chainer?
最終更新
役に立ちましたか？
最終更新
役に立ちましたか？
xが50増加シた時に、yが25増加しているなら、yはxの50%なので、傾きは0.5
切片はx軸または、y軸に接しているところ
で横のをまたは、縦のをまたはといい、とを座標軸という。
座標軸は、x軸とy軸のこと
なっとくした
入力変数と出力変数を用いて、予測された値が予測値
実際に求めたい値を目標値
目的関数は予測値と目標値を受け取って、その差異を測って返すような関数
機械学習でなにを求めるのか？画像認識で人を見つける。顔を見つける。顔にエフェクトをかける
業績からこの分野を伸ばすべきなど、コンサルを行う
求人見るといろいろわかるな
求人から良さげなデータを抽出するとかどうだろう
機械学習が求められているのは理解しているが、どのように生かしているのか？とか。
スポーツの最適なフォーメーションの分析
在庫適正化
とりあえず顔認識とかやってみる？画像から、人を見つけるとか？
∑ という記号は、総和
平均二乗誤差の各項は二乗された値なので、必ず正になり、それらを足し合わせているので、全体としても正になります。
なんで二乗？っておもったけどなるほど。これだと業績とかのとき不便じゃないかな？二乗する前に全部プラスなら、それは問題ないでしょう。マイナスあるならだめだけど。
このような最適化を行うのに必要になるのが微分 (differential) の知識です。 なぜなら、「入力をどちらに動かせば出力が小さな値になりそうか」ということを知るためには、対象の関数を微分する必要があるからです。詳細は次章で説明します。
へー
また、初めにあげた赤い点の集まりに最もよく沿うような直線を求める問題では、1 つの値を入力して 1 つの値が出力される関数を考えていましたが、複数の値を同時に扱いたいときに必要になるのが、線形代数 (linear algebra) の知識です。
きいたことはある
さらに、赤い点がもし本当は直線上にぴったり沿うようなデータであったのに、観測時に何らかの理由でノイズが乗ってしまったがために直線の周辺にばらついて出てきているのだとしたら、そのノイズがどの程度の範囲で値のズレを発生させるものなのか、見当をつけておきたくなるかもしれません。 そういったときに必要になるのが、確率(probability)・統計 (statistics) の知識です。
はあ
しぜんすう【自然数】
１から（理論の立て方によっては０から）始め、それに１を順次足して得る範囲の数。▷ これ全体が、整数の一部。 natural number の訳語。
きいたことある
導関数を求めることを微分(differentiation)するといいます。 記号の使い方として、 f′(x)f′(x) をddxf(x)またはddxf(x)またはdfdx(x)dfdx(x)
と書いても構いません。 この dd という記号は増分をとる操作を表しており、例えば dxdx は xx の変化量を表します。 この記法は煩雑ですが、x,yx,y など変数が複数ある場合、 どの変数で微分しているかが明確になるため、表現を正確にすることができます。
微分って導関数をもとめることか
と計算できます。ここで h→0 、すなわち h を限りなく 0 に近づけると、 2x+h は 2x に限りなく近づいていきます。従って、 (x2)′=2x が導かれました。
は？ いや言いたいことはわかるけど。
ee は自然対数の底？？？？
は？
ふくりでてきたよ
あ
便利な数字。色々な計算の答え。1/10でくじが当たるとして、１０回引いて一回も当たらない確率が36%くらいあるとかそういう時につかう。
この d という記号は増分をとる操作を表しており、例えば dx は x の変化量を表します。 この記法は煩雑ですが、x,y など変数が複数ある場合、 どの変数で微分しているかが明確になるため、表現を正確にすることができます。
xが実数のスカラであることをしばしば「x∈R」と書きます。 R は実数のスカラからなる集合を表し、「A∈B」は「A は B に属する」という意味です。従って、x∈R で「x は実数のスカラからなる集合に属する」、すなわち「x は実数のスカラである」と解釈できます。
行列 (matrix) は同じサイズのベクトルを複数個並べたものです。例えば、
かっけえ
線形代数ってarrayをわかりづらく書いただけな気がしてきた
ベクトルでてきたよ
一方通行
行ベクトル、列ベクトル
ベクトルの加算、減算、スカラ倍ができる。足し引きかけ
行列積はい 内積は同じベクトルサイズを必須とする
「A∈B」は「A は B に属する」という意味です。
また、例えば (3,1)(3,1) の行列のようにある次元のサイズが 1 となった場合、その次元を削除する場合があります。例えば (2)の計算結果はサイズが (2,1)(2,1) の行列ですが、これは2次元のベクトルとして扱えます。同様に、 (1), (3) の答えはサイズ (1,1)(1,1) の行列ですが、スカラとみなすことができます。このようにサイズが 1 になった次元をつぶす操作をしばしば squeeze と呼びます。
ベクトルは縦方向に要素が並んだ列ベクトルを基本としていましたが、横方向に要素が並んだ行ベクトルを使いたい場合もあります。そこで列ベクトルを行ベクトルに、行ベクトルを列ベクトルに変換する操作を転置 (transpose) と呼びます。転置はベクトルの右肩に TT と書くことで表します。例えば、 xx が 3 次元のベクトルならば、
N×M 行列、などと言われたときに、N と M のどちらが行で、どちらが列だろう？と迷ったときは、「行列」という言葉を再度思い浮かべて、「行→列」つまり先にくる N が行数で、M が列数だ、と思い出すのがおすすめです。
例えば、現在の業績をグラフで表し、それに付随する情報を集め、どれが原因で上下しているかを微分し、導関数を見つけることが目標。導関数を求める行為、微分ができれば良い。それが参入障壁。めんどい。めんどいけどやればできそうだな。書いてることはわかる。
ネイピア数（ネイピアすう、: Napier's constant）はの一つであり、の底である。ネーピア数とも表記する。記号として通常は が用いられる。その値はe = 2.71828 18284 59045 23536 02874 71352 …
と続くである
厳密にネイピア数そのものを見い出したのはと言われており、の計算で
