本当の初心者のためのディープラーニング

実習よりも理論と文脈に重点を置き、ディープラーニングを深く整理して全体像を把握したい方に役立つ講義です。ディープラーニングの根幹となる数学的・統計的背景を分かりやすく理解できるほか、AutoEncoder、GAN、Transformer、AlphaGoといった現代の主要モデルの原理を、開発者の視点から直感的に解説します。

香港と期待キム・ソンフン教授の＆quot;すべてのためのディープラーニング＆quot;コースの2番目のシーズンで＆＃x27;強化学習＆＃x27;について学びましょう。

機械学習&ディープラーニングの基礎から確実に！ Pythonに分類/回帰/クラスター/人工ニューラルネットワークの作成と活用まで

初の国家公認AI資格試験、短期合格を目指そう！ 講師自らが試験を受けて再構成した実戦問題の解説3回分とコードテンプレートを提供します。

ベクトルと行列の意味を図で確認し、小さな例題で実際に計算する線形代数学の講義です。線形回帰・PCA・SVD・テンソル・アテンションで使われる数学を段階的に扱います。プログラミングの知識は必要ありません。

Excelでディープラーニングフレームワークを直接実装しよう！ 実装したフレームワークで指導学習/非指導学習/強化学習を解こう！

この講義は、LDM（Latent Diffusion Model）からDiT（Diffusion Transformer）まで、生成AIの核心技術発展を完全解剖する実戦型マスタークラスです。 LDMの潜在空間ベース学習原理とStable Diffusionの構造、そして最新のDiffusion Transformerの実装方式を論文とコードで直接分析します。 受講生はPyTorchベースでLDM、CFG（Classifier-Free Guidance）、DiTモデルを直接実装し、生成モデルの最新トレンドと構造的進化を体系的に習得します。

ニューラルネットワークをFPGAに実装する――言葉としては聞き慣れていますが、実際に成し遂げた人は多くありません。 キャップストーンプロジェクトやコンテスト、卒業制作で一歩先を目指すなら、モデルを学習させるだけでなく、その演算が実際のチップ上でどのように動くのかを自分で作り、証明できなければなりません。この講座はまさにその部分、理論と実物のハードウェアとの隔たりを越えるためのものです。 実際の人の手書き文字で構成されたMNIST数字を認識するニューラルネットワークアクセラレータ（NPU）を、仕様の読み解きから、Pythonゴールデンモデル、Machine Learning学習、Verilog RTL設計、FPGA検証まで、最初から最後まで自分の手で完成させます。ラインバッファと並列MACで構成するConv層、ReLU・MaxPool・Flattenを経て、全結合層とArgmaxまで――9つのブロックを1つのチップに統合し、"Pythonの正解データとハードウェアの出力が1ビットも異ならない（Bit-True）"ことを自ら証明します。シミュレーションは問題なく動くのに、結果だけが微妙に異なる――そんなもどかしい瞬間を乗り越える方法まで、この講座に盛り込みました。 整数量子化、配列の軸順序の変換、アキュムレータのオーバーフロー防止など、一般的なディープラーニング教材では扱われない実践的なノウハウを、一つひとつ丁寧に解説します。私はRISC-V CPU設計とFPGAのBit-True検証に長年取り組む中で経験した試行錯誤を、皆さんが繰り返さずに済むよう、この講座に凝縮しました。授業が終わる頃には、"自分で設計し、証明した"と言える、完成したハードウェアプロジェクトが手元に残ります。

