AI LEARNING
AI のしくみを、
手を動かして学ぶ。
「AI とは何か」という基本から、Transformer・エージェント・運用の実務まで。 クイズと操作できるデモで理解を確かめながら進める、全 36 レッスンの教材です。進捗はこのブラウザに保存されます。
01ダッシュボード
0 / 36
レッスン修了
RANK
ルーキーROOKIE
0 XP
次のランク「ラーナー」まで 500 XP
LEVELS
BADGES
0 / 802カリキュラム
AI の全体像をつかみ、生成 AI と安全に付き合えるようになる
AI の基礎知識
0/3そもそも AI とは何か。歴史と分類、身の回りの活用例から全体像をつかむ。
機械学習のしくみ
0/3教師あり／なし／強化学習の違い、データと特徴量、過学習まで。機械学習の共通言語を身につける。
生成 AI と付き合う
0/3ChatGPT に代表される生成 AI・LLM の基本と、プロンプトの書き方、限界とリスクを学ぶ。
広がる生成 AI：画像・音声・マルチモーダル
0/3テキスト以外の生成 AI へ。画像生成・音声認識/合成・マルチモーダルの基本と使いどころ。
03AI プレイグラウンド
しくみを文章で追うだけでなく、実際に動かして確かめるためのデモです。 計算はすべてこのページの中で実行しています（サーバーへの送信はありません）。
自分で描いたデータで AI を学習させる
点をグリグリ描く → ニューラルネットが境界線をリアルタイムに学ぶ
前提：教師あり学習の「分類」は、例（点と色）から 2 つのグループの分け方を学ぶことです。ニューラルネットは境界線を自在に曲げられます。
キャンバスに青と赤の点を自由に描いて、▶ を押してください。 ニューラルネットがその場で学習を始め、2 色を分ける境界線がリアルタイムに変形していきます。渦巻きのような難しい形は、隠れニューロンが 少ないと学習しきれません。数を増やすとどうなるか試してみてください。
PRESET
HIDDEN NEURONS
TRAIN
epoch 0 ・ 点数 0 ・ 正解率 0% ・ 損失 0.000
HIDDEN UNITS
各隠れニューロンが見ている世界。1 個 1 個は直線的な境界しか作れませんが、 これらを重ね合わせることで上の曲がった境界ができています。
パーセプトロンを直接さわる
入力・重み・バイアスをいじって AND ゲートを作る
前提：パーセプトロンは「入力の重み付き合計がしきい値を超えたら 1 を出す」というニューラルネットの最小単位です。
実際に動くパーセプトロンです。丸い入力をクリックして 0/1 を切り替え、 エッジ上の ▲▼ で重みとバイアスを直接調整して、 「両方の入力が 1 のときだけ発火（出力 1）」する AND ゲートを作ってみてください。
4 つのケースがすべて ✓ になれば完成です。
ニューラルネットワークで XOR を学習する
単一パーセプトロンと隠れ層ありを、同じデータで学習させて見比べる
前提：誤差逆伝播は「出力の間違いから、各重みをどれだけ直すかを逆向きに計算する」学習アルゴリズムです。
XOR は「x₁ と x₂ のどちらか一方だけが 1 のとき、答えが 1」という規則です。 下の 4 つがそのすべてのケースで、これを正しく分類できるように学習させます。 前のデモと同じ単一パーセプトロンと、間に 2 個のニューロン（隠れ層）を挟んだネットワークを、 同じデータで同時に学習させて比べます。
学習回数: 0 エポック
単一パーセプトロン
直線的な境界しか作れない
正解 1/4 ・ 損失 0.261
損失の推移（学習の記録）
図の見かた：横軸が x₁、縦軸が x₂。青い領域＝そのネットワークが「1」と答える範囲です。 丸の中の数字が正解で、枠が緑なら正しく分類できています。
まだ学習していません。「学習を再生」を押すと、2 つのネットワークが同じ 4 点のデータで少しずつ学習し、答えの地図が変形していく過程をそのまま観察できます。
勾配降下法シミュレータ
学習率しだいで収束・振動・発散が変わる
前提：勾配降下法は「損失（間違いの大きさ）が下がる方向に、少しずつパラメータを動かす」最適化の基本です。
「1 ステップ進む」で、ボールが勾配に沿って損失の谷を下ります。学習率を変えると挙動がどう変わるか試してみましょう（小さい＝遅い / 大きい＝振動 / 2.0 超＝発散）。
ステップ数: 0 ／ 現在の損失: 32.000
次トークン予測と温度
LLM の文章生成と「ゆらぎ」のしくみ
前提：LLM は「次に来る単語（トークン）の確率」を予測し、それを繰り返して文章を作っています。
小さな「おもちゃの言語モデル」で次トークン予測を体験。温度（temperature）が低いほど確率最大の語が選ばれやすく、高いほど多様になります。同じ設定でも結果が毎回変わることも確かめてみてください。
今日の会議は▌
次の語の確率分布（温度で変化）
Self-Attention を眺める
単語が文中のどこに注目しているか
前提：Self-Attention は「文中の単語同士が、互いをどれだけ参照するか（注目度）」を計算するしくみです。
単語をクリックすると、そのトークンが文中のどこに注目しているか（背景の濃さ＝注目度）が変わります。Self-Attention が文脈を捉える様子のミニチュアです。
「銀行」は「口座」に最も注目 — この文脈では金融機関の意味だと確定できます。