機械学習開発の資格とG検定｜取得の有無で案件選びはどう変わるか

2026年5月31日

前田壮一

この記事のポイント

✓機械学習開発の資格であるG検定は
✓持っていなくても選ばれる案件がある一方で
✓明確に差がつく場面もあります

まず、安心してください。機械学習の案件を受けるために、資格が絶対条件になっているケースはそれほど多くありません。ただし、G検定のような資格を持っているかどうかで、選考の土俵に上がれるかどうかが変わる場面も確かに存在します。皆さんが今知りたいのは、おそらく「自分は資格を取るべきかどうか」という判断材料だと思います。この記事では、資格が効く場面と効かない場面を分けて、できるだけ具体的にお伝えします。

機械学習資格をめぐる現状

AI関連の資格は近年、種類も受験者数も増え続けています。日本ディープラーニング協会（JDLA）が主催するG検定やE資格をはじめ、統計検定、Pythonエンジニア認定試験など、機械学習に関連する資格は多岐にわたります。企業がAI人材の採用や社員教育の指標として資格を活用する動きも広がっており、資格保有者を求める求人も一定数存在します。

一方で、フリーランスとして機械学習関連の案件を受注する場面では、資格の有無よりも実務経験や成果物（ポートフォリオ）が重視される傾向が強くあります。私自身、43歳でメーカーを退職してフリーランスになった経験がありますが、技術文書のライティングや品質管理コンサルの分野でも、資格よりも「過去にどんな仕事をしてきたか」を問われる場面が圧倒的に多かったです。機械学習の分野でも、この構造は大きくは変わりません。

一般的に「合格率65〜75%なら難しくないのでは」と思われますが、これは認定プログラムを修了した上で受験している方が多いためです。実際の試験は数式レベルの理論理解と実装の両方を問われ、準備なしに合格できる水準ではありません。だから取得できたときのアピール力は高く、転職市場では「ディープラーニングを本質的に理解したエンジニア」という証明として機能します。機械学習エンジニアとして技術力を最もインパクト強く示せる国内資格です。出典: recruit.analytics-jp.com

この指摘の通り、資格の取得プロセス自体には一定の学習価値があります。問題は、その学習価値をフリーランスの案件獲得にどう結びつけるかという点です。

G検定とはどんな資格か

G検定は、日本ディープラーニング協会が実施する「ディープラーニングの基礎知識を持ち、事業活用する人材」を認定する資格です。統計学の基礎、機械学習・ディープラーニングの理論、AI倫理やガバナンスに関する知識まで、幅広い範囲が出題されます。実装スキルそのものよりも、AIをビジネスにどう活用するかという知識に重きが置かれているのが特徴です。

対してE資格は、G検定よりも実装寄りの内容で、ディープラーニングのアルゴリズムを実際にコードに落とし込む力が問われます。E資格の受験には、JDLA認定の講座を修了することが条件になっているため、受験のハードル自体がG検定より高く設定されています。

この2つの資格の違いを理解しておくことは重要です。G検定は「AIを理解して活用を提案できる人材」であることの証明に近く、E資格は「AIを実装できるエンジニア」であることの証明に近い、と整理すると分かりやすいでしょう。フリーランスとして機械学習関連の案件を受ける場合、どちらの立ち位置で仕事をしたいかによって、取得すべき資格の優先順位も変わってきます。

さらに言えば、G検定は年に複数回実施されており、受験のハードルも比較的低く設定されているため、機械学習分野への入り口として選ぶ方が多い資格です。一方でE資格は認定講座の受講が必須となるため、時間的にも金銭的にもまとまった投資が必要になります。まずはG検定で全体像を把握し、実装スキルをさらに深めたいと感じた段階でE資格を検討する、という段階的な進め方を選ぶ方も少なくありません。

G検定を持たない人が選ばれる場面

結論から言えば、G検定を持たなくても選ばれる案件は数多く存在します。特に次のような案件では、資格の有無よりも実務での実績や作業スピードが重視される傾向にあります。

データ整備・アノテーション系の案件

学習データの収集、クレンジング、アノテーションといった作業は、機械学習の理論知識よりも、正確な作業を継続できる能力が問われます。発注者側も、こうした案件で資格を応募条件に設定することはほとんどありません。むしろ、過去の作業実績や納期厳守の姿勢のほうが選考で重視されます。