40種類以上の経済指標と株価データをAIで分析し、S&P 500やQQQ ETFだけでなく、個別銘柄まで予測する強力な株価分析モデルを自分で作ってみましょう！

機械学習を学ぶと、精度を上げる方法を身につけます。ところが、そのモデルを実際のチップに載せようとした瞬間、誰も教えてくれなかった疑問が残ります。このモデルは何回乗算を行うのでしょうか？何をどれだけ記憶しておく必要があるのでしょうか？現在目標としているチップの仕様で、その要求に対応できるのでしょうか？ 機械学習の教科書は精度について語り、半導体の教科書は回路について語りますが、その間をつなぐ資料はほとんどありません。私はRISC-V CPUとNPUをFPGAで実装しながら、この隔たりに何度も直面しました。精度が最も高いモデルが、実際にはボードに収まらないという状況です。 本講座では、6つのアルゴリズムをPythonで実際に作りながら、作るたびに乗算、比較、メモリ、精度を測定します。そして、その値を実際のFPGAボードのリソースに換算します。乗算が何回という言い方だけでは規模を推し量れませんが、ボードの何パーセントかと言われれば判断できるからです。 9つのLabを経て6つのモデルを1つの表にまとめると、予想とは異なる全体像が見えてきます。乗算を数えるために9つのLabを費やしたのに、実際に足を引っ張っていたのは乗算ではありませんでした。その後、実数を整数に落とし込み、桁数を管理し、回路を評価する基準まで作ります。 FPGAボードは必要ありません。Pythonだけで進め、ボードは測定値を換算する基準としてのみ使用します。

この講義は、LLM（大規模言語モデル）の基本原理からRAG（Retrieval-Augmented Generation）、そして最新技術であるAI AgentとMCP（Modular Command Protocol）まで、生成型AIを実務で活用するために必ず知っておくべき全過程を一度に整理するコースです。 生成型AIがどのように情報を理解し、検索し、判断し、行動するAI Agentへと拡張されるかを、技術の流れに沿って自然に学べるよう構成されています。

Docker を使用して、クラウドにディープラーニング分析環境を作成できます。 Google、MS などの管理する Docker イメージとクラウドを組み合わせることで、コンピューターで最新のディープラーニング分析方法を使用して作業を行うことができます。

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、要点だけを素早く！>（インサイト、2025）をもとに、LLMの理論と実践例を扱う講義です。

この講義は「もし自分がタイタニックに乗っていたら、果たして生き残ることができただろうか？」という問いから出発し、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、それをウェブ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を用いたディープラーニングモデリング、FastAPIによるバックエンドサーバー構築、Next.jsによるユーザーインターフェースの実装に至るまで、AIとウェブ開発の全過程を実習します。

簡単な機械学習モデルをベースにAndroid/iOSアプリを作成し、機械学習の基礎、TFLiteを使用したモデル変換、Androidアプリ/iOSアプリを実装するプロセスを学びます。

Multi Head Attentionから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になります。

AIの原理と構造を理解する：AIの動作原理から判断・学習まで AIはどのように動作し、何を根拠に判断し、どのように学習して発展するのでしょうか？ 人工知能を正しく理解するには、AIツールを使うだけでなく、その内部で働く重要な原理と構造を理解することが大切です。 本講義では、AIの動作原理、データ処理と判断のプロセス、学習と変化のメカニズムを一連の流れとして統合し、体系的に解説します。 複雑な数学の公式や難しいプログラミングではなく、直感的な概念の説明とさまざまな事例を通じて、初心者でもAIの内部構造や動作の流れを簡単に理解できるよう構成しました。 この講義を通じて、AIが結果を生み出すプロセスから、判断の根拠、学習によって性能が向上する仕組みまで、幅広く理解できます。 AIを単に使う段階を超え、AIの動作原理と限界を理解し、実務でより効果的に活用するための基礎力を身につけましょう。

基礎はわかるけれど、実務への応用にお悩みですか？現場経験を活かし、複雑なLLMの仕組みをわかりやすく解説します。

本講座は、AI技術を初めて接する学習者でも簡単に理解し、ついていけるように構成された入門コースです。講義を通じてAIプラットフォームの基本概念と使用方法を身につけ、様々なAIツールを活用して画像を直接生成する実習を行います。 このコースを修了すると、AIとより身近になり、創造的なアイデアを視覚的に実現できるAI画像制作能力を身につけることができます。