2026BeginnerTrainingAI

機械学習・生成 AI の新卒研修（2 日間）のハンズオン教材リポジトリです。

研修の全体像

研修は Day1 / Day2 の 2 日構成です。各日は番号付きの独立した marimo notebook ハンズオンで構成され、上から順に進めていきます。

Day1: 機械学習の推論・学習・デプロイ (day1/)

#	ディレクトリ	テーマ
00	00-intro-python-environment	Python 環境（uv / marimo）の基本操作
01	01-simple-model-inference	テーブルデータで ML 推論の 3 フェーズを体験
02	02-nlp-inference	テキストを使った NLP モデルの推論
03	03-vision-inference	画像を使った Object Detection の推論
04	04-audio-inference	音声を使った推論
05	05-model-trainig	PyTorch でモデル学習・過学習・転移学習
06	06-accelerate-ml-model	ONNX エクスポート・INT8 量子化でモデル高速化
07	07-model-deploy	FastAPI + カスタムコンテナで Vertex AI にデプロイ

Day2: 生成 AI と LLM エージェント (day2/)

#	ディレクトリ	テーマ
01	01-attention	Attention メカニズム
02	02-multi-modal	マルチモーダル
03	03-llm-api	LLM API の基本
04	04-llm-tool	LLM の Tool Use
05	05-react-agent	ReAct エージェント
06	06-own_agent	オリジナルエージェント開発（カスタマイズ）

研修環境

本研修は、以下のどちらかの環境で実施できます。使いやすい方を選んでください。

1. ローカル環境
2. GCP Workbench インスタンス（T4 GPU 環境）

どちらを選んでも、共通セットアップ と ハンズオンの進め方 の手順は同じです。

Workbench インスタンスのセットアップ

1. Workbench インスタンスを起動

GCP の hr-mixi プロジェクトの workbench ホームから利用いただけます。

インスタンス名はメールアドレスの .を- に置き換えて自動生成されています（例: taro.yamada@mixi.co.jp → taro-yamada）。

Note

つけ忘れ防止のため、インスタンスは使っていないと数時間で切れるようになっています。 もしインスタンスが落ちてしまった場合、GCPコンソール から再起動してください

2. SSH接続

1. key 生成 初回だけ鍵登録をしないといけないため、以下のコマンドを実行してください

   gcloud compute ssh --project hr-mixi --zone asia-northeast1-a <インスタンス名> --tunnel-through-iap

2. ~/.ssh/config に以下を追加

   Host workbench
       HostName <インスタンス名>
       User <OS Loginユーザー名>
       IdentityFile ~/.ssh/google_compute_engine
       ProxyCommand gcloud compute start-iap-tunnel %h %p --listen-on-stdin --project=hr-mixi --zone=asia-northeast1-a
   

   • インスタンス名: メールアドレスの @ より前の . を - に置換（例: taro.yamada@mixi.co.jp → taro-yamada）
   • OS Loginユーザー名: メールアドレスの . と @ を _ に置換（例: taro.yamada@mixi.co.jp → taro_yamada_mixi_co_jp）

3. VS Code からリモート接続

   VS Code の Remote - SSH 拡張機能を使って、Workbench に直接接続できます。

   1. VS Code に Remote - SSH 拡張機能をインストール
   2. VS Code のコマンドパレット（Cmd+Shift+P）→ Remote-SSH: Connect to Host... → workbench を選択

   接続後は VS Code のターミナルやエディタからリモートのファイルを直接編集できます。

3. GitHub CLI のインストール

レポジトリをcloneするために、GitHub CLIをインストールします。SSHエージェントなどを使いcloneできる場合はこの手順は不要です。

1. Workbench からリポジトリを clone するために、GitHub CLI をインストールします。

   参考：https://github.com/cli/cli/blob/trunk/docs/install_linux.md#debian

   (type -p wget >/dev/null || (sudo apt update && sudo apt install wget -y)) \
    && sudo mkdir -p -m 755 /etc/apt/keyrings \
    && out=$(mktemp) && wget -nv -O$out https://cli.github.com/packages/githubcli-archive-keyring.gpg \
    && cat $out | sudo tee /etc/apt/keyrings/githubcli-archive-keyring.gpg > /dev/null \
    && sudo chmod go+r /etc/apt/keyrings/githubcli-archive-keyring.gpg \
    && sudo mkdir -p -m 755 /etc/apt/sources.list.d \
    && echo "deb [arch=$(dpkg --print-architecture) signed-by=/etc/apt/keyrings/githubcli-archive-keyring.gpg] https://cli.github.com/packages stable main" | sudo tee /etc/apt/sources.list.d/github-cli.list > /dev/null \
    && sudo apt update \
    && sudo apt install gh -y

2. GitHub アカウントにログイン:

   gh auth login

共通セットアップ

Workbench / ローカルどちらの環境でも、以下のセットアップを 1 回だけ実施します。

研修リポジトリを clone

git clone git@github.com:mixigroup/2026BeginnerTrainingAI.git

uv のインストール

本研修では Python のパッケージ管理に uv を使用します。

curl -LsSf https://astral.sh/uv/install.sh | sh

インストール後、シェルを再起動するか source ~/.local/bin/env を実行してパスを通してください。

# インストール確認
uv --version

依存関係のインストール

Workbench（Debian/Ubuntu）では以下のツールが必要です。macOS の場合は各ツールのダウンロードページを参照してください（LightGBM 使用時は libomp の追加インストールが必要になる場合があります）。

Graphviz

day1/01-simple-model-inference/notebook_lgbm.py で使用します。

Debian/Ubuntu:

sudo apt install graphviz

その他の環境: https://graphviz.org/download/

FFmpeg

day1/04-audio-inference/notebook.py で使用します。

Debian/Ubuntu:

sudo apt install ffmpeg

その他の環境: https://ffmpeg.org/download.html

環境の確認

# GPU が認識されているか確認（Workbench インスタンスのみ）
nvidia-smi

# Python 環境の確認
uv python list

ハンズオンの進め方

各ハンズオンは独立した uv プロジェクト（day<N>/<NN>-*/pyproject.toml）として構成されています。必ず対象ハンズオンのディレクトリに移動してから uv sync --frozen → uv run marimo edit の順に実行してください。

cd day1/00-intro-python-environment   # 例: Day1 の最初のハンズオン

# 依存パッケージのインストール（各ハンズオンごとに初回のみ）
uv sync --frozen  # 再現性のために frozen オプションを推奨

# marimo notebook を起動（ブラウザで対話的に実行）
uv run marimo edit notebook.py

(推奨) VS Code での marimo notebook 実行

VS Code の marimo 拡張機能をインストールすると、VS Code 内で marimo notebook を直接開いて実行できます。

1. ファイルを開いた状態で右上の marimo アイコンをクリックするとノートブックが起動します。
2. ノートブック右上の「Select Kernel」または VS Code 右下の Python インタープリター選択から、ハンズオンの仮想環境（.venv）を選択してください。事前に uv sync --frozen で仮想環境をセットアップしておく必要があります。(初回はMarimoのSelect Kernelに表示されない場合があるため、その時はコマンドパレッドで「Python: Select Interpreter」を選択してからSelect Kernelに戻ると表示されることがあります)

.vscode/settings.json に各ハンズオンの Python 環境パスを設定済みのため、通常は自動で検知されます。検知されない場合は VS Code Python 環境のドキュメントを参照してください。

marimo は .py ファイルで動くリアクティブ Notebook です。ブラウザが自動で開き、セルの変数を変更すると依存する関連セルが自動で再実行されます。