参考文献ありで用語を解説するプロンプト
【入力フォーマット】
あなたは、大学講義レベルの専門知識を持つAIリサーチャー兼教育設計者です。
以下に入力された用語リストをもとに、それぞれの用語を数理的・技術的観点から正確に解説してください。
各用語について、次の構成でプレーンテキストとして出力します。
すべての説明は学術的で簡潔にまとめ、参考文献と関連動画リンクを併記してください。
【出力フォーマット】
### 用語：〇〇（英語表記：XXXX）
【定義】
→ 一文で定義を示す。
【数理・技術的解説】
→ 原理・数式・モデル構造・アルゴリズム的要素を簡潔に説明。
【応用例】
→ 生成AI、機械学習、自然言語処理、画像処理などの具体的応用を1〜2行で説明。
【参考文献】
- 論文または教科書名（著者, 年, 出版社）
- オンライン資料URL（信頼性の高い公式・学術ページ）
【関連動画】
- YouTube等の公式・教育チャンネルURL（例：Stanford CS231n, MIT OCW, DeepLearning.AI）
【条件】
トーン：中立・学術的・客観的
文体：プレーンテキスト（Markdown形式で可）
対象：大学生・大学院生・研究職
分量：1用語あたり150〜250字程度
言語：日本語（必要に応じて英語併記）
出力順：入力した順序で並列解説
出典は信頼性重視（論文・大学講義・公式ドキュメント）
YouTubeなどの教育動画を1本必ず提示（講義系限定）
【入力例】
用語リスト：
1. Transformer
2. Diffusion Model
3. Cross Entropy
【このプロンプトで得られる成果】
入力した用語群を学術的・教育的に整理したAI技術解説ノートを自動生成できる。
大学授業・研究会・教材制作・AIセミナー資料の基礎素材として利用可能。
参考文献と動画が付属するため、学習→参照→再利用の一連の知識循環を形成できる。
【1. 生成AIの基盤技術（Generative AI Core Technology）】
- Generative AI（生成AI）
- Diffusion Model（拡散モデル）
- Variational Autoencoder (VAE)（変分オートエンコーダ）
- Generative Adversarial Network (GAN)（敵対的生成ネットワーク）
- Flow-based Model（フローベース生成モデル）
- Latent Space（潜在空間）
- Sampling（サンプリング）
- Noise Schedule（ノイズスケジュール）
- Denoising Process（ノイズ除去過程）
- Score Function（スコア関数）
- Energy-based Model（エネルギーモデル）
- Autoencoder（オートエンコーダ）
- Decoder（デコーダ）
- Tokenization（トークン化）
- Text-to-Image（テキスト→画像生成）
- Text-to-Video（テキスト→動画生成）
- Text-to-Music（テキスト→音楽生成）
- Text-to-3D（テキスト→3D生成）
- Conditional Generation（条件付き生成）
- Multimodal AI（マルチモーダルAI）
【2. プロンプト設計理論（Prompt Engineering & Logic）】
- Prompt（プロンプト）
- Prompt Engineering（プロンプト設計）
- Prompt Tuning（プロンプト調整）
- Prefix Tuning（接頭チューニング）
- Soft Prompt（ソフトプロンプト）
- Chain-of-Thought（思考の連鎖）
- CoT Reasoning（推論誘導プロンプト）
- Zero-Shot Prompting（ゼロショットプロンプト）
- Few-Shot Prompting（少数例プロンプト）
- Instruction Tuning（指示チューニング）
- Self-Consistency（自己整合）
- ReAct Prompting（推論＋行動プロンプト）
- Tree-of-Thought（思考木構造）
- Retrieval-Augmented Generation (RAG)（検索拡張生成）
- Context Injection（文脈注入）
- Prompt Injection（プロンプト注入攻撃）
- Negative Prompt（ネガティブプロンプト）
- Temperature Parameter（温度パラメータ）
- Top-k Sampling（上位kサンプリング）
- Top-p Sampling (Nucleus Sampling)（確率核サンプリング）
【3. 数理的基礎（Mathematical Foundation）】
- Probability Distribution（確率分布）
- Gaussian Distribution（正規分布）
- Expectation（期待値）
- Variance（分散）
- Covariance（共分散）
- Entropy（エントロピー）
- Cross Entropy（交差エントロピー）
- KL Divergence（カルバック・ライブラー情報量）
- Bayesian Inference（ベイズ推論）
- Prior Distribution（事前分布）
- Posterior Distribution（事後分布）
- Maximum Likelihood Estimation（最尤推定）
- Log-Likelihood（対数尤度）
- Monte Carlo Sampling（モンテカルロ法）
- Markov Chain（マルコフ連鎖）
- Stochastic Process（確率過程）
- Gradient（勾配）
- Partial Derivative（偏微分）
- Hessian Matrix（ヘッセ行列）
- Jacobian Matrix（ヤコビ行列）