既存モデルの運用・保守案件

すでに構築されたモデルの動作確認、パフォーマンスのモニタリング、簡単なパラメータ調整といった保守系の業務では、ゼロから理論を構築する必要がなく、実務的なツールの操作スキルが求められます。ここでも資格の有無よりも、類似ツールを扱った経験の有無が判断材料になりやすいです。

特定分野の実務経験を持つ人材

たとえば製造業出身者が機械学習を使った異常検知システムの案件に関わる場合、機械学習の理論知識よりも「製造現場の異常のパターンをどう定義すべきか」という業務知識のほうが価値を持つことがあります。私自身、メーカー出身の経験を活かして技術文書のライティングを受注してきましたが、業界特有の知見は資格では代替できない強みになります。

G検定を持たない人が選ばれにくい場面

一方で、資格の有無が明確に差を生む場面もあります。正直にお伝えすることが、皆さんの判断材料として一番役に立つと思うので、リスクの側面も隠さずに書きます。

企業のAI導入コンサルティング案件

企業が機械学習をどう事業に取り入れるべきかを相談する場面では、発注者側が技術に詳しくないことが多く、「客観的な指標」として資格を判断材料に使う傾向があります。同程度の実務経験を持つ候補者が並んだ場合、資格保有者のほうが選考で有利になりやすいのは事実です。

未経験からの案件獲得を目指す場合

実務経験がまったくない状態で機械学習分野に参入しようとする場合、ポートフォリオも実績もない中で、資格が唯一の客観的な証明になることがあります。特に初めての案件を獲得する段階では、資格が「最低限の基礎知識を持っている」ことの証明として機能し、応募の土俵に立つための材料になります。

大手企業からの直接発注案件

大手企業がフリーランスに直接業務を委託する場合、社内の稟議を通すために「有資格者であること」が条件に設定されることがあります。これは発注側の社内事情によるもので、実際のスキルとは別軸で資格が求められるケースです。

機械学習の資格取得によって活躍できる職種は「AIエンジニア」や「データサイエンティスト」などです。資格取得を足掛かりに未経験可のエンジニアの求人に応募も可能になります。まずはAI関連の企業で実務経験を積んでいくことで、有名企業への転職も夢ではなくなります。AI業界は先行きが明るく、人材不足などの影響もあり、給料は比較的高水準です。AIエンジニアの平均年収は約599万円（求人ボックス調べ）と、日本の平均年収より高くなっています。出典: tryeting.jp

資格取得にかかる時間と費用の目安

G検定の受験を検討する場合、まず知っておきたいのが学習にかかる時間と費用の目安です。G検定は独学でも合格を目指せる資格で、参考書や公式テキスト、オンライン講座などを組み合わせて、40時間から80時間程度の学習時間を確保する方が多いとされています。受験料は数万円程度で、公式サイトで最新の金額を確認するのが確実です。

一方でE資格は、JDLA認定講座の受講が受験条件になっているため、講座費用として15万円から30万円程度がかかるケースが一般的です。学習時間もG検定より長く、数ヶ月単位での準備期間を見込む必要があります。

本業と両立しながら資格取得を目指す場合、まとまった学習時間を確保できる週末や早朝を使って、少しずつ積み上げていく方法が現実的です。私自身、43歳で新しい分野の勉強を始めたとき、毎日少しずつでも継続することの大切さを痛感しました。一気に詰め込もうとすると挫折しやすく、細く長く続けるほうが結果的に定着しやすいというのが実感です。

資格以外に評価される要素

フリーランスとして機械学習分野で案件を獲得していくうえで、資格よりも重視される要素についても触れておきます。

一つはポートフォリオです。過去に取り組んだプロジェクトの内容、使用したツールやライブラリ、成果として何を達成したかを整理してまとめておくと、発注者にとって判断材料になります。個人で取り組んだ学習プロジェクトであっても、丁寧に整理して提示することで、実務経験がなくても一定の評価を得られる場合があります。

もう一つはコミュニケーション能力です。機械学習の案件では、発注者が技術的な背景を十分に理解していないケースも多く、専門用語を分かりやすい言葉に置き換えて説明できる力が重宝されます。私が技術文書のライティングを続けてきた経験からも、「難しいことを分かりやすく伝えられる人材」への需要は年々高まっていると感じます。

