LLMの仕組み（簡単バージョン）

理科・サイエンス基礎大学教養7:44
YouTubeで見る
3

3Blue1BrownJapan

チャンネルを見る
#3Blue1BrownJapan#LLM#大規模言語モデル#ChatGPT#ニューラルネットワーク#Transformer

おすすめ動画

19:41深層学習の仕組み, 勾配降下 | Chapter 2, 深層学習（ディープラーニング）3Blue1BrownJapan17:53ニューラルネットワークの仕組み | Chapter 1, 深層学習（ディープラーニング）3Blue1BrownJapan21:32LLMはどう知識を記憶しているか | Chapter 7, 深層学習3Blue1BrownJapan9:18Chapter 6 行列式 | 線形代数のエッセンス3Blue1BrownJapan

おすすめ動画

Chapter 3 行列と一次変換 | 線形代数のエッセンス10:21

Chapter 3 行列と一次変換 | 線形代数のエッセンス

3Blue1BrownJapan

数学基礎
Chapter 2 線形結合, Span, 基底ベクトル | 線形代数のエッセンス9:17

Chapter 2 線形結合, Span, 基底ベクトル | 線形代数のエッセンス

3Blue1BrownJapan

数学基礎
Chapter 1 ベクトル | 線形代数のエッセンス9:10

Chapter 1 ベクトル | 線形代数のエッセンス

3Blue1BrownJapan

数学基礎
GPTとは何か Transformerの視覚化 | Chapter 5, Deep Learning26:36

GPTとは何か Transformerの視覚化 | Chapter 5, Deep Learning

3Blue1BrownJapan

数学標準
誤差逆伝播法（バックプロパゲーション） | Chapter 3, ニューラルネットワークの仕組み12:49

誤差逆伝播法（バックプロパゲーション） | Chapter 3, ニューラルネットワークの仕組み

3Blue1BrownJapan

理科・サイエンス標準
毛玉の定理【トポロジー】27:29

毛玉の定理【トポロジー】

3Blue1BrownJapan

数学標準
ラプラス変換の仕組み34:20

ラプラス変換の仕組み

3Blue1BrownJapan

数学標準
オイラーの公式と物理【ラプラス変換準備編】27:58

オイラーの公式と物理【ラプラス変換準備編】

3Blue1BrownJapan

理科・サイエンス標準
グローバーのアルゴリズムの補足説明17:15

グローバーのアルゴリズムの補足説明

3Blue1BrownJapan

数学標準
量子コンピュータの仕組み【グローバーのアルゴリズム】39:33

量子コンピュータの仕組み【グローバーのアルゴリズム】

3Blue1BrownJapan

理科・サイエンス発展
群論 と 19万6883次元のモンスター21:34

群論 と 19万6883次元のモンスター

3Blue1BrownJapan

数学発展
GPT解説2 アテンションの仕組み (Attention, Transformer) | Chapter6, 深層学習26:05

GPT解説2 アテンションの仕組み (Attention, Transformer) | Chapter6, 深層学習

3Blue1BrownJapan

アルゴリズム・データ構造発展
なぜ正規分布どうしの畳み込みは正規分布なのか12:19

なぜ正規分布どうしの畳み込みは正規分布なのか

3Blue1BrownJapan

数学標準
畳み込みの仕組み | Convolution22:17

畳み込みの仕組み | Convolution

3Blue1BrownJapan

数学発展
突然崩れるパターン | ボールウェイン積分17:02

突然崩れるパターン | ボールウェイン積分

3Blue1BrownJapan

数学発展
誤差逆伝播と微積分 | Chapter 4, ニューラルネットワークの仕組み9:58

誤差逆伝播と微積分 | Chapter 4, ニューラルネットワークの仕組み

3Blue1BrownJapan

理科・サイエンス発展
Chapter 16 抽象ベクトル空間 | 線形代数のエッセンス16:26

Chapter 16 抽象ベクトル空間 | 線形代数のエッセンス

3Blue1BrownJapan

数学標準
Chapter 15 固有値の計算の小技 | 線形代数のエッセンス12:58

Chapter 15 固有値の計算の小技 | 線形代数のエッセンス

