Kaggleとは?Hugging Face・PyTorch・LangChainとの違い

この記事の要点

  1. Kaggleとは、機械学習とデータ分析のコンペを中心に、データセット、モデル、コードを共有できるサイトです。Hugging Faceはモデルを探して共有する場、PyTorchはモデルを作って学習させるライブラリ、LangChainはLLMのアプリを作るフレームワークで、4つは役割が違います。
  2. Kaggleの予測のコンペでは、提出した予測がPublic Leaderboardで採点され、終わった後のPrivate Leaderboardで最終の順位が決まります。入門のTitanicでは、418人の乗客が生き残ったかを予測したCSVを提出します。
  3. Kaggleの称号は、Competitions、Datasets、Codeの3つのトラックごとに、Expert、Master、Grandmasterの3段階です。Notebooksでは、GPUを週30時間、TPUを週20時間まで無料で使えます。
  4. Hugging FaceのTransformersのpipeline、PyTorchの版の確かめ方とONNXへの書き出し、LangChainのfew-shotプロンプトを、短いコードで紹介します。
SHARE

Kaggle(カグル)とは、機械学習とデータ分析のコンペ(競技)を中心に、データセット、モデル、コードを公開して共有できるWebサイトです。 2017年にGoogle Cloudに加わり、いまの公式のサイトでは、AIの評価のためのコンペ、ベンチマーク、ハッカソンを開く場と紹介されています。

AIの開発を学び始めると、Kaggleと並んで、Hugging Face、PyTorch、LangChainという名前もよく目にします。 4つは、どれもAIの開発で使われますが、役割が違います。 Kaggleは練習と腕試しの場、Hugging Faceは学習済みのモデルを探して共有する場、PyTorchはモデルを作って学習させるライブラリ、LangChainは大規模言語モデル(LLM)を使ったアプリを組むフレームワークです。

この記事では、まず4つの違いを1つの表で比べます。 続けて、Kaggleのコンペの仕組み、入門のTitanic、称号、賞金、無料で使えるGPUの時間を説明し、Hugging Face、PyTorch、LangChainで何ができるかを、関係する道具と短いコードの例とともに紹介します。 最後に、やりたいことごとに、どれから始めるかをまとめます。 数や版は、2026年11月20日に各社の公式のページで確かめた値です。

Kaggle・Hugging Face・PyTorch・LangChainの違い

4つの違いは、Webサイトか、自分のコードから使うライブラリかで分けると分かりやすくなります。

4つの道具の違い
名前種類主にすること使う場面
KaggleWebサイトコンペに参加し、データとコードを共有する機械学習を練習する
Hugging FaceWebサイトとライブラリ学習済みのモデルとデータセットを探し、公開する公開のモデルを使う
PyTorchPythonのライブラリニューラルネットワークを作り、学習させるモデルを自分で作る
LangChainPythonとJavaScriptのライブラリLLMにツールやデータをつなぐ生成AIのアプリを作る

4つは組み合わせて使われます。 たとえば、Hugging FaceのTransformersというライブラリはPyTorchの上で動き、LangChainはOpenAI、Anthropic、Googleなどのモデルを同じ書き方で呼び出せます。

Kaggleとは

Kaggleは、企業や研究機関などが出す課題に、世界の参加者がモデルを作って取り組み、結果を競うサイトです。 Kaggleのトップページには、5万3,000を超えるモデル、78万7,000のデータセット、190万の公開のノートブックがあると表示されています。

Kaggleでできること

Kaggleには、コンペのほかに、データ、モデル、コードを共有する機能と、学ぶためのコースがあります。

Kaggleの主な機能
機能できること
Competitionsコンペに参加し、予測などを提出して順位を競う
Datasetsデータセットを探して使い、自分のデータを公開する
Models機械学習と生成AIのモデルを探し、使い、共有する
Code(Notebooks)ブラウザから使えるクラウドの環境で、コードを動かして公開する
Discussionsコンペやデータについて質問し、話し合う
Learn無料のコースで、Pythonや機械学習の基本を学ぶ