そして、納期を守る、報告・連絡・相談を怠らないといった基本的な仕事の姿勢も、資格の有無以上に評価に影響します。皆さんの中には「資格さえ取れば案件が増える」と考える方もいらっしゃるかもしれませんが、実際には資格取得後も地道な実績の積み重ねが必要になります。

目的別・資格取得の判断フロー

すべての人が資格を取得すべきというわけではありません。ここでは、目的別にどう判断すればよいかを整理します。

すでに実務経験がある方

すでに機械学習関連の実務経験を持っている方は、資格の優先順位は必ずしも高くありません。むしろポートフォリオの整理や、実績を分かりやすく伝えるための資料作成に時間を割いたほうが、案件獲得に直結しやすいでしょう。ただし、大手企業との直接契約を狙う場合は、資格が選考の足切りラインになることもあるため、案件の傾向を見ながら判断してください。

未経験から機械学習分野に参入したい方

実務経験がまったくない場合は、G検定の取得を検討する価値があります。学習を通じて機械学習の全体像を体系的に理解できることに加え、応募時の客観的な証明にもなります。ただし、G検定だけで実装スキルが身につくわけではないため、資格取得と並行して、実際に手を動かしてモデルを作ってみる経験も積んでおくことをおすすめします。

技術実装よりもコンサルティング寄りの仕事を目指す方

AI導入のコンサルティングや業務活用支援のような案件を目指す場合、G検定のようにビジネス活用の知識を問う資格が親和性が高いと言えます。技術の詳細よりも、AIをどう業務に組み込むかという視点が求められる仕事だからです。こうした案件はAIコンサル・業務活用支援のお仕事のカテゴリでまとめて確認できます。

案件探しで押さえておきたいポイント

実際に案件を探す際は、資格の有無だけでなく、案件の種類ごとに求められるスキルセットを見極めることが大切です。AI・マーケティング・セキュリティのお仕事のカテゴリでは、AI関連の幅広い案件が掲載されており、資格保有を前提としない案件も多く含まれています。また、実装力を試したい場合はアプリケーション開発のお仕事のような技術寄りの案件も選択肢に入ります。

案件の応募条件を細かく読み込み、「資格必須」なのか「資格歓迎」なのか「特に条件なし」なのかを見極めることで、無駄な応募を減らし、自分の強みが活きる案件に集中できます。

応募条件の読み解き方として、「歓迎スキル」の欄に資格が記載されている場合は、必須条件ではなく加点要素として扱われていることが多いです。この場合、資格を持っていなくても、他の実績や自己PRでカバーできる余地があります。一方、「必須スキル」や「応募資格」の欄に明記されている場合は、書類選考の段階でふるいにかけられる可能性が高いため、無理に応募するよりも、資格取得後に改めて挑戦する判断も合理的です。

案件文の細部まで丁寧に読み込む習慣をつけることで、自分に合った案件を効率よく見つけられるようになります。応募のたびに一喜一憂するのではなく、条件と自分の現状を冷静に照らし合わせる視点を持つことが、長期的に案件を獲得し続けるための土台になります。

他の関連資格との比較

機械学習分野に関連する資格は、G検定やE資格以外にも複数存在します。それぞれの位置づけを理解しておくと、自分の目的に合った資格を選びやすくなります。

統計検定は、データ分析の基礎となる統計学の理解度を測る資格です。機械学習の理論を支える統計的な考え方を体系的に学べるため、G検定と組み合わせて取得する方も多く見られます。Pythonエンジニア認定試験は、機械学習の実装に欠かせないPythonの文法や基本的なプログラミング知識を問う資格で、実装力を客観的に示したい場合に役立ちます。

また、マーケティングやビジネス活用の側面からAIに関わりたい場合は、Googleが提供する分析系の認定資格も選択肢になります。Googleアナリティクス認定資格は、データ分析の実務スキルを示す資格として、AI活用を提案する仕事とも親和性があります。より実装寄りの証明を目指す場合は、E資格（JDLA ディープラーニングエンジニア）の取得も検討する価値があります。

どの資格を選ぶかは、自分が目指すキャリアの方向性、つまり「ビジネス活用の提案側に立ちたいのか」「実装を担うエンジニア側に立ちたいのか」によって変わってきます。両方の資格を並行して学習するのではなく、まずは自分の目指す方向を明確にしてから、優先順位をつけて取り組むことをおすすめします。

