#01動画
短い動画でわかるAI
1本の動画で1つのアイデアを、わかりやすく。各動画から、ステップごとに解説する無料コースの章へ進めます。
ここから開始 AI 101
- #01
#02Machine learning: how a computer draws its own dividing line
#03Neural networks: layers of tiny calculators passing signals on
#04How AI learns: guess, measure the error, nudge, repeat
#05Tokens: how AI chops your words into numbered pieces
#06Embeddings: why a puppy lands closer to a dog than to a pizza
最新
#031Momentum: how remembering past steps stops AI training zigzagging
#030Mini-batches: why AI learns faster from a random handful of data
#029Saddle points: where AI training looks stuck but has a way down
#028Local minima: why AI training can settle for second best
#027Condition number: why a stretched valley makes AI training crawl
#026Learning rate: the step size with a ceiling you can calculate
#025Gradient descent: how AI finds its way downhill in small steps
#024Gradient: the arrow that points uphill, and why AI walks the other way
#023Chain rule: how AI traces the effect of every layer
#022Derivative: how much the result moves when you nudge one input
#021Grid search: why you cannot train an AI by trying every setting
#020Robust loss: stop one wild reading from wrecking your forecast
#019Heavy tails: when rare, huge errors break the usual average
#018Mean squared error: the hidden bet behind squaring your mistakes
#017The LogSumExp trick: one subtraction that stops AI math overflowing
#016Rounding error: why adding the same numbers can give two answers
#015Floating-point numbers: why your computer cannot hold every number
#014Negative log-likelihood: turning a fragile product into a calm sum
#013Maximum likelihood: the answer that makes your data least surprising
#012Bayes' rule: reasoning backwards from a clue to its most likely cause
#011Chain rule of probability: how AI scores a sentence word by word
#010Loss landscape: training an AI means finding the bottom of a valley
#009Loss function: the scoring rule that decides which answer wins
#008Feature engineering: the human choice that can beat the algorithm
コースの章別
- 1ゼロから作るパーセプトロン：ニューロンは何を計算しているのか10本の動画
- 2損失関数はどこから来るのか：慣習ではなく likelihood12本の動画
- 3下り坂：Gradient Descentと、誰もが飛ばす2つのステップ12本の動画
- 4分類、クロスエントロピー、そして自分を欺かない方法
- 5Backpropagationをスクラッチから：エンジン、そしてネットワークへ1本の動画
- 6学習させること、そして汎化させること
- 7BPE Tokenizerを作る：モデルがRの数を数えられない理由1本の動画
- 8Next-Token Prediction：embeddingとperplexityの意味1本の動画
- 9平均から導く attention と transformer ブロック
- 10LLMのPretraining：データ、計算資源、Scaling Laws、コスト
- 11ベースモデルからアシスタントへ：SFT、RLHF、DPO、GRPO
- 12Chain of Thought、RLVR、Test-Time Computeを測る
- 13推論コストを下げる：KV Cache、Batching、量子化
- 14初めての本番 LLM 呼び出し：ストリーミング、リトライ、タイムアウト
- 15Prompt Engineeringを測る：何が出力を変えるのか
- 16Context Window、token、請求額を実測する
- 17Temperature、Top-p、そして手に入らない決定性
- 18Tool CallingとStructured Outputs：破綻しない契約
- 19本番RAG：chunking、retrieval、正直な引用
- 20fine-tuning、検索、それともprompt？判断基準は経済性です
- 21Multimodal Pricing：画像・音声・動画で本当に課金されるもの
- 22AI agentとは何か：古典的な5タイプと、競合する2つの定義
- 23Agent harnessを作る：ループと5つの脱出経路
- 24Context Engineering: Turn 40でagentが鈍る理由
- 25Multi-agentオーケストレーション：5つのパターンと、単一agentが勝つとき
- 26MCPを仕様に照らして解説：サーバーとは本当は何か
- 27MCP ServerをShipする：TypeScriptとPythonを実測
- 28Agent SkillsとSKILL.md：プログレッシブディスクロージャーを測る
- 29LLM評価：公開ベンチマークから自社のgolden setへ
- 30Prompt Injectionと致命的な三要素：実際のagentを守る