Kaggle Notebooksでは、PythonとRのスクリプト、Jupyter Notebook、RMarkdownを使えます。 コンペのページのDiscussionsには、データ、評価の指標、解き方についての書き込みが集まっています。

コンペの区分

コンペの一覧では、コンペを区分で絞り込めます。

Kaggleのコンペの一覧のページ(Competitions and Hackathons)。All Competitions、Featured、Hackathons、Getting Started、Researchの区分のカードの並びを赤枠で囲んでいる
Kaggleのコンペの区分
区分内容
Featured賞金のある主なコンペ
Research科学や研究の課題
Getting Started機械学習の基本を学ぶ入門のコンペ
Playground気軽に取り組める練習の課題
Community参加者が作ったコンペ
Hackathonsアプリづくりなど、答えが1つでない課題
Simulationsゲームなどの環境で、自分のエージェントを戦わせる

Getting Startedのコンペには賞金も点数もなく、手引きが多く用意されています。 Playgroundのコンペで得られるのは、ふつうは賞金ではなく、ほかの参加者からの称賛や評価です。 Hackathonsでは、アプリを作る、新しい評価の指標を作る、LLMを創造的に使う、学ぶための動画を作る、といった課題が出ます。

予測のコンペで、提出から順位が決まるまで

予測のコンペでは、データをダウンロードし、手元のPCかKaggle Notebooksでモデルを作り、予測の結果のファイルを作って提出します。 コードのコンペと呼ばれる形式では、提出はすべてKaggle Notebooksの中から行います。 提出できる回数には1日の上限があり、ふつうは1日5回で、チームの全員の提出を合わせて数えます。

提出した予測は、テストのデータの一部で採点され、コンペの期間中はPublic Leaderboardに順位が出ます。 最終の順位は、残りのテストのデータで採点したPrivate Leaderboardで決まります。 Publicの点数が高くても、Privateの点数が高いとは限りません。 Publicの点数だけを見てモデルを合わせ込むと、残りのデータで点数が下がることがあるためです(過学習)。

上位のチームにはメダルが贈られ、その数は参加チームの数で決まります。

コンペのメダルを受け取れる順位
参加チームGoldSilverBronze
0〜99上位10%上位20%上位40%
100〜249上位10チーム上位20%上位40%
250〜999上位10チーム+0.2%上位50チーム上位100チーム
1000以上上位10チーム+0.2%上位5%上位10%

「上位10チーム+0.2%」は、参加チームが500増えるごとに、Goldが1つ増えることを表します(500チームなら上位11チーム)。 点数とメダルがもらえるかどうかは、コンペごとにOverviewのタブに書かれています。 Getting Started、Playground、Communityのコンペでは、ふつうはもらえません。

最初のコンペ「Titanic」

Kaggleで最初に取り組むコンペとして案内されているのが、Getting Startedの「Titanic - Machine Learning from Disaster」です。 タイタニック号の乗客のうち、だれが生き残ったかを予測するモデルを作ります。 コンペのページには、Overview、Data、Code、Models、Discussion、Leaderboard、Rulesのタブが並び、データの説明はData、順位はLeaderboardで見られます。

KaggleのTitanic - Machine Learning from Disasterのコンペのページ。Overview、Data、Code、Models、Discussion、Leaderboard、Rulesのタブを赤枠で囲んでいる

配られるデータは2つあります。 train.csvには、891人の乗客の情報と、生き残ったかどうかが入っています。 test.csvには、418人の乗客の情報だけが入っています。 test.csvの418人について生き残ったかを予測し、次の形のCSVを提出します。

PassengerId,Survived
892,0
893,1
894,0

Survivedの列には、生き残ったなら1、亡くなったなら0を入れ、見出しの行のあとに418人分の予測を1行ずつ並べます。 点数は、正しく予測できた乗客の割合(accuracy)です。

Titanicには賞金がなく、点数とメダルもありません。 提出は1日10回までできます。 提出から2か月を過ぎた結果はLeaderboardの集計に入らなくなり、2か月の間に提出のないチームはLeaderboardから外れます。 Titanicの参加者(Entrants)の数は、2026年11月20日の時点で148万人を超えています。