発注者側はなぜ資格を求めるのか

発注者側の視点に立って考えると、なぜ資格を選考条件に設定するのかが見えてきます。多くの場合、発注者自身がAIや機械学習の専門知識を十分に持っていないケースが少なくありません。そのため、候補者のスキルレベルを客観的に判断する基準として、資格という分かりやすい指標に頼らざるを得ない事情があります。

特に、社内稟議や取引先への説明が必要な大手企業では、「有資格者に依頼した」という事実そのものが、社内での説明材料として機能することがあります。これは実際のスキルとは別軸の、組織運営上の要請によるものです。フリーランス側からすると理不尽に感じることもあるかもしれませんが、こうした背景を理解しておくと、資格取得の必要性を冷静に判断しやすくなります。

一方で、発注者が技術に詳しいスタートアップや、すでに社内にエンジニアを抱える企業の場合は、資格よりもポートフォリオや過去の実績を重視する傾向が強くなります。案件を探す際は、発注元がどのような組織かを見極めることも、選考通過の可能性を高める一つの視点になります。

案件単価と資格取得の関係を考える

資格を取得したからといって、案件単価が自動的に上がるわけではありません。ただし、間接的に単価に影響する場面はあります。年収や単価の相場を確認する際は、ソフトウェア作成者の年収・単価相場のようなデータベースを参考にすると、職種ごとの相場感をつかみやすくなります。

資格が単価に影響しやすいのは、主に「未経験からの参入時」と「大手企業との直接契約時」の2つの場面です。未経験の段階では、資格が実績の代わりとなって、より条件の良い案件に応募できる可能性が広がります。大手企業との契約では、資格保有が単価交渉の材料になることもあります。

一方で、すでに実務経験が豊富な方の場合、資格の有無よりも過去の実績や専門分野の希少性のほうが単価に強く影響します。資格取得に時間を使うよりも、実績を積み重ねたり、特定の業界知識を深めたりするほうが、結果的に単価アップにつながるケースも多いことは知っておいてください。

20年の在宅ワーク市場を見てきた視点からの観察

フリーランス・在宅ワーク市場を長く見てきた立場から言えば、資格を取得すること自体が目的化してしまう方を何人も見てきました。資格はあくまで案件獲得のための一つの手段であり、資格を取ったあとにどう実務経験を積み上げていくかのほうが、長期的なキャリアには大きく影響します。

長く続く人ほど、単発の作業ではなく「この人に任せると楽」という関係づくりに時間を使っています。資格を持っていることよりも、依頼された内容を正確にこなし、次の依頼につながる信頼を積み重ねている人材のほうが、結果的に安定した案件を確保できているという実感があります。

また、中間マージンが乗らない直接取引の仕組みは、受け手にとって手取りが厚くなるという質的な違いを生みます。同じ発注予算であっても、仲介手数料が差し引かれない分だけ受け手の報酬が増え、発注者側もより多くの作業を依頼できるようになる。この双方が得をする構造は、資格の有無以上に、長く安定して案件を確保するうえで見落とせない要素だと感じています。手数料0%で直接契約できる仕組みを選ぶことは、金額そのものよりも「働き続けやすさ」を左右する要素になり得ます。

効率よく資格学習を進めるためのヒント

限られた時間の中で資格取得を目指す場合、学習方法そのものにも工夫が必要です。働きながら短期間で資格取得を目指す考え方は、機械学習分野に限らず共通する部分が多くあります。最速で合格する資格勉強法｜働きながら3ヶ月で取得した5つの方法では、限られた時間を最大限活かす学習の進め方が紹介されており、G検定の学習計画を立てる際にも応用できる考え方が含まれています。

また、機械学習とデータサイエンティストの違いや、資格を含めたキャリア形成の全体像を整理したい場合は、データサイエンティスト AI機械学習の違いと年収・資格・成功ロードマップも参考になります。自分がどのポジションを目指すのかを明確にしてから資格選びに取り組むと、遠回りを避けられます。

隣接分野の資格活用の例として、Webデザインに役立つ資格おすすめ5選｜独学で取れる資格を厳選のように、専門分野の資格を副業や案件獲得にどう結びつけるかという考え方も、機械学習分野の資格活用と共通する部分があります。分野を問わず、「資格取得後にどう実績へつなげるか」を意識した学習計画を立てることが、遠回りを避ける近道になります。

