인프런 - 라이프타임 커리어 플랫폼

ディープラーニング次世代革新技術の一つである物理情報ニューラルネットワークを勉強し、Pytorchを利用して直接実装を行う講義です。 人工知能の次世代革新技術を私と一緒に学びましょう！

最近、人工知能分野の驚くべき成果は、すべて強化学習分野で発表されています。 ロボット、自律走行技術、人間に似た機械など、真の人工知能技術の革新を遂げている強化学習技術を初心者の視線で分かりやすく基礎から高級レベルまで取り上げました。

直感的で Pythonic な PyTorch を通じて、ディープラーニングモデルを直接構築する方法を学習します。最新の PyTorch バージョンを反映しました。

AIを研究したり、それを活用してプロジェクトを進める場合、基本的な論文の実装は必須です。この講義を通じて実際の論文を実施し、実務能力をアップグレードしましょう！

AI分野で活用度が非常に高いディープラーニングフレームワークであるPytorchを利用して、様々な人工神経網を実装する講義です。

講師が初めてディープラーニングを習得した際に失敗した経験に基づき、ディープラーニング理解に必要な数学、理論、PyTorchベースの実装、転移学習、GPTの核となるTransformerまで、順を追って習得できるよう、新たに構成された講義です。

6日間1日3時間投資することで、Pytochを使ったディープラーニングの基礎を学ぶことができます。さあ、始めましょうか？

ディープラーニング 現業に携わるために必要なディープラーニングの「核心概念」を学び、PyTorchを活用した実習を通じて実際のディープラーニングプロジェクトを遂行するのに必要な実務を教えてくれる講義です。

Multi Head Attentionから始まり、Original Transformerモデル、BERT、Encoder-DecoderベースのMarianMT翻訳モデル、Vision Transformerまで、コードで直接実装しながらTransformerについて隅々まで学ぶことができます。

『ゼロから作って学ぶLLM』（ギルボット、2025）のGitHubノートブックとボーナスコンテンツを扱う講義です。GitHub: https://github.com/rickiepark/llm-from-scratch/ 『ゼロから作って学ぶLLM』は、セバスチャン・ラシュカ（Sebastian Raschka）が書いたベストセラー『Build a Large Language Model (from Scratch)』（Manning、2024）の翻訳書です。この本は、OpenAIが作ったGPT-2モデルをゼロから始めて完全なモデルを作ってみながら、大規模言語モデルの動作原理を学び活用する方法を提供します。

ディープラーニング・CNNの核心理論から多様なCNNモデルの実装方法、実践問題を通じた実務ディープラーニング開発のノウハウまで、 PytorchベースのディープラーニングCNN技術の専門家として生まれ変わりたいなら、この講義をご一緒ください:)

<大規模言語モデル、核心だけ素早く!>(インサイト、2025)を基にしたLLMの理論と実戦例題を扱う講義です。

この講義では、生成型人工知能モデルの中でもDiffusionモデルに関連する実習を行います。代表的なDiffusionモデル応用論文であるprompt-to-prompt論文を一緒に読んで実装することで、最新の人工知能論文を理解する能力を養うことができることを期待しています。

最新のTransformerベースのPixArtと軽量適応化SANAを理論からコードまで段階的に実装します。I・II編で扱ったDDPM・DDIM・LDM・DiTを基に、テキストエンコーダ接続、サンプラー(DDIM/ODE)、v-予測/CFGチューニング、小規模データスタイル微調整まで実習中心で完走します。

GAN(Generative Adversarial Networks)について、わかりやすく正確に学びます。

この講義は、ディープラーニングを活用した画像と物体認識の原理を基礎から最新モデルまで段階的に学ぶ過程です。 - 基礎固め：PyTorchでテンソルとニューラルネットワークの基本構造理解 - 画像理解：コンピュータビジョンの概念、画像データ構造、Augmentation技法学習 - CNNモデル学習：畳み込みニューラルネットワーク（CNN）で画像分類実習（CIFAR-10など） - Transfer Learning：既存の学習済みモデルを活用して少ないデータで高速学習 - Object Detection：R-CNN、YOLO、SSD、DETRなど最新物体検出モデル理解及び実習 - Segmentation：U-Net、Mask R-CNNによるピクセル単位物体分割体験

Gradient-based Linear Regression (1)で直接実装したコードを、PyTorchの機能を利用して実践的なコードとして実装する方法を学ぶ講義です。また、データ前処理の必要性、理論、学習に与える影響を理論的に学び、実践的なコードで実装する講義です。

ディープラーニングの最も核心的な学習アルゴリズムであるgradient descentを集中的に学習する講義です。

この講義は「タイタニックに私が乗っていたら果たして生き残ることができただろうか？」という質問から出発し、実際のデータに基づいて生存確率を予測するAIモデルを開発し、これをWebでサービス化するフルスタックプロジェクトを完成させます。PyTorchを利用したディープラーニングモデリング、FastAPIでバックエンドサーバー構築、Next.jsでユーザーインターフェース実装に至るまで、AIとWeb開発の全過程を実習することになります。

🧩 複雑な数式や理論中心の説明よりも、 実際にプログラムを実装しながら推薦システムの核心概念を習得することを目標としています。 🛠️ 全12個の多様で実践的な例題を通して、コンテンツベース推薦、協調フィルタリング、ディープラーニング推薦など 実際の環境で活用できる推薦システムを段階的に設計しました。