<밑바닥부터 만들면서 배우는 LLM> 解説講義

ハンライトメディアの混工シリーズで1:1 課外するように学ぶ超絶マシンラーニング、ディープラーニングチュートリアル、数百の手描きで理解してグーグルコラボ(Colab)を通じてブラウザさえあればすぐに実習可能

<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。

『機械学習、核心だけ素早く！』（インサイト、2025）を基に機械学習理論と実戦例題を扱う講義です。

眠っているコーディング脳を呼び覚ませ。Pythonの基礎から機械学習までを一冊に！ 本書はMITの講義をベースに作られたコンピュータサイエンスの入門書で、プログラミングを全く知らない初心者でも気軽に手に取ることができます。コンピューティング思考や簡単なアルゴリズムといった、プログラミング入門に欠かせないテーマで眠っていたコーディング脳を呼び覚ましましょう。各章に用意された「脳トレ」問題を通じて、データの視覚化やシミュレーション、データ計算手法、機械学習といった実用的なテーマを学んでいきます。

このレッスンは概念的な一歩、数式の一歩、コーディングの一歩。最も適切な歩幅と真っ直ぐな方向に読者をディープラーニングに案内する。また、グラフ、イラスト、図解は100以上の抽象概念も簡単かつ迅速に受け入れることができる。プログラムをインストールせずにWebブラウザに接続するだけで、実習をすぐに始めることができるという点もこの講義だけの特徴だ。 快適に理論を理解してから直接コーディングし、目でディープラーニングの代表問題4つを征服するので、ディープラーニングの教科書として不足がない。ぜひわかって渡らなければならない概念や用語は、本文の真ん中に出てくる「ちょっと！次に進むには'コーナーとチャン最後に'記憶カード'コーナーで2回復習して学習効果を高めた。 『Do it!ディープラーニング入門』と共にディープラーニングを早く正面突破してみよう。

Amazonベストセラーである<独学コンピューターサイエンティスト Pythonで学ぶデータ構造とアルゴリズム>（原題：Hands-On Machine Learning, 2nd Edition）の内容を扱う講義です。代表的な機械学習ライブラリであるScikit-learnを使用して、様々な機械学習アルゴリズムと評価方法を学びます。また、最も有名なディープラーニングライブラリであるTensorFlowとKerasを使用して、人工ニューラルネットワークから強化学習まで、理論と実務を固めていきます。まだすべて完了した講義ではありません。毎週1〜2個の講義が継続的に追加される予定です。

AIが単に答えるだけの時代は終わりました。 今は自ら判断し行動するLLM Agentの時代です。 この講座はわずか90分の実習でエージェントの核心原理と構造を直接実装しながら学ぶ入門型講座です。 複雑な理論は最小限にし、コード中心の実習フローで「AIがどのように判断しツールを使用するのか」を直接体験できます。 プロンプトエンジニアリングを超えて、AI自動化の第一歩を一緒に始めてみましょう。

"LoRAベースの軽量ファインチューニングで自分だけのカスタムLLMを作る第一歩！" この講義は、初めてLLMに触れる方でも簡単についてこられるように設計された入門実習講義です。 複雑な理論は最小限に抑え、モデルの読み込み → データ適用 → 学習 → 結果比較まで全過程を段階的にご案内します。 短時間でLoRA・QLoRAのような最新の軽量ファインチューニング技法の流れを直接体験しながら、 「LLMファインチューニングはこうやって動くんだ」という感覚をつかむことができます。 多くのリソースがなくても、自分のドメインに特化したLLMを作る達成感を直接感じてみてください！

なぜAttentionが必要だったのか、そしてどのように動作するのかを「コードで直接実装しながら」理解します。 この講義はRNNとSeq2Seqモデルの構造的限界から出発し、 固定されたコンテキストベクトルが作り出す情報ボトルネック問題、長期依存性問題を実験で検証し その限界を解決するためにAttentionがどのように登場したのかを自然に繋げて説明します。 単純に概念を紹介するのではなく、 RNNの構造的限界とSeq2Seqの情報ボトルネック問題を直接実験で確認し、 これを解決するために登場した**Bahdanau Attention（加算的アテンション）**と **Luong Attention（内積アテンション）**を一つずつ実装しながらその違いを明確に理解します。 各アテンションが どのような方式でQuery–Key–Value関係を形成し、 重みを計算する過程でどのような数学的・直感的違いを持ち、 なぜ後代モデルに繋がらざるを得なかったのか その特性と進化の流れまで自然に繋がります。 Attentionが文章と単語をどのように捉え、 各単語がどのような方式で重要度を付与されて情報を統合するのかを 数式 → 直感 → コード → 実験が一つに繋がった形で学習します。 この講義はTransformerを正しく理解するための「基礎体力」を築く過程として、 Attentionという概念がなぜ革命的だったのか、 そしてその後のすべての最新NLPモデル（Transformer、BERT、GPTなど）が なぜAttentionを核心構成要素とするのかを深く理解するようになります。 RNN → Seq2Seq → Attentionに繋がる流れを 概念ではなくコードと実験で体化したい学習者に最適化された講義です。

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。

この講義は、ChatGPTが単なる対話型AIから脱却し、実際の業務を遂行する知能型AIエージェントへと発展するすべての過程を扱います。 LangChain、LangGraph、LangSmithの3つの主要フレームワークを活用して、実務ですぐに活用できるAIエージェントを自ら作成します。

AIがブラウザを直接開き、シェルスクリプトを書いてサーバーの問題を解決するとしたらどうでしょうか。WindowsとLinuxを自在に行き来しながらOpenClawで実現する実践的な自動化ノウハウを通じて、複雑な設定なしで自分だけの強力なリモート開発環境を完成させる最短ルートをご案内します。

このOnline Classesは、Transformerを単に「実装する方法」ではなく、 なぜこのような構造が作られたのか、各モジュールがどのような役割を果たすのか、 そしてモデル全体がどのように動作するのかを設計者の視点から解剖する過程です。 Self-AttentionとMulti-Head Attentionの内部計算原理を深く分析し、 Positional Encoding、Feed-Forward Network、Encoder・Decoder構造が どのような限界を解決するために登場したのかを数式・論文・実装コードで直接確認します。 Attentionから出発してTransformer全体の構造を直接組み立て、 実際に学習まで実行しながらモデルがどのように動作するのかを体得します。 このOnline Classesは「Transformerを完全に理解したい人」のための 最も構造的で実践的なロードマップです。

<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。

LLMベースのマルチエージェント技術を実装可能にするCrewAI、LangChain、AutoGenなどの様々なエージェントフレームワーク、知識グラフ、推論システムを組み合わせ、人工知能（AI）裁判官を構築する方法について探求します。

LLMを用いて構築できるアプリケーションやウェブサービスにはどのようなものがあるのか見ていきます。

今、こんな紹介が重要ですか？ 今すぐdeepseek R1モデルを使ってください。

ChatGPTのようなAIの根幹となる技術、LLM（大規模言語モデル）とエージェント。LLMは現時点でAGI（汎用人工知能）に最も近づいた技術です。この講義では、一般の方の視点でLLMとエージェント技術について学んでいきます。

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:)

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。

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、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ご自身で作ってみましょう！