称号(Expert・Master・Grandmaster)の仕組み

Kaggleの称号は、Competitions、Datasets、Codeの3つのトラックごとに、メダルを集めて上がる仕組みです。 段階はExpert、Master、Grandmasterの3つで、上の段階ほど、多くの優れた結果が要ります。

トラックごとのメダルのもらい方
トラックメダルをもらえる成果
Competitionsコンペで上位の順位をとる
Code公開したノートブックに票が集まる
Datasets公開したデータセットが評価される

Codeのメダルは、Expert以上の利用者から集めた票の数で決まり、Bronzeが5票、Silverが20票、Goldが50票です。 Competitionsのメダルは、数か月の取り組みの結果で、上位の参加者にしか贈られないので、ほかのトラックのメダルより取るのが難しいとされています。 そのため、Competitionsのトラックで段階を上げるのに要るメダルの数は、ほかのトラックより少なくなっています。 1つのトラックでGrandmasterになると「1x Grandmaster」と呼ばれ、ほかのトラックでもGrandmasterになると2x、3xと数えます。 プロフィールの写真のまわりの色は、3つのトラックのうち最も高い段階を表します。

古い解説では、NoviceやContributorの段階や、Discussionの称号が紹介されていることがあります。 いまの公式の説明では、称号は3つのトラックと、Expert、Master、Grandmasterの3段階です。

賞金と、無料で使えるGPU

Featuredのコンペには賞金があります。 たとえば、2026年11月20日に開催中だった「Google Quantum AI - Verifiable Quantum Circuit Compilation」の順位の賞金は、1位が5万ドル、2位が2万5,000ドル、3位が1万ドルです。 賞金を受け取るには、最終のモデルのコードを主催者に渡す、受け取りの書類に署名する、アメリカの税の書式(W-9かW-8BENなど)を出す、といった条件が、コンペのルールに定められています。 賞金にかかる税は、受け取る人が負担します。

Kaggle Notebooksの計算の環境と、Learnのコースは無料で使えます。 NotebooksではGPU(NVIDIA Tesla P100か、T4を2つ)を使え、使える時間は週30時間で、需要と資源によってはそれより多くなります。 TPU(TPU v3-8)は週20時間まで使えます。 1回の実行は、CPUとGPUが12時間まで、TPUが9時間までです。 混んでいるときは、GPUを使うまでに順番を待つことがあります。

「Kaggleは意味ない」?コンペで練習できることと、できないこと

予測のコンペでは、課題、データ、評価の指標が、最初から主催者によって決められています。 仕事では、何を予測するかを決める、データを集めて整える、結果をどう使うかを決める、といった工程から始まりますが、こうした工程は、Kaggleのコンペだけでは練習しにくい部分です。 Kaggleのコンペで練習できる範囲と、仕事で要る範囲には、この違いがあります。

一方で、Kaggleには、ほかの場では得にくい練習の機会があります。

  • 同じデータと評価の指標で、世界の参加者と結果を比べられる。
  • PublicとPrivateのLeaderboardの差から、過学習を自分の目で確かめられる。
  • 上位の参加者が公開したノートブックとDiscussionsの書き込みから、解き方を読める。
  • NotebooksのGPUで、手元にGPUがなくてもモデルを試せる。

Kaggleのコンペで主に練習できるのは、渡されたデータから特徴を作り、モデルを選び、検証するところです。 データサイエンティストの仕事に要るほかのスキルは、データサイエンティストの記事で紹介しています。

初心者が始める順番

はじめての人は、次の順に進めると、Kaggleの機能を一通り使えます。

  1. Learnのコース(Intro to Programming、Python、Intro to Machine Learning、Pandasなど)で、Pythonと機械学習の基本を学ぶ。
  2. Titanicのデータをノートブックで読み込み、予測のCSVを提出して、Leaderboardで点数を見る。
  3. Titanicの公開のノートブックを読み、点数の高い解き方を自分のノートブックで試す。
  4. Playgroundのコンペで、ほかの課題に取り組む。
  5. 点数とメダルのあるコンペに、チームか1人で参加する。

