
ビッグデータ/テキストマイニング分析法 (LDA,BERTtopic,感情分析,CONCOR with ChatGPT)
HappyAI
PythonとChatGPTを活用したテキストマイニング分析手法、ビッグデータ分析手法、単語頻度分析、ワードクラウド可視化、形態素分析、トピックモデリング分析手法を学び、論文作成時に必要なテキストマイニングデータ分析手法活用法、研究論文における基礎的な活用法に関する講座です。
初級
Big Data, Text Mining
ChatGPTは使っているけれど、 なぜこのような回答が出るのか説明するのに苦労したことはありませんか? 「RAG、エージェント、ファインチューニング…用語は知っているけれど、正確に説明するのは難しい」 「LLM関連の用語を聞くと、言葉に詰まってしまう」 「AIの会議で概念の説明がいつも曖昧になってしまう」 この講義は、まさにそのような方々のために作られました。 この講義は、LLMを「ツール」ではなく「構造」として理解するための理論講義です。 ChatGPTやGeminiの使い方ではなく、 なぜそのように動作するのかを説明できる基準を身につけることができます。
受講生 179名
難易度 入門
受講期間 無制限


学習した受講者のレビュー
5.0
Goldie
基礎固めに最適です。
5.0
leckar1231
講義資料の提供とQ&Aへの回答さえ行われれば、より良くなると思います。全体的な概念を把握するには、本当に素晴らしい内容です!
5.0
구윤모
理解しやすく、明確な説明が勉強の大きな助けになります。
LLMが回答を生成する過程を理解する構造的思考
プロンプト・RAG・Agentなど、核心概念を混同しないための基準
AI関連の議論を正確に追うことができる理解力
LLMの限界とパラメーターを考慮した現実的な判断感覚
ChatGPTやGeminiを使っているけれど、その仕組みが気になっていましたか?
この講義はLLMの基本概念から一歩ずつ説明し、
プロンプト・RAG・Agentの核となる技術を、難しく感じることなく理解できるようサポートします。
自分のものにする理論講義
ChatGPTやGeminiを使っていますが、
なぜそのような答えが出るのか、不思議に思ったことはありませんか?
この講義は、LLMの基本構造から核心的な概念まで
複雑な数式を使わず、理解を中心に説明します。
Transformer、Self-Attentionはもちろん
プロンプト・RAG・Agentが
LLMの内部でどのように動作しているのかを、自然に繋げて理解することができます。
ツールの使い方ではなく、
AIを判断できる基準を作る講義です。
この講義は、単なるツールの使い方やテクニックを扱うものではありません。
LLMが
どのように文맥(コンテキスト)を理解し、
なぜハルシネーション(Hallucination)が発生し、
なぜプロンプト・RAG・ファインチューニング・Agentが登場したのか
を数式なしで、構造を中心に一歩ずつ核心的な内容についての理論を説明します。
Transformer、Self-Attention、トークン、埋め込みといった核心的な概念を
論文の羅列ではなく、直感的な流れでつなげて理解できるように構成しました。
ChatGPTは使っているけれど、LLMの概念がいつもあやふやな方
RAG・Agentの話が出ると会議で理解が追いつかない企画者・PM
AI導入や活用戦略を悩んでいる現場の実務担当者
開発者ではないけれど、LLMを正しく理解したい方
「LLM理論入門講座」を探している学習者
❌ ChatGPT 機能説明の講義
❌ 特定のAIツールの使い方中心の講義
❌ 自動化・業務効率中心の実習講義
この講義はLLMの構造と作動原理を理解する理論中心の講義です。
AIをただ使う人から
AIを理解し設計できる人へ
生成AIとLLMの基本原理を探究します。LLMが膨大なテキストデータを通じて、言語の意味と文脈を統計的に学習し、自然な文章を生成する仕組みを理解します。
LLM技術の最新の発展トレンドを把握し、グローバルなAI競争環境におけるLLMの未来の戦略的方向性を分析します。これは、LLM技術の現在と未来を展望する上で役立つでしょう。
