混同しやすいのが「データエンジニア」との違いです。データエンジニアはデータを集めて整える基盤づくりが主で、モデルそのものを作る役割とは分かれます。求人ではこの2つが重なって書かれることもあるため、業務範囲の確認が欠かせません。

注意したいのは、求人票の「AIエンジニア」という肩書きだけで判断しないことです。実際の業務がデータ整備中心なのか、モデル開発まで踏み込むのかで、求められる前提知識が大きく変わります。応募前に業務内容を一行ずつ確認する習慣が、ミスマッチを防ぎます。

未経験でもなれる？──経験別・年代別のリアルな難易度

結論から言えば、未経験からAIエンジニアを目指すことは可能です。ただし「未経験」と一口に言っても出発点で難易度はまったく違います。ここを曖昧にしたまま年収だけ追うと、計画が崩れやすくなります。

編集部として正直に書くと、完全な異業種・知識ゼロからモデル開発職へ「短期・無料で」たどり着くのは現実的ではありません。半年から1年以上の継続学習を前提に置いたほうが、結果として遠回りになりません。

完全未経験（異業種・プログラミング経験なし）の場合、まずプログラミングそのものに慣れる段階が必要です。いきなり機械学習に入るより、Pythonの基礎とデータの扱いから固めるほうが挫折しにくく、最初の入口はデータ分析寄りや活用寄りの役割が現実的です。

IT経験あり（開発・インフラ等）の場合は、プログラミングと開発フローの土台がある分、機械学習やデータ処理の上乗せに集中できます。元の職種の知識を活かせる業界のAI案件に絞ると、転職時の説得力が出ます。

データ分析・数値業務の経験ありの場合は、統計やSQLの素地がある分、データサイエンス寄りの役割に最短で寄せやすい立ち位置です。実装力を足す方向で学習すると、強みがそのまま転用できます。

年代差も無視できません。20代は学習中の伸びしろとポテンシャル採用が効きやすく、未経験参入のハードルは相対的に低めです。30代以降は前職の専門性とAIを掛け合わせる方向、つまり「自分が詳しい業界の課題をAIで解く」筋立てが通りやすくなります。

採用側が未経験に何を見ているかも知っておくと、難易度の感覚が掴めます。多くの場合、即戦力のモデル開発力ではなく、基礎を自走で学べる力と、成果物に表れる思考プロセス、そして前職の経験をAIにどう橋渡しできるかが評価軸です。

逆に厳しくなりやすいのは、学習が概念の暗記に偏り、手を動かした証拠が乏しいケースです。資格は持っているが自分で作ったものがない、という状態は、未経験ほど不利に働きます。学びの過程を形に残すことが、難易度を下げる近道になります。

「やめとけ」と言われる背景には、独学の長期化や、求人の実態と肩書きのズレ、過度な短期成功イメージへの反動があります。裏を返せば、出発点を見極めて期間を現実的に置き、給付などで学習コストを抑えれば、過度に恐れる必要はありません。

未経験からAIエンジニアになる5ステップ・ロードマップ

学習の全体像を、未経験が迷子になりにくい順番で5段階に整理します。各段階の目安期間は「在職しながら週10〜15時間」を前提に置いています。学習時間が増えれば短縮できますが、無理な短期設定は挫折要因になりやすい点に注意してください。

ステップ1：プログラミングとPythonの基礎（目安1〜2ヶ月）。変数・制御構文・関数・データ構造を一通り書けるところまで。ここで「自分でコードを動かせる」感覚を持てるかが、後の継続を左右します。

ステップ2：データの扱いと数学の土台（目安1〜2ヶ月）。表形式データの集計・可視化に慣れ、線形代数と確率統計の必要最低限を並走で押さえます。数学は完璧を狙わず、機械学習の理屈を読める程度から始めるのが現実的です。

ステップ3：機械学習の基礎と小さな実装（目安2〜3ヶ月）。回帰・分類など代表的な手法を、用意されたデータで動かして結果を読む練習を重ねます。理論だけ追わず、手を動かして失敗から学ぶ比率を高くするのが近道です。

ステップ4：ポートフォリオ制作（目安1〜2ヶ月）。自分でテーマを決め、データ取得から前処理・モデル・結果説明までを一つの成果物にまとめます。未経験の選考では、この成果物が経歴の不足を補う最大の材料になります。

ステップ5：応募準備と転職活動（目安1〜2ヶ月）。職務経歴書に成果物と学習過程を言語化し、求人の業務内容を読み込んで応募先を絞ります。前職の経験とAIをどう橋渡しするかを語れると、書類の通過率が変わります。

