인프런 - 라이프타임 커리어 플랫폼

このOnline Classesは、Transformerを単に「実装する方法」ではなく、 なぜこのような構造が作られたのか、各モジュールがどのような役割を果たすのか、 そしてモデル全体がどのように動作するのかを設計者の視点から解剖する過程です。 Self-AttentionとMulti-Head Attentionの内部計算原理を深く分析し、 Positional Encoding、Feed-Forward Network、Encoder・Decoder構造が どのような限界を解決するために登場したのかを数式・論文・実装コードで直接確認します。 Attentionから出発してTransformer全体の構造を直接組み立て、 実際に学習まで実行しながらモデルがどのように動作するのかを体得します。 このOnline Classesは「Transformerを完全に理解したい人」のための 最も構造的で実践的なロードマップです。

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。

この講義は、Notion APIの基礎を固め、AI（Claude）を連携してNotionを自動化するNotion MCP活用法を学ぶ過程です。API公式ドキュメントに従ってブロック、ページ、データベースを直接制御する方法を身につけ、最終的には自然言語コマンド（プロンプト）だけでデータベースを生成し、テキストファイルの内容を分析して自動的にページを追加する実戦プロジェクトを完成させます。

この講義は拡散モデル(Diffusion Model)の進化過程を論文とコードで完全制覇する実戦中心のマスタークラスです。 DDPM(Denoising Diffusion Probabilistic Model)とDDIMなど、生成AIの核心モデルたちを論文原理から直接実装しながら学習します。 各モデルの登場背景、数式、ネットワーク構造(U-Net、VAE、Transformer)、学習過程(Noise Schedule、Denoising Step)、そして性能向上を導いたアイデアたちを段階別に分析します。受講生はすべてのモデルをPyTorchベースで直接コーディングし、論文を理解することに留まらず「再現し応用できる実務能力」を得ることになります。 また、モデル間の違いと発展の流れを比較し、どのように拡張されるかを明確に理解するようになります。 この講義は理論・コード・実習を一つに、研究者・開発者・創作者すべてに生成モデルの進化を体系的に習得できる旅程を提供します。 論文を「読むこと」を超え、直接実装しながら「理解し再創造」する経験を今始めてください。

『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。

このコースで学べること LangGraph in Actionへようこそ。このコースは、LangGraphを使用した高度なAIエージェントの設計とデプロイをマスターするための究極のガイドです。このコースでは、モジュール式でスケーラブル、かつ本番環境対応のエージェントを構築するための基礎を、実践的なアプローチで学習します。LangGraphの状態ベース設計の基本を理解することから、フルスタックアプリケーションの作成まで、AIエージェントを実現するために必要なスキルを習得できます。 コースのハイライト 状態ベース設計：LangGraphの中核となるノードとエッジの哲学を深く学び、構造化された保守性の高いエージェントを作成します。 メモリ管理：チェックポインターによる短期メモリとStoreオブジェクトによる長期メモリを探求し、適応して学習するエージェントを実現します。 高度なワークフロー：ヒューマン・イン・ザ・ループシステムの構築、並列実行の実装、マルチエージェントパターンをマスターします。 本番環境対応の開発：非同期操作、サブグラフを学び、FastAPIとDockerを使用したフルスタックアプリケーションを作成します。 コース修了時には、強固な理論的理解だけでなく、完全にオープンソースツールを使用してAIエージェントをどこにでもデプロイできる実践的なスキルを身につけることができます。最先端を行きたい開発者でも、AIツールキットを拡張したいベテランエンジニアでも、このコースは急速に成長するAIエージェント分野に必要な知識を提供します。 実世界のアプリケーションにおけるAIエージェントの採用が増加する中、このコースは実践的な課題を解決する高度なシステムを設計、構築、デプロイする準備を整えます。一緒にAIの未来を構築し、形作っていきましょう！

