計測済みの棚AI・機械学習
AI and machine learning videos, ranked by how much of them is useful
- 水増しの中央値
- 34%
- 有用な部分の開始
- 0:47
- 典型的な尺
- 23 min
最終再計算 2026/10/19
This is the category where the gap between reputation and substance is widest, because the subject rewards two very different videos that look identical from the outside.
The first kind spends its runtime on analogy. Neurons are like brain cells, attention is like paying attention, the model is like a very good autocomplete. It is pleasant, it is often accurate, and after forty minutes you cannot do anything you could not do before. The second kind uses one analogy to get you onto the ramp and then shows the actual arithmetic. Both get the same thumbnail treatment, and both are described as “explained”.
The measurement that separates them is density: what share of the runtime introduces something the previous minute did not already contain. Repetition of an idea in three different metaphors scores low here, and that is deliberate — it is the single most common way a fifteen-minute idea becomes a fifty-minute video in this subject.
Entries also carry a difficulty level, because “explained simply” and “explained” are not the same shelf, and the fastest way to waste an hour is to pick the wrong one for where you already are.
-
01
-
02
-
03
-
04
Let's build the GPT Tokenizer
0:002:13:35- 密度
- 93
- 水増し
- 18%
Pythonでバイトレベルのトークナイザーを実際に作る実践編です(20回マージのデモ、エンコードとデコード、GPT-2/GPT-4の正規表現、SentencePiece)。SolidGoldMagikarp、末尾の空白、スペルの弱さが起こる理由も説明します。
-
05
-
06
-
07
-
08
How might LLMs store facts | Deep Learning Chapter 7
0:0022:43- 密度
- 91
- 水増し
- 25%
- 有用な部分は
- 2:08
ReLUをANDゲートとして使い、MLPブロックが「マイケル・ジョーダンはバスケットボールをする」を保存する簡単な例と、GPT-3の約1160億のMLPパラメータ、重ね合わせを解説。
-
09
But how do AI images and videos actually work? | Guest video by Welch Labs
0:0037:20- 密度
- 91
- 水増し
- 20%
- 有用な部分は
- 3:28
-
10
Gradient descent, how neural networks learn | Deep Learning Chapter 2
0:0020:33- 密度
- 91
- 水増し
- 23%
- 有用な部分は
- 0:37
-
11
-
12
-
13
-
14
-
15
More Than Image Generators: A Science of Problem-Solving using Probability | Diffusion Models
0:0052:29- 密度
- 90
- 水増し
- 22%
- 有用な部分は
- 2:28
拡散をランジュバン・サンプリングとして捉える。ネットワークが対数密度の勾配を与え、ノイズが多様性を与える。サイコロの目、2峰分布、1,000ステップ中500ステップ目でノイズを除いたレッサーパンダで示される。
-
16
-
17
-
18
Transformer Neural Networks, ChatGPT's foundation, Clearly Explained!!!
0:0036:15- 密度
- 88
- 水増し
- 19%
- 有用な部分は
- 1:04
-
19
Diffusion Models From Scratch | Score-Based Generative Models Explained | Math Explained
0:0038:11- 密度
- 88
- 水増し
- 23%
- 有用な部分は
- 1:20
-
20
-
21
-
22
Neural Network from Scratch | Mathematics & Python Code
0:0032:32- 密度
- 87
- 水増し
- 22%
- 有用な部分は
- 1:54
モジュール式のnumpy製ニューラルネットワークをゼロから作り、全結合層と活性化層の誤差逆伝播を導出し、2-3-1のtanhネットワークをXORで学習させる。MNISTのコードはリンクのみ。
-
23
Support Vector Machines Part 1 (of 3): Main Ideas!!!
0:0020:32- 密度
- 86
- 水増し
- 26%
- 有用な部分は
- 0:48
最大マージンからソフトマージン、SVMへの明快な積み上げ：投与量を2乗すると重なった1次元データが2次元になり、多項式カーネルと放射基底カーネル、カーネルトリックも扱う。
-
24
-
25
Gistil's own measurement. Not a YouTube rating, and not the channel's position. 順位は私たちのものですが、動画自体はそれぞれのチャンネルに属します。
この順位はどう決まるのか
ここにあるすべての動画は同じ軸で計測されています——尺のどれだけが情報を運んでいるか、どれだけが水増しか、そして何秒から元が取れ始めるか。並び順は価値密度によるもので、再生回数や新しさ、私たちのチャンネルへの好みによるものではありません。数字が意味するもの →