ここでありがちな失敗が、ステップ2の数学に深入りしすぎて前に進めなくなることです。線形代数や統計は機械学習を理解するための道具であり、初学段階では「式の意味が読める」ところまでで一度切り上げ、実装で必要になったら戻る往復のほうが完走しやすくなります。

もう一つの落とし穴が、ステップ4のポートフォリオで世間にあるデータを使い回した課題をなぞって終わることです。題材は地味でも、自分で問いを立て、データの取得から結果の説明までを通した成果物のほうが、選考での説得力が格段に上がります。

全体では、在職しながらで半年から1年前後を見ておくと計画が安定します。ステップ3とステップ4は独学だと詰まりやすく、ここを誰かに相談できるかが完走率を分けます。スクールを使うかどうかの判断は、この2段階を一人で越えられそうかで考えると見極めやすくなります。

期間を縮めたいときは、学習時間を増やすか、つまずく段階だけ伴走を入れるかの二択です。在職中で時間を増やしにくいなら、ステップ3〜4に的を絞って支援を使い、それ以外は独学で進める折衷も有効な選択肢になります。

必要なスキルと学習時間の目安（Python/数学/機械学習/SQL/クラウド）

必要なスキルは多く見えますが、未経験のうちは全部を同時に完璧へ持っていく必要はありません。順番に厚みを足し、転職時点で「最低限の土台＋成果物で示せる得意分野」があれば十分戦えます。

Pythonは全タイプ共通の土台です。文法習得だけなら基礎は短期間で進みますが、データ処理ライブラリを実務的に使いこなす感覚が付くまでは、繰り返しの実装が要ります。学習時間の目安はおおむね数十〜100時間台から始まり、使い込むほど伸びていきます。

数学（線形代数・確率統計）は、機械学習の挙動を理解するための言語です。証明を解く力より、式が何を表しているかを読める力が実務では効きます。狙う役割が分析寄りなら統計の比重を、モデル開発寄りなら線形代数と最適化の比重を上げます。

機械学習・ディープラーニングは中核ですが、理論を網羅してから実装する順番だと止まりがちです。代表的な手法を動かして結果を解釈する経験を先に積み、必要に応じて理論へ戻る往復が継続のコツです。

SQLは地味ですが現場で日常的に使います。データ取得と集計を自力でできると、分析でも実装でも作業が一気に楽になります。学習コストは比較的低く、早い段階で押さえる価値が高いスキルです。

クラウドとMLの運用は、転職後に伸ばす前提で構いません。未経験の段階では、モデルを作って終わりではなく「使える状態にする」流れがあることを知っておくだけでも、面接での解像度が上がります。

狙う役割によって、スキルの優先順位は変わります。分析寄りならSQLと統計を先に厚くし、活用寄りならWeb開発とAPIの扱いを優先、モデル開発寄りなら機械学習と数学の比重を上げる、という具合に資源配分を決めると、限られた時間を無駄にしません。

独学で見落とされがちなのが、Gitなどのバージョン管理や、コードを読みやすく書く習慣です。実務では一人で完結する仕事はほとんどなく、こうした基本動作が選考でも地味に効きます。早い段階で身につけておくと、入職後のつまずきが減ります。

注意点として、学習時間の数字はあくまで目安です。前提知識・1日あたりの学習量・狙う役割で大きく動きます。重要なのは合計時間の達成より、止まらず手を動かし続ける仕組みを作ることです。

独学かスクールか｜費用と挫折リスクで決める

独学とスクールは、費用と挫折リスクのトレードオフで考えると判断しやすくなります。独学は金銭コストが低い代わりに時間と挫折のリスクが高く、スクールはその逆という関係が基本です。

独学が向く人は、自分で調べて手を動かす習慣があり、詰まっても問題を切り分けて進められるタイプです。費用を抑えられる一方、ロードマップのステップ3〜4で詰まったとき、相談相手がいないと長期化しやすい弱点があります。

スクールが向く人は、学習の順番を設計してもらいたい、質問できる相手が欲しい、転職支援も含めて伴走してほしいタイプです。費用はかかりますが、後述の教育訓練給付の対象講座を選べば、自己負担を抑えられる場合があります。

下の表は、独学とスクールの違いを費用・期間・挫折リスク・転職支援の観点で整理したものです。金額は学習手段の性質を示すための一般的な傾向で、特定の講座の価格ではありません。

独学の費用は、書籍やオンライン教材、クラウドの利用料が中心で、月単位の負担に抑えられます。一方で、つまずきの解決に時間がかかり、学習期間が延びるほど機会損失（転職時期の後ろ倒し）という見えにくいコストが積み上がります。安さだけで独学を選ぶと、この時間コストを見落としがちです。