【4. 線形代数と表現学習（Linear Algebra & Representation Learning）】
- Matrix（行列）
- Vector（ベクトル）
- Tensor（テンソル）
- Dot Product（内積）
- Matrix Multiplication（行列積）
- Orthogonal Matrix（直交行列）
- Projection（射影）
- Eigenvalue（固有値）
- Eigenvector（固有ベクトル）
- Singular Value Decomposition (SVD)（特異値分解）
- Principal Component Analysis (PCA)（主成分分析）
- Linear Transformation（線形変換）
- Rank（階数）
- Basis（基底）
- Embedding Space（埋め込み空間）
- Latent Vector（潜在ベクトル）
- Dimensionality Reduction（次元削減）
- Manifold Learning（多様体学習）
- Orthogonality（直交性）
- Feature Vector（特徴ベクトル）
【5. 最適化・学習理論（Optimization & Learning Theory）】
- Gradient Descent（勾配降下法）
- Stochastic Gradient Descent（確率的勾配降下）
- Backpropagation（誤差逆伝播法）
- Learning Rate（学習率）
- Momentum（モメンタム）
- Adam Optimizer（アダム最適化）
- RMSProp（ルート平均二乗伝播）
- Weight Decay（重み減衰）
- Regularization（正則化）
- Dropout（ドロップアウト）
- Batch Normalization（バッチ正規化）
- Loss Function（損失関数）
- Mean Squared Error（平均二乗誤差）
- Cross Entropy Loss（交差エントロピー損失）
- Gradient Clipping（勾配クリッピング）
- Convergence（収束）
- Local Minima（局所最小値）
- Global Optimum（大域最適）
- Overfitting（過学習）
- Generalization（汎化）
【6. アテンションとトランスフォーマー数理（Transformer Mathematics）】
- Transformer（トランスフォーマー）
- Attention Mechanism（アテンション機構）
- Self-Attention（自己注意）
- Multi-Head Attention（多頭注意）
- Query Vector（クエリベクトル）
- Key Matrix（キー行列）
- Value Matrix（バリュー行列）
- Scaled Dot-Product（スケーリング内積）
- Positional Encoding（位置エンコード）
- Residual Connection（残差接続）
- Layer Normalization（層正規化）
- Feed-Forward Layer（前向き層）
- Masked Attention（マスク付き注意）
- Context Window（文脈ウィンドウ）
- Token Embedding（トークン埋め込み）
- Sentence Representation（文表現）
- Hidden State（隠れ状態）
- Softmax Function（ソフトマックス関数）
- Attention Weight（注意重み）
- Output Projection（出力射影）
【7. 生成AI出力制御（Sampling & Generation Control）】
- Beam Search（ビームサーチ）
- Greedy Decoding（貪欲デコーディング）
- Temperature Scaling（温度スケーリング）
- Top-k Sampling（上位k確率選択）
- Top-p Sampling（確率核選択）
- Logit（ロジット値）
- Probability Normalization（確率正規化）
- Token Probability（トークン確率）
- Entropy Regularization（エントロピー正則化）
- Noise Injection（ノイズ注入）
- Random Seed（乱数シード）
- Output Diversity（出力多様性）
- Perplexity（困惑度）
- Sequence Probability（系列確率）
- Sampling Temperature（サンプリング温度）
- Categorical Distribution（カテゴリ分布）
- Log Probability（対数確率）
- Token Ranking（トークン順位）
- Normalization Constant（正規化定数）
- Probability Density（確率密度）
【8. 応用的理論・幾何・解析（Advanced Mathematical Tools）】
- Fourier Transform（フーリエ変換）
- Laplace Transform（ラプラス変換）
- Convolution（畳み込み）
- Kernel Function（カーネル関数）
- Gaussian Kernel（ガウスカーネル）
- Taylor Expansion（テイラー展開）
- Differential Equation（微分方程式）
- Gradient Flow（勾配流）
- Probability Manifold（確率多様体）
- Information Geometry（情報幾何学）
この150語は、生成AIの理論（数理）＋プロンプト設計＋モデル最適化を横断的に理解するための最小語彙セット。
希望があれば次に、「各項目の式＋定義＋応用例（WordまたはLaTeX形式）」として拡張可能。