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
エンジニア目線でのテスラ
akit37
0
48
「重鎮問題」について(軽めに)
akit37
0
63
Software + Hardware = Fun++
akit37
0
29
基本的に "リモートしかない" ワーク/20231128_KBS_LT
akit37
1
22
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
19
Bootleg_越境してみたときのアウェイ感。/20230328_CMCMeetup
akit37
0
25
始まりは2017年のG検定。/20221026_AITable
akit37
0
16
kintone知能化計画/20220902_kintone_and_JPStripes
akit37
0
26
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
17
Other Decks in Technology
See All in Technology
AIのグローバルトレンド2025 #scrummikawa / global ai trend
kyonmm
PRO
1
270
初めてAWSを使うときのセキュリティ覚書〜初心者支部編〜
cmusudakeisuke
1
240
Webブラウザ向け動画配信プレイヤーの 大規模リプレイスから得た知見と学び
yud0uhu
0
230
AWSを利用する上で知っておきたい名前解決のはなし(10分版)
nagisa53
10
3k
[ JAWS-UG 東京 CommunityBuilders Night #2 ]SlackとAmazon Q Developerで 運用効率化を模索する
sh_fk2
3
390
KotlinConf 2025_イベントレポート
sony
1
120
なぜテストマネージャの視点が 必要なのか? 〜 一歩先へ進むために 〜
moritamasami
0
210
LLMを搭載したプロダクトの品質保証の模索と学び
qa
0
1k
Snowflake Intelligenceにはこうやって立ち向かう!クラシルが考えるAI Readyなデータ基盤と活用のためのDataOps
gappy50
0
140
バイブスに「型」を!Kent Beckに学ぶ、AI時代のテスト駆動開発
amixedcolor
2
540
OCI Oracle Database Services新機能アップデート(2025/06-2025/08)
oracle4engineer
PRO
0
110
COVESA VSSによる車両データモデルの標準化とAWS IoT FleetWiseの活用
osawa
1
270
Featured
See All Featured
Improving Core Web Vitals using Speculation Rules API
sergeychernyshev
18
1.1k
How To Stay Up To Date on Web Technology
chriscoyier
790
250k
Why Our Code Smells
bkeepers
PRO
339
57k
CSS Pre-Processors: Stylus, Less & Sass
bermonpainter
358
30k
Rails Girls Zürich Keynote
gr2m
95
14k
Making Projects Easy
brettharned
117
6.4k
Building Adaptive Systems
keathley
43
2.7k
Building an army of robots
kneath
306
46k
KATA
mclloyd
32
14k
Helping Users Find Their Own Way: Creating Modern Search Experiences
danielanewman
29
2.9k
What’s in a name? Adding method to the madness
productmarketing
PRO
23
3.7k
Large-scale JavaScript Application Architecture
addyosmani
512
110k
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。