スクールの費用は数十万円規模になることが多く、定価だけ見ると独学との差は大きく見えます。ただし後述の教育訓練給付の対象講座であれば、給付を差し引いたあとの自己負担で比べると、その差は縮みます。だからこそ、定価ではなく給付後の実額で比較する視点が重要になります。

判断の現実的な目安は、ロードマップのステップ3（機械学習の実装）を独学で越えられそうかどうかです。ここを一人で進める自信があるなら独学中心、不安が強いなら給付を前提にスクールを検討する、という分け方がぶれません。

もう一つの判断材料が、転職支援の必要性です。未経験の応募では書類と面接の準備が成否を分けるため、職務経歴書の添削や模擬面接まで含めて伴走してほしいなら、その支援が付く講座の価値は費用以上に大きくなります。学習だけでなく、出口まで含めて手段を選ぶのが現実的です。

教育訓練給付で「実際いくら払う？」給付後の実額で選ぶ

スクールを選ぶとき、定価の比較で止まってしまうのは惜しい判断です。本当に見るべきは、給付を差し引いたあとに自分がいくら払うかという実額です。ここを揃えると、見かけの安さに惑わされにくくなります。

教育訓練給付は、対象講座を受けて要件を満たすと、受講費用の一部がハローワークから支給される国の制度です。給付の区分は大きく3つあり、給付率と上限が異なります。以下は厚生労働省の公開情報に基づく2026年6月時点の整理で、制度は改正されるため最新と自分の対象可否はハローワーク等で確認してください。

専門実践教育訓練給付は最も還元が大きい区分ですが、受講中・修了時・就職後といった段階ごとに支給されるしくみで、いきなり全額が戻るわけではありません。また受講前の手続きやキャリアコンサルティングなど、満たすべき要件があります。

給付を受けるには、雇用保険の加入期間などの支給要件を満たし、受講する講座が厚生労働大臣の指定を受けていることが前提です。講座が対象かどうかは、厚生労働省の教育訓練講座検索システムで指定講座番号を確認できます。「このスクールは対象」と決めつけず、講座単位で確認してください。

給付後の実額の考え方はシンプルです。受講費用の定価から、対象区分の給付率に応じた支給額を差し引いた残りが、自分の自己負担になります。ただし給付率・上限・段階の適用は人によって変わるため、ここでは円単位の金額を出しません。

あなたの雇用保険加入期間や狙う講座区分で、自己負担は変わります。具体的な金額は、条件を入れて試算するのが確実です。

▶ あなたの給付後の実額を試算する（無料・30秒）

専門実践教育訓練給付の段階適用について、もう少し具体に触れておきます。受講中に費用の一部、修了して資格取得などの条件を満たすとさらに一部、そして修了後に一定期間内に就職するとさらに上乗せ、という段階で支給されるのが基本のしくみです（2026年6月時点・最新は要確認）。つまり「修了しただけ」では最大率に届かない点に注意が必要です。

申請の入口で見落とされやすいのが、受講開始前の手続きです。専門実践教育訓練給付では、受講前にキャリアコンサルティング（在職者・求職者の職業選択を専門家が支援する面談）を受けるなど、事前に済ませる手続きがあります。受講を始めてからでは間に合わない要件があるため、申し込み前に流れを確認しておくと安全です。

誰に向くかという視点では、専門実践は還元が大きい反面、要件が多く期間も長めの講座が対象になりがちです。短期で軽く学びたい人には一般や特定一般の対象講座が合うこともあり、給付率の高さだけで選ぶと、学習内容と目的がずれることがあります。

給付後の実額の考え方を踏まえると、講座選びの順番は「狙う役割に合う講座か→対象区分は何か→給付後の自己負担はいくらか」になります。最初に自己負担額から入ると、自分に合わない講座を価格だけで選んでしまうので、順番を逆にしないことが肝心です。

注意点として、給付額を「実質無料」「最大◯%オフ」といった見出しで判断しないことです。段階適用や上限、対象講座かどうかで結果は変わります。最終的な対象可否と金額は、ハローワークと各校・厚生労働省の一次情報で確かめるのが、損をしない進め方です。

未経験に役立つ資格（G検定/E資格/Python試験/統計検定）

資格は必須ではありませんが、未経験の学習に順番と到達点を与えてくれる道しるべとして役立ちます。資格そのものより、取得の過程で身につく基礎が転職時の土台になる、という位置づけで考えると無駄になりません。

