2025年6月– date –
-
[Medical AI with Python: P68] パラメータ効率的ファインチューニング（PEFT） — LoRAを用いて巨大モデルを低コストで特定タスクに適応させる手法を学ぶ
LoRA: 巨大AIの低コスト再教育法 巨大AIを自分専用にする「ファインチューニング」は、莫大なコストが課題でした。LoRAは、元のモデルを凍結し、ごく僅かな「差分」だけを学習する画期的な手法です。これにより、計算コストと保存容量を劇的に削減し、誰で... -
[Medical AI with Python: P61.1] ResNetとDenseNet — スキップ接続を用いて勾配消失を克服し、深層学習を可能にした革新的構造を学ぶ
TL; DR (要約) AIを深くすると学習が止まる「深さの壁」を、シンプルな「バイパス（スキップ接続）」で打ち破った革命。 現代の深層学習の礎となったResNetとDenseNetの賢い発想の要点です。 ① 課題(深さの壁) ネットワークを深くしすぎると、学習信号が届... -
[Medical AI with Python: P67] Vision Transformer (ViT) — Transformerアーキテクチャを画像認識に応用する新時代のモデルを学ぶ
TL; DR (要約) 「もしAIが、画像を文章として読んだら？」という革命的な発想から生まれたVision Transformer (ViT)。 自然言語処理の王者Transformerを画像認識に応用した、次世代AIの要点です。 ① 発想の転換(画像を文章に見立てる) 画像をジグソーパズ... -
[Medical AI with Python: P66] 自己教師あり学習 — 大量のラベル無しデータからAIが自ら学ぶ「独学」の技術を理解する
TL; DR (要約) AIは「正解ラベル」がなくても賢くなれます。その秘密が、AI自身が問題を作って学ぶ「自己教師あり学習」です。 これは、現代の高性能AIを支える最も重要な「独学」の技術です。 ① 基本的な考え方(自作クイズで独学) AIにラベル無しデータか... -
[Medical AI with Python: P65] 生成モデル入門③ 拡散モデル (Diffusion Models) — ノイズを除去する過程で画像を創り出す、新時代の生成AI原理を学ぶ
TL; DR (要約) AI画像生成の新たな王者、拡散モデル。その発想は「完璧な砂絵を壊し、その逆再生を学習する」こと。 ノイズから「美」を創造する、最先端の生成AIの核心を3ステップで解説します。 ① 基本のアイデア(砂絵の逆再生) 拡散: 綺麗な画像をノイ... -
[Medical AI with Python: P64] 生成モデル入門② 潜在変数モデル (VAE/GAN) — データを抽象的な「潜在空間」へ写し取り、創造する仕組みを学ぶ
TL; DR (要約) AIが「分類する評論家」から、新しいデータを「創造する芸術家」へ。 データの本質を「設計図(潜在空間)」として学び、創造する2大生成モデルVAEとGANの比較です。 VAE (変分オートエンコーダ)【安定志向の優等生】 仕組み: データを「平均... -
[Medical AI with Python: P63] 学習の「ペース配分」を最適化する：学習率スケジューリング入門
TL; DR (要約) AIの学習もマラソンと同じで「ペース配分」が重要。ずっと同じ速度では最高の性能は出ません。 学習率を賢く調整する学習率スケジューリングの要点です。 ① ウォームアップ (助走)学習のスタート 学習初期はごく低い学習率から始め、徐々に... -
[Medical AI with Python: P61] 深層学習の「高速道路」：ResNetとスキップ接続の革新
TL; DR (要約) AIを深くすると、なぜか性能が劣化する「深さの壁」。 この壁を「バイパス（スキップ接続）」という天才的な近道で打ち破ったのが、現代AIの礎ResNetです。 ① 課題(深さの壁) 層を深くしすぎると、AIが「何もしない」ことすら学べず、学習信... -
[Medical AI with Python: P62] 深層学習の「安定化装置」：正規化層と重みの初期化
TL; DR (要約) 深いAIの学習は、情報が歪む「伝言ゲーム」のようで不安定でした。 学習を高速化・安定化させるための、2つの必須テクニック「正規化層」と「重みの初期化」の要点です。 ① 課題(内部共変量シフト) 層が深くなると、学習中に各層への入力デ... -
[Medical AI with Python: P27] 初めての総合演習！多層ニューラルネットで疾患予測に挑戦
TL; DR (要約) AI開発は料理と同じ。良い食材（データ）を正しく下ごしらえし、レシピ通りに調理し、最後に味見（評価）する。 この総合演習では、心疾患予測をテーマに、AI開発のフルコースレシピを最初から最後まで体験します。 ① データの下ごしらえ(ED...