Hugging Faceとは

Hugging Faceは、機械学習のモデル、データセット、アプリを公開して共有するWebサイト(Hugging Face Hub)と、そのモデルを使うためのライブラリを提供している会社です。 トップページには、200万を超えるモデル、50万を超えるデータセット、100万を超えるアプリが公開されていると表示されています。 QwenやGemmaのような、オープンなLLMの重みのファイルも、Hubで公開されています。 主なオープンなLLMの違いは、オープンLLMの比較で紹介しています。

Hubのモデル一覧と、モデルの選び方

Hubには、モデル(Models)、データセット(Datasets)、アプリ(Spaces)の3つがあり、どれもGitのリポジトリとして置かれています。 モデルの一覧では、左の欄の上のタブ(Main、Tasks、Libraries、Languages、Licenses、Other)を切り替えて、タスク、ライブラリ、言語、ライセンスなどで絞り込めます。 Mainのタブには、タスク、パラメーターの数(Parameters)、ライブラリなどの欄が並びます。

Hugging Faceのモデルの一覧のページ。左のMain、Tasks、Libraries、Languages、Licenses、Otherのタブと、Tasks、Parameters、Librariesの絞り込みの欄を赤枠で囲んでいる

モデルのページには、モデルカード(リポジトリのREADME.md)があります。 モデルカードには、モデルの説明、用途と制限、学習の設定、使ったデータセット、評価の結果などが書かれ、ライセンスもカードのメタデータで示されます。 使うモデルを決める前に、モデルカードで用途と制限、ライセンスを確かめます。

Hubのモデルを手元のPCで動かす方法は、ローカルLLMの記事で説明しています。

Transformersの使い方

Transformersは、Hugging Faceが開発しているライブラリで、文章、画像、音声、動画、マルチモーダルのモデルを、推論と学習の両方で使えるようにします。 いまの版はv5の系統で、PyTorchの上で動き、Python 3.11以上とPyTorch 2.6以上で確かめられています。

いちばん簡単な使い方は、タスクとモデルの名前を指定するpipelineです。 公式の文書の例では、次の3行で、Hubのモデルに文章の続きを書かせます。

from transformers import pipeline

pipeline = pipeline(task="text-generation", model="google/gemma-2-2b")
pipeline("the secret to baking a really good cake is ")

taskを替えると、同じ書き方で、音声の文字起こし(automatic-speech-recognition)や画像の分類(image-classification)にも使えます。 学習させるときはTrainer、文章を速く生成するときはgenerateという機能を使います。

Spacesでできること

Spacesは、機械学習のモデルを使ったデモのアプリを作り、ブラウザから使えるように公開する機能です。 アプリは、Gradio、Docker、静的なHTMLの3つの方法で作れます。

静的なHTMLのSpaceは、だれでも無料で作れます。 GradioとDockerのSpaceを作るには、個人ならPRO、組織ならTeamかEnterpriseの有料のプランが要ります。 無料の個人のアカウントでも、メールアドレスを確かめて30日を過ぎていれば、GPUを共有して使うZeroGPUのGradioのSpaceを2つまで置けます。 ほかの人が公開したSpaceは、ブラウザから開いて試せます。

安全に使うために確かめること

Hubは、リポジトリの2GB未満のファイルをコミットのたびにマルウェアの検査にかけ、書き込まれたパスワードや鍵などの秘密の情報も、TruffleHogというツールで検査しています。 それでも、モデルを読み込む側で確かめることがあります。