G検定は、ディープラーニングの基礎知識を体系的に確認する検定です。実装より概念理解の比重が高く、AI領域の全体像を最初に掴みたい完全未経験の入口に向いています。

E資格は、ディープラーニングの理論と実装を問う、より踏み込んだ資格です。受験には認定プログラムの修了が前提になっており、モデル開発寄りを本気で狙う段階で検討するものと考えてください。

Python関連の試験は、言語とデータ分析ライブラリの基礎習熟を測るのに使えます。学習初期のチェックポイントとして、文法とデータ処理が身についたかの確認に向いています。

統計検定は、データ分析寄りを狙う人に相性が良い検定です。統計の理解は分析職の土台であり、級ごとに難易度が分かれているため、自分の段階に合わせて目標を置けます。

資格選びの注意点は、肩書きを増やすこと自体を目的にしないことです。狙う役割（実装寄りか分析寄りか）に合った1〜2個に絞り、学習の節目として使うほうが、限られた時間を有効に投資できます。なお、これらの資格対策講座の一部は教育訓練給付の対象になっている場合があるため、対象かどうかは講座単位で確認してください。

年収相場と将来性（年代別・職種別の出典付きレンジ）

年収は読者の関心が高い一方、レンジの幅が大きく一律には語れません。未経験入社の初年度と、経験を積んだあとの水準を分けて考えることが、過度な期待も過度な悲観も避けるコツです。

厚生労働省の職業情報提供サイト（job tag）では、ソフトウェア開発やデータサイエンス関連の職種について、賃金の統計的な目安が公開されています。実際の金額は企業規模・地域・スキルで動くため、こうした公的な統計のレンジを基準に見るのが安全です。

未経験入社の段階では、まず実務経験を積む期間と捉えるのが現実的です。ポテンシャル採用では初年度から高水準を狙うより、現場で経験を重ねて評価される過程を見込んでおくほうが、転職後のギャップが小さくなります。

年代別では、20代はポテンシャル採用の門戸が比較的広く、30代以降は前職の専門性との掛け合わせが評価につながりやすい傾向があります。自分の業界知識をAIで活かす方向は、年齢を強みに転換できる筋道です。

将来性については、データ活用やAI関連の需要は中長期で底堅いと見られていますが、求められるスキルは変化し続けます。一度学んで終わりではなく、入職後も学び続ける姿勢が前提になる領域だと理解しておくと、長く働けます。

年収の数字を見るときの注意点は、突出した好条件の例を平均と勘違いしないことです。公的統計のレンジを土台に、自分の経験年数と役割に当てはめて見積もるのが、堅実な判断につながります。

編集部の結論｜読者タイプ別にどう進めるか

ここまでの内容を、読者の状況別にまとめます。大事なのは「どのタイプを狙い、独学かスクールか、その費用を給付後の実額でどう見るか」を一続きで決めることです。

完全未経験で時間に余裕のある学生・若手の方は、まずPythonとデータ分析寄りの入口から独学で土台を作り、ステップ3〜4で詰まったら部分的に支援を入れる進め方が、費用を抑えつつ完走しやすい組み立てです。

在職中で転職を急ぎたい社会人の方は、学習の順番と転職支援をまとめて買う意味が大きく、給付対象講座を前提にスクールを検討する価値があります。定価ではなく給付後の実額で複数の選択肢を比べると、判断がぶれません。

30代以降で前職の専門性がある方は、ゼロから汎用的に学ぶより、自分の業界の課題をAIで解く方向に学習を寄せるのが現実的です。年齢を不利と決めつけず、経験との掛け合わせを軸に据えると、転職時の説得力につながります。

共通して言えるのは、年収だけを先に追わないことです。未経験の最初の一歩は実務経験を積む期間と捉え、学習コストは給付で抑え、出口（転職支援・成果物）まで含めて手段を選ぶ。この順番が、遠回りを防ぐいちばん確かな道です。

よくある質問

Q. 文系・非理系でもAIエンジニアになれますか？

A. なれます。数学は証明を解く力より、機械学習の挙動を読める程度から始められます。文系出身でデータ分析寄りやAI活用寄りから入り、必要な数学を学習しながら補う人は珍しくありません。最初から完璧な数学力を求めず、手を動かしながら必要な範囲を足していく進め方が現実的です。

