[PyTorch] 実戦人工知能へとつながるディープラーニング - 基礎から論文実装まで

様々な人工ニューラルネットワークの構造と動作原理を理解し、優れたモデルを作成するために必要な必須知識を伝える講義です。

機械学習/深層学習の研究に必ず必要な線形代数の内容を取り扱います。

ディープラーニング次世代革新技術の一つである物理情報ニューラルネットワークを勉強し、Pytorchを利用して直接実装を行う講義です。 人工知能の次世代革新技術を私と一緒に学びましょう！

リアルタイムオブジェクト認識モデルである初期YOLOモデルから最新モデルまで学べる講義です。さらに、オブジェクト認識に加えて、さまざまなディープラーニング技術を学びます。

数学なしで高度な機械学習モデルを理解し、Pythonを介して簡単に実装する方法を学びます。

ディープラーニング最新の技術の一つであるVision Transformerを勉強し、Pytorchを利用して論文を実装する講義です。ビジョン分野の新しい未来を私と一緒に体験してください！

MLP、CNN、RNNなど、ディープラーニングの基本的な骨組みを簡単に素早く学びます。

数学なしで高度な機械学習モデルを理解し、Pythonを介して簡単に実装する方法を学びます。

머신러닝을 배우면 정확도를 높이는 방법을 익히게 됩니다. 하지만 그 모델을 실제 칩에 올리려는 순간, 아무도 알려주지 않았던 질문이 남게 됩니다. 이 모델은 곱셈을 몇 번 수행합니까? 무엇을 얼마나 기억하고 있어야 합니까? 현재 목표로 하는 칩 스펙이 그 요구사항을 감당할 수 있습니까? 머신러닝 교재는 정확도를 다루고 반도체 교재는 회로를 다루지만, 그 사이를 잇는 자료는 드뭅니다. 저는 RISC-V CPU와 NPU를 FPGA로 구현하면서 이 간극을 반복해서 마주쳤습니다. 정확도가 가장 높은 모델이 정작 보드에는 들어가지 않는 상황 말입니다. 본 과정에서는 여섯 개의 알고리즘을 파이썬으로 직접 만들어보면서, 만들 때마다 곱셈, 비교, 메모리 사용량, 정확도를 측정합니다. 그리고 그 값을 실제 FPGA 보드의 자원으로 환산합니다. '곱셈 몇 번'이라는 표현만으로는 그 크기를 가늠하기 어렵지만, '보드의 몇 퍼센트'라고 하면 판단이 서기 때문입니다. 아홉 개의 Lab을 거쳐 여섯 개의 모델을 한 표에 모아보면 예상과 다른 그림이 드러납니다. 곱셈을 세는 데 아홉 편을 할애했지만, 정작 발목을 잡는 것은 곱셈이 아니었습니다. 이후 실수를 정수로 낮추고, 자릿수를 관리하며, 회로를 채점할 기준까지 마련합니다. FPGA 보드는 필요하지 않습니다. 파이썬만으로 진행하며, 보드는 측정값을 환산하는 기준으로만 사용됩니다.

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。

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。

40講義の体系的なカリキュラムを通じて、AIの基礎理論から各アルゴリズムの応用AI技術まで学習します。数学的な直感とRコーディングアルゴリズムの学習および実習を通じて、データ分析、機械学習、およびその応用ツールのアルゴリズムのモデラーを構築し、選択・活用する内容まで、即座に適用可能なAIモデル開発能力を身につけます。

1. AI資格、AICE Associate取得のためのPythonコーディング学習 2. 基礎から応用まで段階的なPythonコーディング学習 3. AI分野の権威、高麗大学キム・ジュンホン教授の講義

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。

RAG（Retrieval-Augmented Generation）の理論から最新のマルチモーダル、エージェントベースRAGまで！ 非専攻者でも理解できるように構成された実習中心の講義です。 論文レビューから実戦コード実装まで、RAGを初めて接する人でも簡単についてこられるように設計しました。

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。

機械学習&ディープラーニングの基礎から確実に！ Pythonに分類/回帰/クラスター/人工ニューラルネットワークの作成と活用まで

時間は絶えず流れ、データは蓄積し続けます。このダイナミックな世界では、時系列データは私たちの生活のあらゆる面で重要な役割を果たしています。金融市場のボラティリティから気候変動の微妙な信号に至るまで、時系列データにはこれらすべてが含まれています。さて、この強力なデータをPythonとディープラーニングの力を使って解釈して活用する方法を学びましょう！

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。

Multi Head Attentionから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になります。

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。

電子・半導体産業は超精密工程と複雑なサプライチェーンにより、データ基盤管理と革新が特に重要な分野です。この講義はAI技術を活用して不良検出、工程最適化、予知保全、サプライチェーン管理など電子・半導体製造業ですぐに適用できる実務戦略を扱います。 グローバル企業の実際の事例とともに、中小・中堅企業が現実的に活用できる低コスト・高効率AI導入方法も提示します。これにより受講生は生産性向上とコスト削減だけでなく、未来競争力を備えるAI基盤製造戦略を理解し適用できるようになります。

Docker を使用して、クラウドにディープラーニング分析環境を作成できます。 Google、MS などの管理する Docker イメージとクラウドを組み合わせることで、コンピューターで最新のディープラーニング分析方法を使用して作業を行うことができます。

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:)

サムスン電子DS部門のメモリ・S.LSI・Foundry・TSP・AVP評価および分析、SKハイニックスのPE・AE・Solution PEを目指しているものの、事業部と職務の違いで行き詰まっている就職準備生のための講義です。 製品評価職務の実際の業務フローを基準に会社別の職務名を整理し、自身の専攻経験を自己紹介書や面接で活用できる職務言語に変換する方法を学びます。 アナログ回路設計、Verilog/FPGA、工程実験、データ分析の経験などを、歩留まり・Wafer Map・Shmoo Plot・不良分析といったキーワードと結びつけ、志望戦略を立てることができます。

データアナリストとして成長したい初心者の方のためのPython基礎講座です。 - データ分析をしたいけれどPythonを知らない方 - Pythonで機械学習を学びたい方 - ビッグデータ分析技師実技試験を準備している方 - Pythonで機械学習ベースのアプリケーションを開発したい方