  • pickleの形のファイルに注意する:pickleはPyTorchの重みの既定の形ですが、読み込むと任意のコードが動く攻撃に使われることがあります。信頼できる人や組織が公開したモデルを使い、Hubが表示する検査の結果を確かめます。
  • safetensorsの形を選ぶ:safetensorsは、pickleと違って、重みを安全に保存するための形です。同じモデルにsafetensorsのファイルがあれば、そちらを使います。
  • trust_remote_codeを付ける前にコードを読む:独自のコードを使うモデルは、読み込むときにtrust_remote_code=Trueを付けないと使えません。付ける前に、そのリポジトリのコードと公開者を確かめます。
  • アクセストークンの権限を絞る:トークンには、fine-grained(指定したリソースだけ)、read(読み取りだけ)、write(書き込みもできる)の種類があり、本番で使うときはfine-grainedが勧められています。

PyTorchとは

PyTorchは、Pythonで使うオープンソースの深層学習のフレームワークです。 GPUで速く計算できるテンソル(多次元の配列)と、動的に組み立てるニューラルネットワークを扱え、研究の試作から本番の運用まで使えるように作られています。 Metaのもとで開発されてきたPyTorchは、2022年9月12日に、Linux Foundationの下にできたPyTorch Foundationへ移りました。 ライセンスはBSDスタイルです。

いまの最新の安定版は、2026年10月28日に公開された2.15.0で、Python 3.11以上が要ります。

PyTorchで何ができるか

PyTorchは、自然言語処理、画像の認識、強化学習、生成AIなど、幅広いモデルの開発に使われています。 CPU、GPU、専用のアクセラレーターで動き、分散学習や、クラウドとモバイルの端末への組み込みにも対応しています。 torch.compileを使うと、モデルや関数を最適化して動かせます。 画像にはtorchvision、音声にはtorchaudioという、分野ごとのライブラリがあります。

はじめて学ぶなら、公式のチュートリアルの「Learn the Basics」から始められます。 E資格のように、試験でPyTorchを選べる資格もあります(AI資格の記事)。

PyTorchとTensorFlowの違い

TensorFlowは、公式のサイトで「機械学習のためのエンドツーエンドのプラットフォーム」と紹介されているフレームワークです。 どちらを使うかは、使いたいライブラリと教材がどちらに対応しているかで選びます。

  • Hugging FaceのTransformersは、いまの版ではPyTorchで動きます。
  • Keras 3は、JAX、TensorFlow、PyTorchのどれの上でも動くので、PyTorchでもTensorFlowでも同じコードを使えます。
  • E資格の試験では、PyTorchかTensorFlowを、試験の開始時に選びます。

GitHubとバージョンの確かめ方

PyTorchのソースコードは、GitHubのpytorch/pytorchのリポジトリで公開され、版ごとの変更はReleasesのページに載っています。 入っているPyTorchの版は、Pythonで次のように確かめます。

import torch
print(torch.__version__)
print(torch.version.cuda)

CPU版の2.15.0で動かすと、1行目に2.15.0+cpu、2行目にNoneと出ます。 torch.version.cudaとtorch.version.hipを見ると、CUDAの版か、ROCm(HIP)の版かを見分けられます。

CUDAとROCmの版の選び方

PyTorchのGPUの版は、NVIDIAのGPUにはCUDAの版、AMDのGPUにはROCmの版を使います。 公式のGet Startedのページでは、OS、パッケージ、言語と、Compute Platformを選ぶと、インストールするためのコマンドが表示されます。

PyTorchのGet Startedのページの選択の表。Compute Platformの行(CUDA 13.2、CUDA 13.4、ROCm 10.0、CPU)を赤枠で囲んでいる

Compute Platformでは、CUDAのいくつかの版(13.2、13.4など)、ROCm 10.0、CPUから選びます。 CUDAの版は使うPCに合うものを選び、多くの場合は新しい版がよいとされています。 GPUを使わないなら、CPUを選びます。

PyTorch Lightning・PyTorch Geometric・ONNXへの書き出し

PyTorchのまわりには、PyTorchのコードを整理したり、別の形で使えるようにしたりするライブラリがあります。

  • PyTorch Lightning:PyTorchのコードを整理し、学習のループなどの定型の処理を自動化するフレームワークです。モデルと学習の処理をLightningModuleにまとめると、残りはTrainerが受け持ちます。ライセンスはApache-2.0です。
  • PyTorch Geometric(PyG):PyTorchの上で、グラフ構造のデータを扱うグラフニューラルネットワーク(GNN)を書いて学習させるライブラリです。
  • ONNXへの書き出し:PyTorchのモデルを、ほかの環境でも動かせるONNXの形にします。

