LLM入門

このページでは、AI技術に関心のある方のために、LLM（大規模言語モデル）の基礎から応用までをわかりやすく解説します。

合計 14 件の記事があります。 | 現在 1 ページ中の 1 ページ目です。

第14章 — エンジニアのための実践的知識

LLM Primer II 第14章、歩き読みシリーズの最終回です。本書を読み終えたあと、どのように理解を深め続けるか。PyTorch、JAX、Hugging Face、vLLM などの道具立てを数学に重ね、シリーズの次の巻へとご案内します。

2026-03-16

LLM Primer II シリーズの第3章です。本書が必要とする確率と線形代数を、必要な分量で、必要な順番で並べさせていただく短い章。最尤推定としての訓練、ベクトル空間と埋め込み、そして Attention への橋渡し。

2026-03-05

LLM Primer II シリーズの第2章です。前作『LLM Primer』の素朴な物語と、本書の数学とを橋渡しする章。LLM とはなにか、事前学習・パラメータ・スケール、データとしての言語、そしてトランスフォーマーが風景を塗り替えた理由。

2026-03-04

本書『LLM Primer II — 数学で読み解く言語モデル』を、章ごとに紹介するシリーズの序文と全14章の一覧です。

2026-03-02

トランスフォーマーモデルにおける数理的な仕組みを解説します。セルフアテンションメカニズムの行列演算や、マルチヘッドアテンションによる文脈理解の向上について詳しく説明します。

2024-10-11

線形代数はLLM（大規模言語モデル）の数理的基盤です。単語の埋め込みやベクトル空間内での操作、コサイン類似度を用いた単語の関係性の解析について詳しく解説します。

2024-10-10

確率論と統計は、LLMの言語生成や次の単語の予測において重要な役割を果たします。n-gramモデル、マルコフ連鎖、最大尤度推定（MLE）など、LLMの予測精度を向上させる数理的手法について解説します。

2024-10-09

LLMの動作に深く関わる数理モデルについて解説します。確率論や統計がどのように言語生成に使われ、線形代数が単語埋め込みやベクトル空間での計算にどのように貢献しているのかを詳しく説明します。

2024-10-08

自然言語処理（NLP）の基本概念と、その数学的手法を解説します。確率論、統計、線形代数を利用したアプローチを通じて、NLPがどのようにテキストを理解・生成し、LLMに応用されているのかを紹介します。

2024-10-06

本記事では、LLMの基礎概念として、自然言語処理（NLP）の概要とトランスフォーマーモデルの仕組みについて詳しく説明します。LLMがどのようにして膨大なデータを処理し、高精度な結果を出すのかを理解します。

2024-10-06

大規模言語モデル（LLM）は、単語の意味を「ベクトル」として数値で扱っています。本記事では、ベクトルとは何か、なぜ言葉を数で表現するのかをやさしく解説します。LLMの“頭の中”を覗いてみましょう。

2024-10-04

大規模言語モデル（LLM）の「迷い」を数式で捉えるとは？本記事では、情報量・エントロピー・クロスエントロピーという情報理論の基礎概念を使い、LLMの予測の仕組みをわかりやすく解説します。損失関数の意味を本質から理解する1章。

2024-10-04

本記事では、LLM（大規模言語モデル）の仕組みを数学的視点から解説します。トランスフォーマーモデルや勾配降下法といった技術をわかりやすく説明し、エンジニア向けにLLMの理解を深めるための基礎知識を提供します。

2024-10-02

大規模言語モデル（LLM）の基礎から応用までを初心者向けにわかりやすく解説。LLMの仕組み、トレーニング、活用方法を体系的に学べる入門ガイド。

2024-10-01