大規模言語モデル、要点だけを素早く！

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

ChatGPTやClaudeのような大規模言語モデルの基礎原理を深く探求しながら、開発能力を高めることができます。普段なかなか接することのできない多様な情報や開発技法を学ぶことができます。

現時点で最も重要なAI関連技術を網羅したRAG、VectorDB、LangChain、OpenAI、sLLM、ファインチューニングについて学びます。

ChatGPTは使うけれど、 なぜこのような回答が出てくるのか、説明するのは難しいと感じ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に関する会議では、概念の説明がいつも曖昧になってしまう」 この講義は、まさにこのような方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られます。

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。

自然言語処理技術の始まりから最新のLLMモデルに至るまでの過程で開発された、多様な言語モデルについて詳細に説明します。

GoogleのGeminiモデルの概念とGemini APIの活用方法を学習し、Streamlitを利用してさまざまなAIアプリケーションを作成する講義です。

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。

自然言語処理カンファレンス <Langcon 2024> 発表セッションの映像です

RNNはどのように順序のある情報を処理するのでしょうか？『TTT: To The Transformer』のRNNパートを無料で公開します。リカレントニューラルネットワークの動作原理を直感的な説明で理解し、アテンションとトランスフォーマーを学ぶための基礎を築いてみましょう。

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。

LLMを使用して構築できるアプリケーションやWebサービスにはどのようなものがあるか見てみましょう。

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。

AIを勉強しようとして、線形代数の数式の前でいつも挫折していませんか？この講義は公式を暗記する代わりに、ベクトルや行列が空間で実際にどのように動くのかを視覚的にお見せします。最後まで受講すれば、ニューラルネットワーク、PCA、SVDの背後に隠れた数学を自力で読み解けるようになります。

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:)

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。

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。

パーセプトロンから誤差逆伝播法まで、ニューラルネットワークの核心となる数学理論を体系的に学び、Rコードで自ら実装します。活性化関数、勾配降下法、多層ニューラルネットワークなど、ディープラーニングの基礎をしっかりと身につけ、実際のデータセットを活用した分類問題の解決能力を養います。

ニューラルネットワークをFPGAに実装する — 言葉には馴染みがありますが、実際に成し遂げた人は稀です。 キャップストーン、競技会、卒業制作で一歩先を行きたいなら、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の中でどのように動くのかを自ら作り、証明できなければなりません。この講義は、まさにその点、理論と実物ハードウェアの間のギャップを埋めるお手伝いをします。 MNISTの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、スペックの読み解きからPythonゴールデンモデル、Verilog RTL設計、FPGA検証まで、最初から最後まで自ら完成させます。ラインバッファと並列MACで作るConv層、ReLU・MaxPool・Flattenを経て全結合層とArgmaxまで — 9つのブロックを一つのチップに統合し、"Pythonの正解とハードウェアの出力が1ビットも違わない（Bit-True）"ことを自ら証明します。シミュレーションは正常に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講義に込めました。 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の教材では扱われない実戦的なノウハウを一つずつ解説します。私はRISC-V CPU設計とFPGA Bit-True検証を長年手がけてきた中で経験した試行錯誤を、皆さんが繰り返さないようこの講義に凝縮しました。講義が終わる頃には、"自ら設計し、証明した"と言える完成されたハードウェアプロジェクトが手元に残ります。