LLMの根本的な動作原理を学習します。トークン、埋め込み(エンベディング)、ベクトル空間、コンテキストウィンドウなどの核となる概念を理解し、主要な出力制御パラメータについて学びます。
LLMの性能を最大限に引き出すためのプロンプトエンジニアリングの基本概念と高度なテクニックを扱います。Zero-shot、Few-shot、Chain-of-Thought(CoT)など、さまざまなパターンを習得し、効果的なプロンプト作成能力を養います。
LLMのハルシネーション(Hallucination)や最新情報の不足といった限界を克服するためのRAG(Retrieval-Augmented Generation)アーキテクチャを学習します。RAGの核となる要素である埋め込み(Embedding)とベクトルデータベースを理解し、全体の動作フローを把握します。
RAGシステムの正確性を評価する指標と方法論を学習し、実際に適用可能な性能改善手法を探求します。これを通じて、RAGシステムの効率性と信頼性を高める方策を模索します。
特定のタスクやドメインにLLMを適応させるファインチューニングの基本概念と適用戦略を学びます。また、PEFT(Parameter-Efficient Fine-Tuning)などの軽量チューニング手法を通じて、効率的なモデルチューニング方法を習得します。
エージェントの概念と構造を理解し、多様なLLMエージェントのタイプを詳しく見ていきます。実際の業務やサービスにエージェントをどのように活用できるか、具体的な事例を通じて学習します。
最新のマルチエージェントシステム理論であるMCP(Multi-agent Cooperative Planning)とA2A(Agent-to-Agent)の概念、作動原理、そして構造および活用方法を比較分析します。これを通じて、高度なエージェントシステム設計を理解します。
Point 1. LLMの核心原理を数式なしで理解
ChatGPTを使っているけれど、その原理が気になりませんか?この講義では、LLMの仕組みを数式を使わず、構造を中心に分かりやすく解説します。ハルシネーション(幻覚)が起こる理由から、プロンプト、RAG、ファインチューニング、そしてエージェントがなぜ必要なのか、その根本的な原理を把握することができます。
Point 2. LLM의 원리를 쉽게 이해할 수 있습니다.
単なるツールの使い方ではなく、LLMがどのような思考構造で動作するのかを理解することに焦点を当てています。
これにより、AI関連の会議や企画書に登場する概念を混同することなく理解し、説明できる理論的な基準を持つことができます。また、ハルシネーション(幻覚)、最新性、コンテキストの制限など、LLMが持つ構造的な限界を理解することで、
何を期待すべきか、そして何を期待すべきでないかを判断できるようになります。
Point 3. RAG・ファインチューニング・Agentを理解する理論的フレーム
LLMが持つ構造的な限界を補完するために登場したRAGアーキテクチャの核となる構成要素と、全体の動作フローを理論的に理解します。また、ファインチューニングと軽量チューニング手法(PEFT、LoRA)がどのような問題を解決するために設計されたのか、そしていつ適切な選択肢となるのかを構造的に説明します。Agentについても「どう作るか」ではなく、Agentが必要な理由や内部構造、単純な自動化とどのような違いがあるのかを中心に扱います。
Point 4. AIを理解する視点を作る
「AIをただ使う段階」から抜け出し、AIを構造的に理解する視点を養うことを目的としています。
トークン、埋め込み(エンベディング)、コンテキストウィンドウといったLLMの核心概念から、MCP、A2Aなど最新のマルチエージェント理論まで
なぜこのような構造が登場したのかを中心にまとめます。
✔️ LLM의基本原理から理解したい入門者
LLMがハルシネーション(幻覚)を起こす理由を構造的に理解したい方
プロンプト、RAG、ファインチューニング、エージェントがなぜ必要で、どのように動作するのかを知りたい方
単なるツールの使い方を超えて、AIの仕組みを根本から理解したい方
✔️ AI関連の会議や企画書でLLMの概念を正確に説明したい企画者・実務担当者
