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
技術的な ガイド永久無料。
177 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。
177無料ガイド
1トピックトラック
~2 minガイドごと
~6h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
177 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。
技術的な
アテンションのロールアウトとヘッドの枝刈り
アテンション ロールアウトは、Transformer の積み重ねられたアテンション レイヤーを情報がどのように流れるかを追跡し、どの入力トークンが影響を与えるかを説明する方法です。
技術的な二次最適化とニュートン法
二次最適化では、曲率情報 (二次導関数のヘッセ行列) を使用して、傾きだけでなく、最小値に向けてより賢明なステップを実行します。
技術的なRMSNorm と前層正規化
RMSNorm は、二乗平均平方根によってアクティベーションを再スケーリングする軽量の正規化レイヤーであり、各ステップの前にプレレイヤー正規化が配置されます。
技術的なSwiGLU とゲート制御アクティベーション
SwiGLU は、入力の 1 つの線形投影と Swish でアクティブ化された 2 番目の投影を乗算するゲート制御されたアクティブ化関数であり、学習可能な関数として機能します。
技術的なスクイーズアンド励起ネットワーク
スクイーズ アンド 励起 (SE) ブロックにより、畳み込みネットワークは各機能チャネルの重み付け量を学習し、グローバル コンテキストに基づいて再調整できます。
技術的なウォームアップおよびコサインアニーリングのスケジュール
ウォームアップでは、トレーニング前に学習率をほぼゼロから緩やかに上昇させ、その後、コサイン アニーリングにより、コサイン曲線に従って学習率を滑らかに減衰させます。
技術的な循環学習率
循環学習率は、学習率を減衰させるだけでなく、下限と上限の間で学習率を繰り返し上下させます。
技術的なシャープネスを意識した最小化
Sharpness-Aware Minimization (SAM) は、単に低損失を追求するのではなく、重みの近傍全体、つまりフラットな領域全体にわたって低損失を追求する最適化手法です。
技術的な線形プロービングとフリーズ特徴評価
線形プローブでは、ネットワークをフリーズし、その上で単純な線形分類器のみをトレーニングすることで、事前トレーニングされたモデルの内部表現がどの程度優れているかをテストします。
技術的なDenseNet と高密度接続
DenseNet は、すべての層が先行するすべての層の特徴マップを入力として受け取る畳み込みネットワークです。
技術的なボトルネックアーキテクチャ
ボトルネック アーキテクチャは、データを狭い中間層に押し込んでから再度拡張するため、ネットワークはコンパクトで効率的な学習を強いられます。
技術的な勾配の累積
勾配累積を使用すると、更新前にいくつかの小さなミニバッチにわたる勾配を合計することで、限られた GPU メモリ上で大きなバッチ サイズをシミュレートできます。
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.