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
AI・LLM事業部のSREとタスクの自動運転
shinyorke
PRO
0
300
バクラクでのSystem Risk Records導入による変化と改善の取り組み/Changes and Improvement Initiatives Resulting from the Implementation of System Risk Records
taddy_919
0
220
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
Amazon EKS Auto ModeでKubernetesの運用をシンプルにする
sshota0809
0
110
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
Riverpod & Riverpod Generatorを利用して状態管理部分の処理を書き換えてみる簡単な事例紹介
fumiyasac0921
0
100
LINE Notify互換のボットを作った話
kenichirokimura
0
170
ルートユーザーの活用と管理を徹底的に深掘る
yuobayashi
6
720
Keynote - KCD Brazil - Platform Engineering on K8s (portuguese)
salaboy
0
120
caching_sha2_passwordのはなし
boro1234
0
210
React Server Componentは 何を解決し何を解決しないのか / What do React Server Components solve, and what do they not solve?
kaminashi
6
1.2k
Symfony in 2025: Scaling to 0
fabpot
2
170
Featured
See All Featured
Keith and Marios Guide to Fast Websites
keithpitt
411
22k
Into the Great Unknown - MozCon
thekraken
36
1.7k
Principles of Awesome APIs and How to Build Them.
keavy
126
17k
Refactoring Trust on Your Teams (GOTO; Chicago 2020)
rmw
34
2.9k
BBQ
matthewcrist
88
9.5k
Responsive Adventures: Dirty Tricks From The Dark Corners of Front-End
smashingmag
251
21k
Docker and Python
trallard
44
3.3k
jQuery: Nuts, Bolts and Bling
dougneiner
63
7.7k
JavaScript: Past, Present, and Future - NDC Porto 2020
reverentgeek
47
5.3k
Performance Is Good for Brains [We Love Speed 2024]
tammyeverts
8
700
The Cult of Friendly URLs
andyhume
78
6.3k
XXLCSS - How to scale CSS and keep your sanity
sugarenia
248
1.3M
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。