LLMの核心原理(トークン、埋め込み、コンテキストウィンドウ)を明確に説明したい方
RAG、ファインチューニング、エージェントなど、最新のLLM技術トレンドを理解したい方
AIサービスの企画および戦略立案時に、LLMの限界を考慮して現実的な活用策を模索したい方
✔️ LLMを業務に効果的に適用したい現役の開発者・データアナリスト
LLMの推論および回答生成プロセスを構造的に理解し、開発に活用したい方
どの手法(プロンプト、RAG、ファインチューニング、エージェント)が問題解決に適しているか、判断基準を確立したい方
LLMの限界(ハルシネーション、最新性、コンテキスト)を克服し、実際のサービスに適用する戦略を設計したい方
本講義は
LLM(大規模言語モデル)の構造と作動原理を理解することに焦点を当てた
理論中心の講義です。
実習は概念の理解を助けるための補助的な手段です。
特定のAIツールの使い方や実務の自動化を目的としたものではありません。
前提知識および注意事項
LLM、Transformer、Self-Attentionなどの核心概念について、基本的な理解があると望ましいです。
トークン、コンテキストウィンドウ、埋め込みなどの関連用語に慣れていると、学習に役立ちます。
AI LLMの仕組みに対する好奇心と学習意欲が重要です。
学習対象は
誰でしょう?
LLMとTransformer、Self-Attentionの核心原理
トークン、コンテキストウィンドウ、埋め込みなど、必須概念のまとめ
プロンプトエンジニアリングの核心技法 (Zero-shot, Few-shot, CoT)
RAGの全体構造と精度改善方法
ファインチューニング vs RAGの違いと選択基準
AIエージェントの構造と実際の活用シナリオ
MCP、A2Aなど最新のマルチエージェント理論の動向
前提知識、
必要でしょうか?
ChatGPTは使っているけれど、LLMの概念がいつもいまいち掴めない方へ
RAG・エージェントの話が出ると会議で理解が追いつかない企画者・PM
AIの導入や活用戦略を悩んでいる現場の実무担当者
開発者ではないけれど、AI LLMをしっかりと理解したい方
「LLM基礎理論入門講座」を探している学習者
5,080
受講生
287
受講レビュー
52
回答
4.6
講座評価
11
講座
AI・LLM・ビッグデータ分析専門家 / Happy AI 代表
👉詳細な経歴は下記のリンクからご確認いただけます。
https://bit.ly/jinkyu-profile
こんにちは。
AIとビッグデータ分析を研究・開発・教育・プロジェクトの現場で一貫して扱ってきた
ハッピーAI代表のイ・ジンギュ(工学博士、人工知能)です。
自然言語処理(NLP)とテキストマイニングに基づき
アンケート、文書、レビュー、メディア、政策、学術データなど
多様な非定型データを分析してきました。
最近では生成AIと大規模言語モデル(LLM)を活用し、
組織や業務環境に合わせた実務中心のAI活用方法を伝えています。
サムスン電子、ソウル大学、教育庁、京畿研究院、山林庁、
国立公園管理公団、ソウル市など多数の公共機関・企業・教育機関と協業しており、
医療・コマース・生態・法学・経済・文化など、多様なドメインで計200件以上の研究・分析プロジェクトを遂行しました。
📧 Email : leejinkyu0612@naver.com
🌐 ホームページ : https://happyaidata.kr
📝 Blog : https://blog.naver.com/leejinkyu0612
📺 YouTube : https://www.youtube.com/@HappyAI_0612
💻 GitHub : https://github.com/leejin-kyu
📞 Mobile : 010-9973-2113
💬 KakaoTalk : jinkyu0612
※ コモン(Kmong)Prime専門家(上位2%)
2024.07 ~ 現在
生成AI・ビッグデータ分析専門企業 ハッピーAI 代表, a company specializing in Generative AI and Big Data analysis
工学博士(人工知能)
東国大学校 人工知能大学院
