01
AI 基盤
AI とは何か、システムがどのように学習し、どこで失敗するか、誇大広告なしに主張を判断する方法を理解します。
無料のAIライブラリ
基本 ガイド永久無料。
84 平易な英語のガイド、構造化された学習パス、オープン ライブラリ - 独立した 501(c)(3) 非営利団体によって構築され、誰でも最新の AI を理解できるようになります。
84無料ガイド
1トピックトラック
~2 minガイドごと
~3h読書時間
ここから始めましょう
5 成果ベースのコース
各コースには、明示的な成果、マッピングされたコンピテンシー、練習アクティビティ、および適用されたキャップストーンが含まれています。
02
責任あるAIユーザー
プライバシーを保護し、出力をチェックし、人間の責任を守りながら、AI を生産的に使用します。
03
働くAI
職場のユースケースを評価し、安全なパイロットを実施し、価値を測定し、責任を持って変更を伝えます。
04
AI政策と社会
権利、公平性、ガバナンス、安全性、公益の成果を通じて AI システムを分析します。
05
AI システムによる構築
実践的なシステム設計を通じて、言語モデル、取得、エージェント、評価、コスト、展開の安全策を理解します。
トピックトラック
トラックごとに閲覧する
気になるエリアに飛び込んでみましょう。すべてのトラックには複数のわかりやすい英語のガイドが付いています。
基本中心となる概念: AI が高レベルでどのように機能するか。84 ガイド 言語AILLM、NLP、ChatGPT、プロンプト、およびテキストの理解。155 ガイド ビジュアルAI画像生成、コンピュータビジョン、ビデオ、デザイン。133 ガイド オーディオAI音声、音楽、ポッドキャスティング、オーディオファースト AI。117 ガイド 企業OpenAI、Anthropic、Google、Meta などのプロファイル。121 ガイド アプリケーションAI がコーディング、検索、エージェント、日常生活にどのように現れるか。111 ガイド 産業ヘルスケア、金融、教育、エネルギーなどにおける AI。91 ガイド 技術的なチップ、微調整、RAG、ベクター、AI インフラストラクチャ。177 ガイド 社会偏見、プライバシー、著作権、安全性、そして AI の未来。30 ガイド
フルライブラリ
すべてのガイド
84 の 1019 ガイドが表示されます。トラックでフィルタリングするか、上で検索してください。
基本
Meta-学習
Meta-学習、または「学習するための学習」では、ほんの一握りの例からまったく新しいタスクにすぐに適応できるようにモデルをトレーニングします。
基本アンサンブル法と勾配ブースティング
アンサンブル手法では多くの単純なモデルを組み合わせるため、グループは単一のモデルよりも優れた予測を行うことができます。
基本ベイジアンディープラーニング
ベイジアン ディープ ラーニングでは、ニューラル ネットワークの重みを固定数ではなく確率分布として扱うため、モデルがどの程度自信があるかを判断できます。
基本カリキュラム学習
カリキュラム学習では、データをランダムな順序で供給するのではなく、意図的な順序 (最初は簡単、後は難しい) でサンプルに基づいて AI モデルをトレーニングします。
基本ニューラル アーキテクチャの検索
Neural Architecture Search (NAS) は、ニューラル ネットワーク構造の設計を自動化し、人間ではなくアルゴリズムにレイヤーの数や操作を決定させます。
基本継続的な学習と壊滅的な忘却
継続的な学習の目標は、AI がすでに知っていることを消去することなく、時間の経過とともに新しいタスクの流れに沿って AI をトレーニングすることです。
基本変分オートエンコーダ
変分オートエンコーダ (VAE) は、データを滑らかで確率的な潜在空間に圧縮してから再構築することを学習する生成ニューラル ネットワークです。
基本状態空間モデルと Mamba
状態空間モデル (SSM) は、圧縮された隠れ状態を通じて情報を転送するシーケンス モデルであり、代わりにシーケンスの長さに応じて線形にスケーリングします。
基本グラフニューラルネットワーク
グラフ ニューラル ネットワーク (GNN) は、情報を渡して集約することによって、グラフ構造のデータ (エッジで接続されたノード) を直接学習するモデルです。
基本マルチエージェント強化学習
マルチエージェント強化学習 (MARL) は、環境を共有する複数の学習エージェントをトレーニングし、各学習エージェントがその動作を適応させ、同時に他の学習エージェントも適応します。
基本アクティブラーニング
アクティブ ラーニングは、人間が次にラベルを付ける必要があるラベルのない例をモデル自体が選択するトレーニング戦略です。
基本データ拡張
データ拡張では、画像の反転やトリミングなど、既存のサンプルの変更されたコピーを作成することで、トレーニング セットを人為的に拡張します。
読み終わりましたか？証明してみろ。
Check what you learned with a topic quiz, then explore our structured courses or work toward a certificate. Every guide stays free to read.