構造化LLM学習パス：ゼロからAI研究者への8フェーズカリキュラム
トランスフォーマー、事前学習、ファインチューニング、アライメント、推論、プロンプティング、エージェント、先端研究をカバーする自己ペースのカリキュラム。完了まで約5ヶ月（深層学習経験者は3ヶ月）。
このGitHubリポジトリは、大規模言語モデル（LLM）とLLMベースのエージェントを習得するための体系的な自己学習パスを提供します。カリキュラムは8つのフェーズで構成され、完了まで約5ヶ月（深層学習経験者は約3ヶ月）を目安としています。各フェーズにはREADMEが用意され、学習目標、読書リスト、演習が記載されています。学習者はフェーズごとに進め、notesフォルダにメモを取り、チェックボックスで進捗を管理し、reading-logで論文を記録します。
フェーズ1（基礎）では、中級以上のPython、線形代数（ベクトル、行列、内積）、微積分（微分、連鎖律）、確率論（分布、ベイズの定理）を前提とします。フェーズ2（トランスフォーマー）ではアーキテクチャを深く学び、フェーズ3（事前学習とスケーリング）ではスケーリング則を探求します。フェーズ4（ファインチューニングとアライメント）では教師あり学習やRLHFを扱います。フェーズ5（推論とデプロイ）では最適化手法、フェーズ6（プロンプティングと推論）では連鎖思考などを学びます。フェーズ7（LLMエージェント）では自律エージェントを構築し、フェーズ8（先端研究）では最新論文や未解決問題に取り組みます。
主なリソースとして、Karpathyの「NN: Zero to Hero」動画シリーズ、HuggingFaceのLLMコース、Lilian Wengのブログ、Papers With Code、arXiv cs.CLを活用します。この学習パスはオープンソースであり、フォークや修正、共有が自由に行えます。