인프런 - 라이프타임 커리어 플랫폼

直感的で Pythonic 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ました。

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！

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！

最近、人工知能分野の驚くべき成果は、すべて強化学習分野で発表されています。 ロボット、自律走行技術、人間に似た機械など、真の人工知能技術の革新を遂げている強化学習技術を初心者の視線で分かりやすく基礎から高級レベルまで取り上げました。

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？

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。

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。

🧩 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。

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。

<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。

この講義では、生成型人工知能モデルの中でもDiffusionモデルに関連する実習を行います。代表的なDiffusionモデル応用論文であるprompt-to-prompt論文を一緒に読んで実装することで、最新の人工知能論文を理解する能力を養うことができることを期待しています。

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。

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

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。

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。

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。

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。

最新のTransformerベースのPixArtと軽量適応化SANAを理論からコードまで段階的に実装します。I・II編で扱ったDDPM・DDIM・LDM・DiTを基に、テキストエンコーダ接続、サンプラー(DDIM/ODE)、v-予測/CFGチューニング、小規模データスタイル微調整まで実習中心で完走します。

『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。