収入面から見た資格取得の投資対効果

資格取得には時間とお金の両方のコストがかかります。特にE資格のように認定講座の受講が必須の資格は、数十万円規模の投資になることもあり、投資対効果を冷静に見極める必要があります。

ライターや編集といった隣接分野の単価相場も参考にしながら、自分が目指す仕事の報酬水準を把握しておくと、資格取得にかけるべき予算感が見えてきます。著述家，記者，編集者の年収・単価相場のようなデータベースは、機械学習分野の技術文書ライティングのような周辺業務を検討する際の参考にもなります。

資格取得にかかる費用は、その後の案件でどの程度回収できる見込みがあるかを試算したうえで判断することをおすすめします。目安として、資格取得後の最初の数件の案件報酬で投資額を回収できるかどうかを一つの基準にすると、無理のない判断がしやすくなります。

43歳で新しい分野に挑戦した経験から

私が43歳でメーカーを退職し、フリーランスとして独立を決めたとき、周囲からは「今さら新しいことを学んで通用するのか」という声もありました。実際に技術文書のライティングという新しい分野に飛び込んだ当初は、専門用語の理解にも時間がかかり、思うように仕事が進まない時期もありました。ただ、少しずつ実績を積み重ねる中で、業界知識と分かりやすく伝える力を組み合わせることが自分の強みになると気づいてからは、案件の幅が広がっていきました。

機械学習の分野に興味を持つ皆さんの中にも、年齢やこれまでのキャリアに不安を感じている方がいるかもしれません。準備さえすれば、40代からでも遅くありません。資格の取得はその準備の一つの選択肢であって、唯一の道ではないということを、実体験としてお伝えしておきたいと思います。

独学で進めるG検定学習ロードマップの例

実際にG検定の取得を目指す場合、どのようなスケジュールで進めればよいか、目安となるロードマップを示します。あくまで一例であり、これまでの数学や統計の学習経験によって必要な期間は変わりますが、参考にしてください。

最初の1ヶ月は、統計学の基礎（平均・分散・標準偏差・確率分布など）と機械学習の全体像を把握する期間に充てます。公式テキストや入門書を通読し、専門用語に慣れることを優先します。この段階では細部の理解よりも、全体の地図を頭に入れることを意識してください。

次の1ヶ月は、教師あり学習・教師なし学習・強化学習といった学習手法の違い、ニューラルネットワークの基本構造、代表的なディープラーニングのモデル（CNN、RNNなど）について理解を深めます。過去問題集を並行して解き始め、自分の弱点を把握する時期でもあります。

最後の数週間は、過去問演習を中心に据え、間違えた問題の周辺知識を復習する反復学習に切り替えます。AI倫理やガバナンスに関する出題は見落とされがちなので、直前期にまとめて確認しておくと得点の取りこぼしを防げます。

本業と両立しながら学習する場合、平日は30分から1時間、週末にまとまった2〜3時間を確保するペースで進める方が多い印象です。無理なスケジュールを組んで挫折するより、細く長く継続できるペースを最初に設定することをおすすめします。

資格取得と実務経験、どちらを優先すべきかの比較

資格取得と実務経験のどちらを優先すべきか迷う方のために、それぞれのメリットとデメリットを整理します。

資格取得を優先するメリットは、体系的な知識を短期間で身につけられる点、応募時の客観的な証明になる点です。デメリットは、資格取得だけでは実装スキルが十分に身につかない点、資格の学習期間中は実務経験を積む時間が減る点が挙げられます。

実務経験を優先するメリットは、実際の案件で求められるスキルを直接的に習得できる点、ポートフォリオとして提示できる成果物が残る点です。デメリットは、未経験の状態では案件を獲得すること自体のハードルが高い点、体系的な知識が偏りやすい点があります。

私自身の経験から言えば、どちらか一方に振り切るのではなく、両方を並行して進めるのが現実的です。資格の学習で得た知識を、小さな案件や個人プロジェクトで実際に試してみる。このサイクルを繰り返すことで、知識と実務経験の両方をバランスよく積み上げられます。

