인프런 - 라이프타임 커리어 플랫폼

最近の人工知能分野における驚異的な成果は、そのすべてが強化学習の分野で発表されています。ロボット、自動運転技術、人間に似た機械など、真の人工知能技術の革新を成し遂げている強化学習技術を、初心者の視点で分かりやすく、基礎から応用レベルまで扱いました。

直感的でパイソニックなPyTorchを通じて、ディープラーニングモデルを直接構築する方法を学習します。最新のPyTorchバージョンを反映しています。

AIを研究したり、それを活用してプロジェクトを進める場合、基本的な論文の実装は必須です。この講義を通じて実際の論文を実施し、実務能力をアップグレードしましょう！

AI分野で活用度が非常に高いディープラーニングフレームワークであるPytorchを利用して、様々な人工神経網を実装する講義です。

講師が初めてディープラーニングを学んだ際に失敗した経験をもとに、ディープラーニングの理解に必要な数学、理論、PyTorchベースの実装、転移学習、GPTの核心であるTransformerまで、着実に学べるよう新たに構成した講義です。

実務への適用や面接対策でお困りではありませんか？私の現場での経験を活かし、CNNからDETRまでコードを中心にしっかりとレクチャーします。

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！

ディープラーニング 現業に携わるために必要なディープラーニングの「核心概念」を学び、PyTorchを活用した実習を通じて実際のディープラーニングプロジェクトを遂行するのに必要な実務を教えてくれる講義です。

GAN(Generative Adversarial Networks)について、わかりやすく正確に学びます。

<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。

PyTorchを通じてディープラーニングを学びます。 最終的には講義で画像分類を扱います。

6日間、1日3時間ずつ投資すれば、PyTorchを使ったディープラーニングの基礎を学ぶことができます。さあ、始めてみましょうか？

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。

『ゼロから作って学ぶLLM』（ギルボット、2025）のGitHubノートブックとボーナスコンテンツを扱う講義です。GitHub: https://github.com/rickiepark/llm-from-scratch/ 『ゼロから作って学ぶLLM』は、セバスチャン・ラシュカ（Sebastian Raschka）が書いたベストセラー『Build a Large Language Model (from Scratch)』（Manning、2024）の翻訳書です。この本は、OpenAIが作ったGPT-2モデルをゼロから始めて完全なモデルを作ってみながら、大規模言語モデルの動作原理を学び活用する方法を提供します。

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。

Gradient-based Linear Regression (1)で直接実装したコードを、PyTorchの機能を利用して実践的なコードとして実装する方法を学ぶ講義です。また、データ前処理の必要性、理論、学習に与える影響を理論的に学び、実践的なコードで実装する講義です。

このコースでは、ディープラーニングの基礎から始まり、パイトーチを使用して実際の数値分類器を作成します。まったく経験がなくてもフォローできるように設計されています。

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「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。

🧩 複雑な数式や理論中心の説明よりも、 実際にプログラムを実装しながら推薦システムの核心概念を習得することを目標としています。 🛠️ 全12個の多様で実践的な例題を通して、コンテンツベース推薦、協調フィルタリング、ディープラーニング推薦など 実際の環境で活用できる推薦システムを段階的に設計しました。