ONNXへの書き出しは、torch.onnx.exportで行います。 dynamo=Trueが勧められている方法で、PyTorch 2.9から既定になりました。 使うにはonnxとonnxscriptのパッケージが要ります。 次の例は、小さなモデルをtiny_model.onnxに書き出すもので、PyTorch 2.15.0で動きます。

import torch

class TinyModel(torch.nn.Module):
    def __init__(self):
        super().__init__()
        self.linear = torch.nn.Linear(4, 2)

    def forward(self, x):
        return self.linear(x)

model = TinyModel()
onnx_program = torch.onnx.export(model, (torch.randn(1, 4),), dynamo=True)
onnx_program.save("tiny_model.onnx")

書き出したONNXのモデルは、ONNX Runtimeを使って、さまざまなプロセッサーで動かせます。

LangChainとは

LangChainは、エージェントとLLMを使うアプリを作るためのオープンソースのフレームワークです。 部品や外部のサービスとの連携(インテグレーション)を組み合わせてアプリを作る仕組みを持ち、エージェントを作るcreate_agentは、OpenAI、Anthropic、Googleなどのモデルに対応しています。 Python版のほかに、JavaScriptとTypeScriptのLangChain.jsがあり、ライセンスはMITです。

2025年10月22日に1.0が公開され、2.0までは互換性を壊す変更をしないと約束されています。 いまの最新は2026年11月18日に公開された1.5.2で、Python 3.11以上が要ります。 社内の文書を検索して答えるRAGをLangChainで組む流れは、RAGの記事で紹介しています。

LangGraph・LangSmithとの関係

LangChainの会社は、LangChainのほかに、LangGraphとLangSmithを提供しています。

LangChain・LangGraph・LangSmithの役割
名前役割
LangChainモデル、ツール、エージェントの処理をまとめたフレームワーク
LangGraph長く動き、状態を持つエージェントを動かす土台
LangSmith処理の記録、評価、プロンプトの管理、公開のためのプラットフォーム

LangGraphでは、処理の流れを、共有する状態、ノード、エッジのグラフとして書きます。 LangChainのエージェントはLangGraphの上に作られていますが、LangGraphはLangChainなしでも使えます。 決まった流れで動くエージェントを細かく作り込みたいときはLangGraph、まず手早くエージェントを作りたいときはLangChainのcreate_agentから始めます。 AIエージェントの仕組みは、AIエージェントの記事で説明しています。

few-shotプロンプトの書き方

few-shotプロンプトは、プロンプトの中に入力と答えの例をいくつか入れて、LLMに答え方を示す書き方です。 LangChainでは、langchain-coreのFewShotChatMessagePromptTemplateで、例をメッセージの並びにして組み込めます。

from langchain_core.prompts import ChatPromptTemplate, FewShotChatMessagePromptTemplate

examples = [
    {"input": "2+2", "output": "4"},
    {"input": "2+3", "output": "5"},
]
example_prompt = ChatPromptTemplate.from_messages(
    [("human", "{input}"), ("ai", "{output}")]
)
few_shot_prompt = FewShotChatMessagePromptTemplate(
    examples=examples,
    example_prompt=example_prompt,
)
final_prompt = ChatPromptTemplate.from_messages(
    [
        ("system", "あなたは計算の答えだけを返すアシスタントです。"),
        few_shot_prompt,
        ("human", "{input}"),
    ]
)

final_promptに{"input": "4+4"}を渡すと、指示(System)、例の質問と答え(HumanとAI)が2組、最後の質問「4+4」の順に並んだメッセージになります。 このメッセージをモデルに渡して、例と同じ形で答えさせます。 文章の形のプロンプトに例を入れるときは、FewShotPromptTemplateを使います。

