AIのための微積分 — 導関数、勾配、そしてニューラルネットワークが学習する仕組み

簡単な例を通して、EKF（拡張カルマン）、UKF（アンセンテッドカルマン）、Particle Filter（パーティクルフィルタ）の理論的な動作原理を理解できます。

機械学習、AI、ロボティクス、コンピュータビジョンなど、工学専攻者のための奥深い線形代数学です。 線形代数学を深く学びたい方におすすめします。 できるだけ分かりやすく説明しながら、テーマを選び、重点を置くことで、深い内容を扱っています。

最新のディープラーニング技法であるGAN、BERT、RNN、CNNをPythonとTensorFlow2に基づいて、多様で有用なプロジェクトを理論とともに作りながら学ぶディープラーニング総合プロジェクトコースです。

この講座では、Tensorflow を活用してディープラーニングを学習します。線形回帰、ロジスティック回帰、ソフトマックス回帰モデルを学び、最後にファッション画像を分類できる MLP モデルを作成します。

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。

本講座はAIプラットフォームの基礎から実習まで扱い、AI画像生成技術を習得できるコースです。学習者はAIの基本概念を理解し、様々なツールと技術を活用してAI画像を生成する能力を身につけることができます。このコースを通じてAI分野への理解度を高め、実戦でAI画像を直接生成する方法を学ぶことができます。

AI技術が急速に発展するなか、単にAIツールを使うだけでなく、AIがどのような原理で動作し、学習し、判断するのかを理解する力が重要になっています。 本教育課程は、AIの基本概念や動作原理から、データの学習、判断・予測のプロセス、AIサービスの実装、問題解決までを体系的に学べるよう、総合的に構成されています。 AIがデータを学習・処理する方法、結果を生成して判断する原理、実際にAIサービスが実装されるまでの過程やシステム全体の構造について、さまざまな事例やたとえを用いて説明し、初心者にもわかりやすく解説します。 また、AI技術を実際に活用する際に生じる可能性のある問題や限界を確認し、それらを分析・解決するための基本的なアプローチを学びます。 これにより、AIの動作原理からサービスの実装、問題解決までの一連の流れを総合的に理解し、AI技術に関する体系的な思考力と、実務で活用するための基礎力を身につけることができます。

40種類以上の経済指標や株価データを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！

このコースでは、複素関数、微分方程式、線形代数を深く掘り下げ、これらの不可欠な数学的概念を包括的に理解することができます。学習者は、数学や工学の高度な研究に不可欠な基礎理論とその応用について探究します。

ゲームで使用される重要な数学の概念を分かりやすく学ぶ講座です。数学に精通している人はその知識を当然のものと考えてしまうため、全く知らないという前提で教えることができません。 本講座では、本当に非専門家であると考え、初心者の視点から説明します。

自分で学習させたAIが株式の配分を決め、自動で注文を出します。 Pythonの基礎と強化学習の原理から始め、実際の株価データを使って、自分だけの売買AIを学習させます。バックテストで市場と運用成績を比較し、報酬関数や学習設定を変更しながら戦略を改善します。学習済みモデルを韓国投資証券の模擬投資やAWSでの自動実行までつなげ、講座終了後も自分で修正・改良できる、自分だけの自動売買AIを完成させましょう。

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。

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。

ボストンマラソンのビッグデータに基づいて、PythonとTensorflow 2を利用して、多様で有用な機械学習回帰（Regression）と分類（Classification）プロジェクトを理論とともに学ぶ機械学習総合プロジェクトコースです。

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「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。

ビッグデータの基本概念と最新トレンドを把握し、ビッグデータ分析技法の技術的理解を通じてデータパターンを抽出し、ビジネスに活用できる方法を提示します。ビッグデータを通じて新しいビジネスを創出し、未来のビジネス環境に対する洞察力を養うことができます。

- Kaggleコンペ実践プロジェクト：データ探索から提出まで - チュートリアルの次は、本物のKaggleコンペを最初から最後までやってみよう Kaggleに登録し、タイタニックのチュートリアルまで終えたものの、いざ本物のコンペを前にすると、どこから手をつければよいのか分からず途方に暮れていませんか？他人のノートブックをコピーして提出するだけでは、「なぜ自分のスコアは上がらないのだろう？」という壁にぶつかります。 この講座では、実際のKaggleコンペに取り組み、データ探索、検証設計、特徴量エンジニアリング、モデリング、提出までを最初から最後まで一緒に進めます。コードを暗記するのではなく、「何を、なぜ試し、その効果をどのように検証するのか」というコンペにおける思考の流れを身につけていただきます。[ご自身のコンペ参加・受賞経験または実務経験を一言]

AIに「このデータでモデルを作って」と頼んでみると、最初の数行はそれらしく見えますが、少し複雑になると見当違いなカラムを使ったり、リークが混ざったり、スコアは上がったのにモデルは改悪されたりします。この講義は、より良いプロンプトを教えるものではありません。代わりに、エージェントがデータを理解し、計画を立て、コードを書き、自身の結果を検証し、間違っていれば戻るというループ（ハーネス）を直接設計する方法を扱います。DS-STARの5つのピースからなるループを手作業で一周させた後、データプロファイルカード、フック、スキル階層、独立検証者、アブレーションまで一つずつ組み立てていきます。

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。