<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。

AIから望む答えを正確に引き出す「プロンプトエンジニアリング」の核心技術を学びます。 超初心者の第一歩から専門家の実戦応用まで、AI活用能力を最大化しましょう！

AIから望む答えを正確に引き出す「プロンプトエンジニアリング」の核心技術を学びます。 超初心者の第一歩から専門家の実戦応用まで、AI活用能力を最大化しましょう！

実習を通じて高品質AIエージェントを作るためのコンテキストエンジニアリング（Context Engineering）技法を学習してみます。

「LoRAベースの軽量ファインチューニングで自分だけのカスタムLLMを作ってみる第一歩！」 この講義は初めてLLMに触れる方でも簡単についてこられるよう設計された入門実習講義です。 複雑な理論は最小限に抑え、モデル読み込み → データ適用 → 学習 → 結果比較まで全過程を段階別にご案内します。 短時間でLoRA・QLoRAのような最新軽量ファインチューニング技法の流れを直接体験しながら、 「LLMファインチューニングがこのように動くんだな」という感覚を掴むことができます。 多くのリソースがなくても、自分のドメインに特化したLLMを作ってみる達成感を直接感じてみてください！

この講義は大規模言語モデル(LLM)や生成型人工知能を効果的に活用するための核心技術であるプロンプトエンジニアリングを体系的に学習する過程です。 基礎理論から実戦技法、そして最新応用事例とセキュリティ・倫理問題まで幅広く扱い、LLMベースサービス開発者・データサイエンティスト・AI企画者すべてに実質的な助けを提供します。

Java開発者のためのAI活用マスターガイド！ この講座はAIがPythonだけの領域という偏見を打ち破り、 皆さんのJavaアプリにAIの目、耳、口、コーディング能力まで付与します。 OpenAI APIベースでAIアーキテクトとして成長しましょう。 AIライター、翻訳者、画家、コーディングパートナーなど様々なAI専門家を直接開発し、 テキスト要約、感情分析、画像解説、Javaコード生成、音声/テキスト変換、 画像/字幕生成など核心機能を統合した多機能AIアシスタントを作ります。 システムメッセージでAIの役割を付与し、有害コンテンツ検閲まで学びながら 既存Javaシステムの競争力を最大化する絶好の機会です。

LLMサービスを企画するために、ユーザーの要望を収集し分析する方法を検討します。

Mastering Model Context Protocol (MCP)は、開発者が実用的で安全な、本番環境対応のAIバックエンドを構築できるよう支援する、実践的でエンジニアリング重視のコースです。 何千人もの受講生がLLM統合、ツール呼び出し、バックエンドアーキテクチャに関する混乱を克服するのを支援してきた経験から、最も一般的な問題を解決するためにこのコースを作成しました。 「LLMが安全に呼び出せる信頼性の高いバックエンドをどのように構築すればよいか?」 「SSE、stdio、streamable-httpのどれを選択すればよいか?」 「FastAPI、Auth0、LangGraphを使用して、MCPを実際のアプリケーションにスケールさせるにはどうすればよいか?」 「MCPのツール、リソース、プロンプト、コンテキストをどのように構造化すればよいか?」 このコースでは、最小限のMCPサーバーの立ち上げから、完全に安全でDockerized化されたシステムのデプロイまで、段階的にガイドします。 すべてのレッスンは実践的で、複雑さを取り除き、最新のAIシステムを構築するための明確で再現可能なワークフローを提供するように設計されています。 曖昧なチュートリアルに不満を感じていて、MCPに関する明確で具体的なエンジニアリングレベルの理解を求めているなら、このコースはあなたのために作られています。

このコースでは、LangChainフレームワークを使用して高度なRAGシステムを設計、構築、評価する方法を学びます。LCEL、Runnables、高度な検索技術、チャンキング戦略、クロスエンコーダーリランキング、エージェントベースのRAG、ツール呼び出し、SQL統合、そしてNeMo Guardrailsを使用した安全性技術を習得します。また、LangFuse、React、FastAPI、Dockerを使用してフルスタックAIチャットボットをトレース、デバッグ、デプロイする方法も学びます。

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。

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。

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、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。