専門分野:大規模言語モデル(LLM)
(2022.03 ~ 2026.02)
2023 ~ 2025
パブリックニュース AIコラムニスト
(生成AIのバイアス、RAG、LLM活用イシュー)
2021 ~ 2023
AI・ビッグデータ専門企業 ステラビジョン 開発者
2018 ~ 2021
政府出資研究機関 自然言語処理・ビッグデータ分析研究員
生成AIおよびLLMの活用
Private LLM, RAG, Agent
LoRA・QLoRAファインチューニングの基礎
AIベースのビッグデータ分析
アンケート・レビュー・報道・政策・学術データ
自然言語処理(NLP)・テキストマイニング
トピック分析、感情分析、キーワードネットワーク
公共・企業 AI業務自動化
文書の要約・分類・分析
LLM/sLLM アプリケーション開発
(ファインチューニング・RAG・Agent ベース) – KT
LangChain・RAGベースのLLMプログラミング – サムスンSDS
LLM理論およびRAGチャットボット開発実務 – ソウルデジタル財団
ChatGPTベースのビッグデータ分析入門 – レットユーインエデュ
人工知能の基礎・プロンプト技法 – 韓国職業開発院
LDA・感情分析 with ChatGPT – インフラン
Pythonベースのテキスト分析 – ソウル科学技術大学校
LangChainを活用したLLMチャットボット作成 – インフラン
ChatGPT活用のPython基礎 – 京畿大学校
ビッグデータ専門家課程特別講義 – 檀国大学校
ビッグデータ分析の基礎 – レットユーインエデュ
Private LLMベースのRAGチャットボット構築 (韓国電力公社)
LLMベースの森林復元ビッグデータ分析 (国立森林科学院)
内部ネットワーク専用 Private LLM テキストマイニングソリューション (政府機関)
Instruction Tuning・RLHFベースのLLMモデル開発
ヘルスケア・法学・政策・教育データ分析
アンケート・レビュー・報道データAI分析
→ 公共機関・企業・研究機関を含め 200件以上の実績, including public institutions, corporations, and research institutes
Improving Commonsense Bias Classification by Mitigating the Influence of Demographic Terms (2024)
Improving Generation of Sentiment Commonsense by Bias Mitigation
– International Conference on Big Data and Smart Computing (2023)
ニュース記事ビッグデータに基づくLLM技術の認識分析 (2024)
NLPベースのテキストマイニング研究多数
(森林・環境・社会・ヘルスケア分野)
Pythonベースのデータ分析・可視化
LLMを活用したデータ分析
ChatGPT・LangChain・Agentを活用した業務生産性の向上
全体
27件 ∙ (1時間 31分)
1. 生成AIとLLMの基礎概念
01:35
2. LLMの背景技術と発展過程
11:33
3. LLMの限界
03:38
6. トークン(Token)の概念
03:20
7. 埋め込みとベクトル空間の概念
03:48
8. コンテキストウィンドウの概念
01:35
9. 主要な出力制御パラメータの紹介
05:21
全体
20件
4.5
20件の受講レビュー
受講レビュー 11
∙
平均評価 5.0
受講レビュー 2
∙
平均評価 5.0
受講レビュー 23
∙
平均評価 5.0
5
講義資料の提供とQ&Aへの回答さえ行われれば、より良くなると思います。全体的な概念を把握するには、本当に素晴らしい内容です!
高い評価をいただき、ありがとうございます。講義資料は leejinkyu0612@naver.com までお問い合わせいただければ、お送りいたします。
受講レビュー 1
∙
平均評価 5.0
受講レビュー 9
∙
平均評価 5.0
知識共有者の他の講座を見てみましょう!
同じ分野の他の講座を見てみましょう!