4 AI 数学：最小限の基礎

第 4 章の目的は 1 つです。モデルの中の数学を、実行でき、説明できる道具として感じられるようにすることです。

メインルートでの位置

ここまでに、基本的なコーディングとデータ分析の流れを作りました。この章では、その作業をモデルの言葉へ変換します。データはベクトルや行列になり、不確かさは確率になり、誤りは loss になり、改善は勾配にもとづくパラメータ更新になります。

続ける前に数学者になる必要はありません。最小の例を実行し、出力を読み、各数式がどのモデル動作を支えるか説明できれば十分です。第 5 章では、この土台を sklearn のモデル学習と評価に使います。

まずモデル数学ループを見る

先に図を見てください。このコースの AI 数学の多くは、次のループを支えます。

データを表す→不確かさを測る→損失を測る→パラメータを更新する

ベクトルと行列はデータを表し、確率は不確かさを表し、損失はどれくらい間違ったかを示し、勾配はどちらへ改善するかを示します。

学習順序とタスクリスト

先に理論を学び、その後でフルワークショップを実行します。ワークショップは、概念をゼロから紹介する場ではなく、学んだ内容をつなげる場です。

1. 4.1 線形代数: ベクトル、行列、内積、ノルム、コサイン類似度で例を比較する。
2. 4.2 確率と統計: 不確かさ、分布、平均、分散、エントロピー、損失をシミュレーションする。
3. 4.3 微積分と最適化: 導関数、勾配、学習率、勾配降下を追跡する。
4. 4.4 フル数学ワークショップ: 1 つの実行スクリプトで全体をつなげ、ch04_math_workshop_evidence/ を残す。

必修ルート、拡張、深掘り

層	いま学ぶこと	どう使うか
必修コア	ベクトル類似度、行列 shape、確率の直感、loss、勾配降下	後で特徴量、指標、embedding、検索スコア、学習更新になります
任意の拡張	固有値、ベクトル空間、歴史と基礎	PCA、表現の幾何、モデル史の問いが出たときに戻ります
深掘り課題	入力、確率、loss、学習率を 1 つ変え、結果を予測してからコードを実行する	実験前に考える習慣を作ります

本章でよく使う用語：

用語	意味
Embedding	テキスト、画像、ユーザー、アイテムのベクトル表現
dot product	2 つのベクトルの方向がどれくらい一致するか
norm	ベクトルの長さや強さ
entropy	不確かさや驚き
loss	モデルの誤りを測る数値
gradient	値を最も速く変える方向
GD / SGD	勾配降下 / 確率的勾配降下：損失の下り坂を進む方法

最初の実行ループ

NumPy がなければ先に入れます。

python -m pip install numpy

次のスクリプトを実行します。Embedding や検索の前に、ベクトル類似度がなぜ重要かを確認します。

import numpy as np

python_topic = np.array([1.0, 1.0, 0.0])
data_topic = np.array([1.0, 0.8, 0.2])
unrelated_topic = np.array([0.0, 0.1, 1.0])

def cosine(a, b):
    return a @ b / (np.linalg.norm(a) * np.linalg.norm(b))

print("Python vs data:", round(cosine(python_topic, data_topic), 3))
print("Python vs unrelated:", round(cosine(python_topic, unrelated_topic), 3))

期待される出力：

Python vs data: 0.982
Python vs unrelated: 0.071

コードは小さいですが、この考え方は後で Embedding、検索、推薦、Attention、RAG に何度も出てきます。

この出力の読み方

• 0.982 は、2 つのベクトルがかなり近い方向を向いていることを示します。
• 0.071 は、無関係なベクトルが Python トピックとほぼ直交していることを示します。
• これらは不思議なスコアではなく、内積をベクトル長で割った値です。
• 1 つの次元を変える前に、結果がどちらへ動くか予測してから実行します。

深度ラダー

レベル	証明できること
最低合格	ベクトル類似度の例を実行し、各次元が何を表すか説明できる。
プロジェクト利用可	ベクトル、確率、損失、勾配を、別々の公式ではなく 1 つのモデル動作へ対応づけられる。
深い確認	入力や学習率を 1 つ変え、結果の変化方向を予測してからコードで確認できる。

残す証拠

このページを終えたら、この evidence card を残します。

概念ブリッジ

学習や AI アプリケーションを支える数学の考え方はどれか

計算

手計算または NumPy で確認できる小さな例

出力

number、curve、vector、matrix、probability、またはgradient trace

失敗確認

モデルの振る舞いを理解せずに数式だけを暗記している

期待される成果

1つの実際の AI 操作を説明する数学メモ

よくある失敗

症状	最初に確認すること	よくある修正
数式が抽象的すぎる	どのモデル動作を支えるか	表す、比較する、不確かさを測る、損失を測る、更新する、に訳す
ベクトル例が任意に見える	各次元が何を意味するか	計算前に次元ラベルを書く
確率の用語が混ざる	何がランダムで、何がイベントか	サンプル、結果、確率を小さな表にする
勾配降下が発散する	学習率が大きすぎないか	各ステップの loss を表示し、学習率を下げる
ワークショップが魔法に見える	理論を飛ばしていないか	先に 4.1、4.2、4.3 のロードマップを読む

通過チェック

次の 5 つに答えられたら、第 5 章へ進めます。

• 1 つのサンプルはどうやってベクトルになりますか？
• モデル出力を確率や信頼度として読めるのはなぜですか？
• loss は何を測っていますか？
• 勾配はパラメータにどちらへ動くべきかをどう伝えますか？
• 4.4 フル数学ワークショップ を実行し、生成ファイルを説明できますか？

印刷用のチェックリストが必要なときは、4.0 学習ガイドとタスクリスト を使ってください。次の章では、この数学直感を sklearn のモデル学習と評価に落とし込みます。

確認の考え方と解説

• 通過チェックでは、公式、コード、モデルの挙動をつなげます。「式を知っている」で止めず、小さな計算と、それが説明する AI タスクを示します。
• ベクトルと行列では shape 確認と、類似度または変換結果を証拠にします。確率では繰り返しサンプルの推定や Bayes 更新、微積分では勾配と 1 回の更新ステップを示します。
• ある数値の意味を普通の言葉で説明できない場合は、この章を閉じずに、図か小さな NumPy 例を追加してください。