機械学習、要点だけをスピーディーに！

<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。

機械学習の主要なアルゴリズムとディープラーニングを理解し、人工知能について学んでいきましょう！

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。

ホットなイメージ生成モデル！基礎から実装しながら理解しよう！ AUTO ENCODER / VAE / GAN / DIFFUSION まで一緒に実装してみましょう！

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。

TensorFlow Object Detection APIを利用した高性能最新のディープラーニングモデルを利用したObject Detectionの実行方法を簡単なColab実習を通じて学習し、最新のディープラーニングObject Detectionモデルの原理を学習できる講義です。

CNNを勉強したのに、まだお分かりになりませんか？ CNNの基本動作原理を、要点だけ簡潔にご説明します。

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。

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。

FPGAとVerilogは学んだものの、「それで、AIアクセラレータをどうやって直接作るのか？」という段階で立ち止まってしまう方が多くいます。この講義はその疑問を解消します。普及型FPGA一枚と無料ツールだけで、手作業で設計した3×3カーネルから始まり、CNNを直接学習させ、学習済み重みをINT8に量子化してハードウェアに実装した後、Pythonモデルと1ビットの狂いもなく一致するか（Bit-True）まで検証します。半導体業界30年の経歴を持つ現職教授として、実際のFPGAで検証した内容のみを「動作する回路」として教えます。理論ではなく、自ら設計し証明する経験を通じて、ファブレス設計・AI半導体分野で通用する実践的なスキルを身につけることができます。

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。

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。