Q. 独学だけでAIエンジニアになれますか？

A. 可能ですが、自走できる人向けです。ロードマップのステップ3〜4（機械学習の実装とポートフォリオ制作）で詰まったとき、相談相手がいないと長期化しやすいのが独学の弱点です。ここを一人で越えられそうかが、独学とスクールの分かれ目になります。

Q. 何から勉強を始めればいいですか？

A. まずPythonの基礎と、表形式データの集計・可視化から始めるのが定番です。いきなり機械学習や数学に入るより、コードを自分で動かせる感覚を先に作るほうが挫折しにくくなります。そのうえで統計や機械学習へ広げていく順番が安定します。

Q. 「やめとけ」と言われるのはなぜですか？

A. 独学の長期化、求人の業務内容と肩書きのズレ、短期で簡単に高年収という過度な期待への反動が背景にあります。逆に言えば、出発点を見極めて期間を現実的に置き、学習コストを抑えれば過度に恐れる必要はありません。期待値を正しく持つことが大切です。

Q. 在職中でも目指せますか？

A. 目指せます。週10〜15時間の学習を前提にすると、半年から1年前後を見ておくと計画が安定します。働きながらだからこそ、学習の順番を設計しやすいスクールや、給付対象講座の活用を検討する価値があります。

Q. 教育訓練給付はAI系のスクールでも使えますか？

A. 講座が厚生労働大臣の指定を受けていれば対象になり得ます。ただしスクール単位ではなく講座単位での指定であり、同じスクールでも対象の講座とそうでない講座があります。厚生労働省の教育訓練講座検索システムで指定講座番号を確認してください（2026年6月時点・最新は要確認）。

Q. 給付を使うと自己負担はいくらになりますか？

A. 給付区分（一般20%・特定一般40%・専門実践 最大80%）や雇用保険の加入期間、対象講座かどうかで変わるため、一律には言えません。受講費用の定価から区分に応じた支給額を差し引いた残りが自己負担になります。条件を入れた試算は給付後の実額シミュレーターでご確認ください。

Q. 30代・40代から未経験で目指すのは無謀ですか？

A. 無謀ではありませんが、進め方が変わります。20代のポテンシャル採用と違い、30代以降は前職の専門性とAIを掛け合わせる方向が通りやすくなります。自分が詳しい業界の課題をAIで解く筋立てにすると、年齢を強みに転換できます。

Q. ポートフォリオは必要ですか？

A. 未経験ほど重要です。経歴で示せる実務がない分、自分でテーマを決めてデータ取得から結果説明までをまとめた成果物が、学習の到達点を客観的に示す材料になります。完成度より、自分で考えて作り切ったプロセスが伝わるかが評価されます。

次の一歩

AIエンジニアを未経験から目指すなら、最初に決めるのは「どのタイプを狙うか」と「独学かスクールか」です。そして学習手段を選ぶとき、定価ではなく給付後の実額で比べると判断が揺れません。

対象講座の確認漏れや申請期限の見落としで損をしないために、まず自分の条件で実額を把握しておくことをおすすめします。条件を入れるだけで、給付を差し引いたあとの自己負担の目安が分かります。

▶ 給付後の実額をシミュレーターで確認する

参考・出典

本文の制度の数値・手続き、年収のレンジ、資格の概要は、以下の一次・公的情報および主催元の公開情報に基づいて確認しています（いずれも2026年6月時点・最新は各サイトでご確認ください）。

厚生労働省「教育訓練給付制度」 https://www.mhlw.go.jp/stf/seisakunitsuite/bunya/koyou_roudou/koyou/kyufukin/d01-1.html

厚生労働省「教育訓練講座検索システム（指定講座の検索）」 https://www.kyufu.mhlw.go.jp/

ハローワークインターネットサービス「教育訓練給付制度」 https://www.hellowork.mhlw.go.jp/insurance/insurance_education.html

厚生労働省「専門実践教育訓練給付金の案内」 https://www.mhlw.go.jp/stf/seisakunitsuite/bunya/koyou_roudou/koyou/kyufukin/d01-1_00001.html

厚生労働省「職業情報提供サイト（job tag）」 https://shigoto.mhlw.go.jp/User/

IPA 情報処理推進機構「情報処理技術者試験・情報処理安全確保支援士試験」 https://www.ipa.go.jp/shiken/

日本ディープラーニング協会（JDLA）「G検定・E資格」 https://www.jdla.org/certificate/

日本統計学会「統計検定」 https://www.toukei-kentei.jp/

一般社団法人Pythonエンジニア育成推進協会「Python試験」 https://www.pythonic-exam.com/

経済産業省「デジタル人材・リスキリング関連施策」 https://www.meti.go.jp/policy/economy/jinzai/digital_jinzai/index.html

※当編集部は各社の公開情報と厚生労働省など一次情報をもとに独自に整理・比較しています（検証日：2026年6月20日）。独自の星評価・満足度％・受講者数・口コミは掲載しません（捏造をしないため）。最終的な対象可否・金額はハローワーク等でご確認ください。掲載・選定方針 ›