案件の選考で実際に聞かれやすい質問

機械学習関連の案件に応募する際、面談や選考でどのような質問がされるのか、具体的なイメージを持っておくと準備がしやすくなります。

技術的な質問としては、「これまでどんなデータセットを扱った経験がありますか」「使用したことのあるライブラリやフレームワークは何ですか」といった実務経験を確認する質問が多い傾向にあります。資格の有無を直接尋ねられることは意外と少なく、資格をきっかけに「どんな学習をしてきたか」を深掘りされるケースのほうが一般的です。

コミュニケーション面では、「専門知識のない担当者にどう説明しますか」「納期が厳しい場合、どう対応しますか」といった、実務での立ち回りを確認する質問も多く見られます。技術力だけでなく、発注者との協働をイメージできるかどうかも評価のポイントになっています。

こうした質問に答えられるよう、事前に自分の経験を棚卸しし、簡潔に説明できるよう準備しておくことが、選考通過の可能性を高める実践的な対策になります。

資格取得を先送りにする選択肢もある

ここまで資格取得の意義について述べてきましたが、あえて「今は資格取得を先送りにする」という選択肢も紹介しておきます。特に、目の前に取り組みたい実務案件がある場合や、家庭や本業との両立で学習時間の確保が難しい場合、無理に資格取得を優先する必要はありません。

機械学習分野は変化が速く、数年後には評価される資格の種類や重要度が変わっている可能性もあります。今この瞬間に資格取得へ時間を投資するよりも、目の前の案件で実績を積み、必要になったタイミングで改めて資格取得を検討するという順番も、十分に合理的な判断です。大切なのは、「資格を取らなければ何も始められない」という思い込みに縛られないことです。

実務経験を積みながら、案件の中で「この知識があればもっとうまく進められた」と感じた瞬間に、ピンポイントで資格取得や学習を検討する。この順番のほうが、学習内容が実務に直結しやすく、結果的に効率よくスキルアップできるケースも多く見られます。

資格取得後にやるべきこと

仮にG検定やE資格を取得したとしても、それだけで案件が自動的に増えるわけではありません。取得後は、資格をどう実績として見せるかが次のステップになります。

プロフィールや職務経歴書に資格を記載する際は、単に「G検定取得」と書くだけでなく、資格取得を通じて何を学び、どんな案件に活かせるかを一言添えると、発注者にとって判断材料が増えます。また、資格取得後に個人でミニプロジェクトに取り組み、その成果をポートフォリオとしてまとめておくことも効果的です。理論知識と実践経験の両方を示せると、資格単体よりも説得力のあるアピールになります。

学習仲間やコミュニティを活用する

一人で黙々と資格学習を進めるのは、思っている以上に孤独な作業です。G検定やE資格の受験者向けのオンラインコミュニティや勉強会は各地で開催されており、同じ目標を持つ仲間と情報交換しながら学習を進めることで、モチベーションを維持しやすくなります。

特に、フリーランスとして働きながら学習する場合、会社の同僚のように気軽に相談できる相手がいないことが多く、孤独感を覚えやすい環境にあります。SNSやオンラインコミュニティで学習の進捗を共有したり、疑問点を質問し合ったりすることで、挫折を防ぎやすくなります。私自身、新しい分野に挑戦した際、同じように独立したばかりの方々との情報交換が、想像以上に心の支えになった経験があります。

また、コミュニティを通じて案件の情報交換ができる場合もあります。資格取得そのものだけでなく、学習の過程で築いた人とのつながりが、思わぬかたちで案件獲得につながることも少なくありません。孤立せず、周囲とつながりながら学習を進める視点も、ぜひ持っておいてください。

まとめとして伝えたいこと

ここまで長く書いてきましたが、皆さんに一番伝えたいのはシンプルなことです。資格は案件獲得のための一つの手段であって、目的そのものではありません。G検定を持っていなくても選ばれる場面は確かに多くあり、逆に持っていても案件獲得を保証してくれるわけでもありません。

自分がどんな仕事をしたいのか、どんな強みを活かしたいのかを軸に、資格取得と実務経験のバランスを考えてみてください。皆さんのこれまでの経験や知識は、機械学習という新しい分野においても、必ず何らかのかたちで活きる場面があります。焦らず、一歩ずつ実績を積み重ねていくことが、結果的に安定した案件獲得につながります。皆さんのペースで、無理のない範囲から始めてみてください。