現場のエンジニアのためのAI・機械学習フィールドガイド
最初の分類器から研究の最前線までを体系立てたレッスン、テーマ別の深掘りハブ、率直なプラットフォーム・モデルのリファレンス、そして出典付きで平易に書かれた毎日のニュース。
すべてのレッスンは2027年1月31日まで無料で読めます。アカウント登録は不要です。
学習トラック
すべてのレッスン →ここから始める
入門トラックの全体 →機械学習とは何か
ルールを人が書くのではなくデータに当てはめるプログラム、学習と予測のループ、トラック全体で使う用語、そして機械学習が適さない場面
データがモデルである: データセット、分割、リーク
pandasで小さな合成データセットを作り、学習・検証・テストに分割し、リークする特徴量を仕込んで検証スコアが嘘をつく様子を観察します
線形回帰とロジスティック回帰をゼロから実装する
最小二乗法をnumpyで閉形式に解き、次にシグモイドと対数損失を使うロジスティック回帰を勾配降下法で当てはめ、どちらもscikit-learnと照合します
学習ループ: 損失、勾配、学習率
ほぼすべてのモデルを学習させる4ステップのループ、手計算と有限差分で検証する勾配、そして遅すぎ・適切・発散の3つを1枚のチャートで示す学習率の掃引
決定木と勾配ブースティング
決定木が分岐を選ぶ仕組み、深さが学習精度と保留精度に与える影響、勾配ブースティングが小さな木を積み重ねて強いモデルを作る方法、そして特徴量重要度に注意が必要な理由
嘘をつかない評価
不均衡データで正解率が誤解を招く理由、適合率・再現率・F1・ROC-AUCが測るもの、層化交差検証とダミーベースラインで誠実さを保つ方法、ブートストラップでスコアに区間を付ける方法
トピックハブ
全20トピック →機械学習の基礎
パラダイム、バイアスと分散、損失関数、最適化、評価
データ、特徴量、パイプライン
収集、ラベリング、クリーニング、特徴量、リーク、分割、バージョン管理
古典的機械学習
線形モデル、木、ブースティング、SVM、k-NN、クラスタリング、PCA
ディープラーニング
誤差逆伝播、初期化、正規化、正則化、最適化器、スケジュール
トランスフォーマーと大規模言語モデル
注意機構、トークン化、事前学習、スケーリング則、デコーディング、コンテキスト窓
ファインチューニングとアライメント
SFT、LoRAとQLoRA、RLHF、DPO、指示データ、アライメントの評価
プロンプティング、ツール使用、エージェント
プロンプト、構造化出力、ツール呼び出し、エージェントループ、MCP、評価
検索とRAG
エンベディング、ベクトル索引、チャンク化、ハイブリッド検索、リランカー、評価
コンピュータビジョン
CNN、ビジョントランスフォーマー、検出、分割、画像拡散モデル、動画
音声とオーディオ
音声認識、テキスト音声合成、音声エンベディング、ストリーミング推論
生成モデル
VAE、GAN、拡散モデル、フローマッチング、自己回帰モデルの比較
強化学習
MDP、方策勾配法、PPO、オフラインRL、言語モデルのためのRL
プラットフォーム
プラットフォームハブ →作ってみる
すべてのプロジェクト →PyTorchでCPU上に作るMNIST級のCNN
16x16の数字画像で2層の畳み込みネットワークをノートPCのCPUで1秒以内に学習し、損失曲線を読み、混同行列を出力して、どの数字を間違えるかを調べます。
FastAPIエンドポイント付きの表形式データ分類器
乳がんデータセットでscikit-learnのパイプラインを学習し、joblibで保存し、/predictと/healthを持つFastAPIアプリから提供します。サーバーを起動する前に、アプリをインプロセスでテストします。
Apple Silicon上でLoRAを使い、小さなモデルを15分以内にファインチューニングする
SmolLM2-135Mが素のままではできない日付形式の変換を、MPSまたはCPUで60ステップ学習したランク8のLoRAアダプタで教え、アダプタを保存・再読み込み・検証します。