GitHubとLangChain4j

LangChainのソースコードは、GitHubのlangchain-ai/langchainのリポジトリで公開されています。

LangChain4jは、Javaで動くLLMのアプリを作るためのオープンソースのライブラリです。 主なLLMのサービスとベクトルストアを同じAPIで使え、ツールの呼び出し(MCPを含む)、エージェント、RAGを作れて、QuarkusやSpring Bootと組み合わせられます。 名前は似ていますが、Python版のLangChainをJavaに移したものではなく、API、内部の作り、公開の時期はPython版から独立しています。 GitHubのリポジトリもlangchain4jという別の組織にあり、ライセンスはApache-2.0です。

「LangChainはオワコン?」と、代わりの選択肢

「LangChain オワコン」と検索されることがありますが、開発は続いています。 1.0では、エージェントを作るcreate_agentを中心に作り直し、処理に手を加えるミドルウェアの仕組みを足し、古い機能はlangchain-classicという別のパッケージに移しました。 1.0の後も版を重ね、2026年11月18日に1.5.2が公開されています。

LLMのアプリを作るフレームワークは、LangChainのほかにもあります。

LangChainの代わりに検討されるもの
名前公式の紹介
LlamaIndexAIのための文書処理のプラットフォーム。エージェントのアプリを作るオープンソースのフレームワークもある
HaystackPythonで本番向けのLLMのアプリを作る、オープンソースのフレームワーク
Semantic KernelC#、Python、JavaでAIエージェントを作る開発キット。後継はMicrosoft Agent Framework

目的別:どれから始めるか

4つのどれから始めるかは、やりたいことで決めます。

やりたいことと、始める道具
やりたいこと道具最初にすること
機械学習を練習するKaggleLearnのコースと、Titanicへの提出
公開のモデルを試すHugging Faceモデルの一覧で絞り込み、Spacesで試す
モデルを作って学習させるPyTorch公式のLearn the Basics
LLMでアプリを作るLangChaincreate_agentでエージェントを作る

4つともPythonから使えるので、Pythonの基本を先に学んでおくと進めやすくなります。 Kaggleで練習してPyTorchでモデルの作り方を学び、Hugging Faceの公開のモデルを使い、LangChainでLLMのアプリを作る、という順に広げることもできます。

会社でAI開発の勉強会を開くとき

会社では、AIの開発を始めるチームが、Kaggle、Hugging Face、PyTorch、LangChainの役割や使い分けを、社内勉強会で説明する場面があります。 NoLangを使うと、勉強会の資料(PDF、PowerPoint)からナレーションの入った説明の動画を作れるので、メンバーにいつでも同じ内容を見てもらえます。 社内の研修で動画を使う例は、法人向けの研修動画のページにまとめています。 導入について相談したいときはお問い合わせから連絡でき、サービスの資料は下のボタンから請求できます。

資料をダウンロード

よくある質問

Hugging Faceの有料のプランはいくらですか?
個人向けのPROは月9ドルで、非公開のリポジトリのストレージが10倍、公開のストレージが2倍になり、毎月2ドル分の推論のクレジットが付き、ZeroGPUの1日の枠が8倍になります。組織向けには、1人あたり月20ドルのTeamと、1人あたり月50ドルのEnterpriseがあります(2026年11月20日の時点の料金のページ)。
Hugging Faceのモデルは、仕事で使ってもよいですか?
モデルごとにライセンスが違うので、使う前にモデルカードのライセンスの欄を確かめます。ライセンスはapache-2.0、mit、openrailなどの識別子で示され、モデルの一覧のLicensesのタブでライセンスごとに絞り込めます。使ってよい範囲と条件は、そのライセンスの本文で確かめます。
LangChainは無料で使えますか?
LangChainはMITライセンスのオープンソースのライブラリで、無料で使えます。LangChainから呼び出すモデルの料金は、そのモデルを提供するサービスの料金表で確かめます。
SHARE
NoLang サービスご紹介資料
資料ダウンロード

NoLangの導入を
ご検討中の方

NoLangを
ご利用中の方

\無料ですぐ試せる/ AIで動画を作ってみる