3Blue1BrownJapan

数学標準
Chapter 14 固有ベクトルと固有値 | 線形代数のエッセンス15:59

Chapter 14 固有ベクトルと固有値 | 線形代数のエッセンス

3Blue1BrownJapan

数学標準
Chapter13 基底変換 | 線形代数のエッセンス12:44

Chapter13 基底変換 | 線形代数のエッセンス

3Blue1BrownJapan

数学標準
Chapter12 クラメルの公式 | 線形代数のエッセンス11:27

Chapter12 クラメルの公式 | 線形代数のエッセンス

3Blue1BrownJapan

数学標準
Chapter 11 一次変換と外積 | 線形代数のエッセンス12:16

Chapter 11 一次変換と外積 | 線形代数のエッセンス

3Blue1BrownJapan

数学標準
Chapter 10 外積 | 線形代数のエッセンス8:39

Chapter 10 外積 | 線形代数のエッセンス

3Blue1BrownJapan

数学標準
Chapter 9 内積と双対 | 線形代数のエッセンス14:01

Chapter 9 内積と双対 | 線形代数のエッセンス

3Blue1BrownJapan

数学標準
ゼータ関数の見た目【解析接続】18:57

ゼータ関数の見た目【解析接続】

3Blue1BrownJapan

数学発展
Chapter 8 非正方行列 | 線形代数のエッセンス4:14

Chapter 8 非正方行列 | 線形代数のエッセンス

3Blue1BrownJapan

数学標準
10:21Chapter 3 行列と一次変換 | 線形代数のエッセンス3Blue1BrownJapan9:17Chapter 2 線形結合, Span, 基底ベクトル | 線形代数のエッセンス3Blue1BrownJapan9:10Chapter 1 ベクトル | 線形代数のエッセンス3Blue1BrownJapan26:36GPTとは何か Transformerの視覚化 | Chapter 5, Deep Learning3Blue1BrownJapan12:49誤差逆伝播法（バックプロパゲーション） | Chapter 3, ニューラルネットワークの仕組み3Blue1BrownJapan27:29毛玉の定理【トポロジー】3Blue1BrownJapan34:20ラプラス変換の仕組み3Blue1BrownJapan27:58オイラーの公式と物理【ラプラス変換準備編】3Blue1BrownJapan17:15グローバーのアルゴリズムの補足説明3Blue1BrownJapan39:33量子コンピュータの仕組み【グローバーのアルゴリズム】3Blue1BrownJapan21:34群論 と 19万6883次元のモンスター3Blue1BrownJapan26:05GPT解説2 アテンションの仕組み (Attention, Transformer) | Chapter6, 深層学習3Blue1BrownJapan12:19なぜ正規分布どうしの畳み込みは正規分布なのか3Blue1BrownJapan22:17畳み込みの仕組み | Convolution3Blue1BrownJapan17:02突然崩れるパターン | ボールウェイン積分3Blue1BrownJapan9:58誤差逆伝播と微積分 | Chapter 4, ニューラルネットワークの仕組み3Blue1BrownJapan16:26Chapter 16 抽象ベクトル空間 | 線形代数のエッセンス3Blue1BrownJapan12:58Chapter 15 固有値の計算の小技 | 線形代数のエッセンス3Blue1BrownJapan15:59Chapter 14 固有ベクトルと固有値 | 線形代数のエッセンス3Blue1BrownJapan12:44Chapter13 基底変換 | 線形代数のエッセンス3Blue1BrownJapan11:27Chapter12 クラメルの公式 | 線形代数のエッセンス3Blue1BrownJapan12:16Chapter 11 一次変換と外積 | 線形代数のエッセンス3Blue1BrownJapan8:39Chapter 10 外積 | 線形代数のエッセンス3Blue1BrownJapan14:01Chapter 9 内積と双対 | 線形代数のエッセンス3Blue1BrownJapan18:57ゼータ関数の見た目【解析接続】3Blue1BrownJapan4:14Chapter 8 非正方行列 | 線形代数のエッセンス3Blue1BrownJapan