Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
2019_G検定対策_数学講座03_微分/20190125_JDLA_G_Math_3
Search
ITO Akihiro
January 25, 2019
Technology
0
14
2019_G検定対策_数学講座03_微分/20190125_JDLA_G_Math_3
G検定対策社内数学講座
--
微分
関数の"ある点"における傾きを求める
ITO Akihiro
January 25, 2019
Tweet
Share
More Decks by ITO Akihiro
See All by ITO Akihiro
「重鎮問題」について(軽めに)
akit37
0
48
Software + Hardware = Fun++
akit37
0
23
基本的に "リモートしかない" ワーク/20231128_KBS_LT
akit37
1
20
3つの先端技術が コミュニティ軸で融合した話。/20230615_CMCMeetup
akit37
0
18
Bootleg_越境してみたときのアウェイ感。/20230328_CMCMeetup
akit37
0
23
始まりは2017年のG検定。/20221026_AITable
akit37
0
14
kintone知能化計画/20220902_kintone_and_JPStripes
akit37
0
24
外観検査用画像前処理の_コツをコード解説付きで。/20220810_CDLE_LT
akit37
0
15
サブスク課金に銀行振込を追加してみた。その①/20220713_JPStripes
akit37
0
20
Other Decks in Technology
See All in Technology
グループポリシー再確認
murachiakira
0
170
Amazon Q Developer 他⽣成AIと⽐較してみた
takano0131
1
120
頻繁リリース × 高品質 = 無理ゲー? いや、できます!/20250306 Shoki Hyo
shift_evolve
0
150
LINEギフトのLINEミニアプリアクセシビリティ改善事例
lycorptech_jp
PRO
0
240
Javaの新しめの機能を知ったかぶれるようになる話 #kanjava
irof
3
4.9k
初めてのPostgreSQLメジャーバージョンアップ
kkato1
0
430
Vision Language Modelを活用した メルカリの類似画像レコメンドの性能改善
yadayuki
9
1.2k
Compose MultiplatformにおけるiOSネイティブ実装のベストプラクティス
enomotok
1
210
モジュラーモノリスでスケーラブルなシステムを作る - BASE のリアーキテクチャのいま
panda_program
7
2k
銀行でDevOpsを進める理由と実践例 / 20250317 Masaki Iwama
shift_evolve
1
110
OPENLOGI Company Profile
hr01
0
61k
Redefine_Possible
upsider_tech
0
260
Featured
See All Featured
Agile that works and the tools we love
rasmusluckow
328
21k
Why Our Code Smells
bkeepers
PRO
336
57k
Distributed Sagas: A Protocol for Coordinating Microservices
caitiem20
331
21k
It's Worth the Effort
3n
184
28k
Practical Orchestrator
shlominoach
187
10k
The Cost Of JavaScript in 2023
addyosmani
48
7.6k
Typedesign – Prime Four
hannesfritz
41
2.6k
Art, The Web, and Tiny UX
lynnandtonic
298
20k
Git: the NoSQL Database
bkeepers
PRO
429
65k
Large-scale JavaScript Application Architecture
addyosmani
511
110k
Templates, Plugins, & Blocks: Oh My! Creating the theme that thinks of everything
marktimemedia
30
2.3k
How to Create Impact in a Changing Tech Landscape [PerfNow 2023]
tammyeverts
51
2.4k
Transcript
微分 〜関数の”ある点”における傾きを求める〜 Jun. 2019 created by ITO Akihiro
まずは、最小二乗法 y x y x
y x すべての点からの距離が最短(=誤差が最小)となる直線 単純に距離の和をとると +/-で相殺されてしまうので二乗和をとる ⇒ 最小二乗法 y x L1 L2 L3
L4 L5 L7 L6 L8 L9 L10
x f(x) ❓ y x 微分
a a+h h f(a+h) f(a) y x
a a+h h f(a+h) f(a) y x
h f(x+h) f(x) x x+h y x
None
None
偏微分 y x z 現実世界での誤差関数は複雑だが、二次元に落 として考えればシンプルに計算できる。 例えば、三次元の関数なら、グラフをある面で切っ て、真横や真上から見れば、二次元の関数にな る。これに対して微分すればよい。 つまり、特定のどれか1つの変数だけに着目して
微分する。 これが、偏微分。
None
None
局所解と最適解 y x w local 局所解 w optimal 最適解 最適解を見つけるには基本的に
勾配降下法を使うが、 局所解に嵌まり込んでしまい、 最適解に辿り着けなくなる場合がある。 このリスクを少なくするために、 確率的勾配降下法 (SGD:Stochastic Gradient Descent) 等を用いる。