SlideShare a Scribd company logo
1 of 29
Download to read offline
2017-01更新 熊本高専
森下功啓
VBAで
数値計算09
本資料の目次
掃き出し法で連立方程式を解く
練習問題
その他
2
掃き出し法
3
掃き出し法とは
掃き出し法とは、連立一次方程式を解くためのアルゴリズム
の一つである。ガウス・ジョルダン法やガウスの消去法とも
呼ばれる。応用すれば逆行列を求めることができる。なお、
連立一次方程式を解く方法には他にもクラメールの公式など、
多数存在する。
掃き出し法の計算オーダーは𝑂𝑂(𝑛𝑛3
)で、巨大な行列の計算には
向いていない。また、安定性(理論解が存在する場合に必ず
数値計算で解が求まるなら安定)も良いとは言えない。しか
しながらアルゴリズムがわかり易く、他のアルゴリズムでの
ミスを発見するのに役立つポピュラーな手法である。
4
連立一次方程式の行列表現
式(1)の連立方程式を行列に書き換えると、式(1)は式(2)に変
形できます。以降ではm=nとして掃き出し法を解説します。
5
𝑦𝑦1 = 𝑎𝑎11 𝑥𝑥1 + 𝑎𝑎12 𝑥𝑥2 + ⋯ + 𝑎𝑎1𝑛𝑛 𝑥𝑥 𝑚𝑚
𝑦𝑦2 = 𝑎𝑎21 𝑥𝑥1 + 𝑎𝑎22 𝑥𝑥2 + ⋯ + 𝑎𝑎2𝑛𝑛 𝑥𝑥 𝑚𝑚
⋮
𝑦𝑦𝑚𝑚 = 𝑎𝑎 𝑚𝑚1 𝑥𝑥1 + 𝑎𝑎 𝑚𝑚2 𝑥𝑥2 + ⋯ + 𝑎𝑎 𝑚𝑚𝑚𝑚 𝑥𝑥 𝑚𝑚
𝑦𝑦1
⋮
𝑦𝑦𝑚𝑚
=
𝑎𝑎11 ⋯ 𝑎𝑎1𝑛𝑛
⋮ ⋱ ⋮
𝑎𝑎 𝑚𝑚1 ⋯ 𝑎𝑎 𝑚𝑚𝑚𝑚
𝑥𝑥1
⋮
𝑥𝑥 𝑚𝑚
式(1)
*未知数を求めるには、未知数と同数以上の
方程式が必要となる。ただし、𝑦𝑦𝑖𝑖が厳密であ
れば方程式の数は未知数の数と同数で良い。
未知数と方程式の数が等しい場合、Aは正方
行列となり、n=mである。𝐲𝐲 = 𝐀𝐀𝐀𝐀
𝑎𝑎𝑖𝑖𝑖𝑖
行番号 列番号
添字の見方
式(2)
行列の操作
連立方程式の解法では、i行目を
c倍して、c倍されたi行目を他の
行から引いても良いことを思い
出そう。
6
𝑦𝑦1
𝑦𝑦2
𝑦𝑦3
⋮
𝑦𝑦𝑚𝑚
=
𝑎𝑎11
𝑎𝑎21
𝑎𝑎31
⋮
𝑎𝑎 𝑚𝑚1
𝑎𝑎12
𝑎𝑎22
𝑎𝑎32
⋮
𝑎𝑎 𝑚𝑚2
⋯
𝑎𝑎1𝑛𝑛
𝑎𝑎2𝑛𝑛
𝑎𝑎3𝑛𝑛
⋮
𝑎𝑎 𝑚𝑚𝑚𝑚
𝑥𝑥1
𝑥𝑥2
𝑥𝑥3
⋮
𝑥𝑥 𝑚𝑚
𝑦𝑦1/𝑎𝑎11
𝑦𝑦2
𝑦𝑦3
⋮
𝑦𝑦𝑚𝑚
=
1
𝑎𝑎21
𝑎𝑎31
⋮
𝑎𝑎 𝑚𝑚1
𝑎𝑎12/𝑎𝑎11
𝑎𝑎22
𝑎𝑎32
⋮
𝑎𝑎 𝑚𝑚2
⋯
𝑎𝑎1𝑛𝑛/𝑎𝑎11
𝑎𝑎2𝑛𝑛
𝑎𝑎3𝑛𝑛
⋮
𝑎𝑎 𝑚𝑚𝑚𝑚
𝑥𝑥1
𝑥𝑥2
𝑥𝑥3
⋮
𝑥𝑥 𝑚𝑚
Step 1: 1行目の1列目以降と𝑦𝑦1を𝑎𝑎11で割る。
origin
𝑦𝑦1/𝑎𝑎11
𝑦𝑦2 − 𝑎𝑎21 𝑦𝑦1/𝑎𝑎11
𝑦𝑦3 − 𝑎𝑎31 𝑦𝑦1/𝑎𝑎11
⋮
𝑦𝑦𝑚𝑚 − 𝑎𝑎𝑛𝑛1 𝑦𝑦1/𝑎𝑎11
=
1
0
0
⋮
0
𝑎𝑎12/𝑎𝑎11
𝑎𝑎22 − 𝑎𝑎21 𝑎𝑎12/𝑎𝑎11
𝑎𝑎32 − 𝑎𝑎31 𝑎𝑎12/𝑎𝑎11
⋮
𝑎𝑎 𝑚𝑚2 − 𝑎𝑎 𝑚𝑚1 𝑎𝑎12/𝑎𝑎11
⋯
𝑎𝑎1𝑛𝑛/𝑎𝑎11
𝑎𝑎2𝑛𝑛 − 𝑎𝑎21 𝑎𝑎1𝑛𝑛/𝑎𝑎11
𝑎𝑎3𝑛𝑛 − 𝑎𝑎31 𝑎𝑎1𝑛𝑛/𝑎𝑎11
⋮
𝑎𝑎 𝑚𝑚𝑚𝑚 − 𝑎𝑎 𝑚𝑚1 𝑎𝑎1𝑛𝑛/𝑎𝑎11
𝑥𝑥1
𝑥𝑥2
𝑥𝑥3
⋮
𝑥𝑥 𝑚𝑚
Step 2: 1行目にk行目1列の係数を掛けたものをk行目から引く。ただし1行目は除く。
*1列目が1行目を除いて0になった事に注目しよう。
7
́𝑦𝑦1
́𝑦𝑦2
́𝑦𝑦3
⋮
́𝑦𝑦𝑚𝑚
=
1
0
0
⋮
0
́𝑎𝑎12
́𝑎𝑎22
́𝑎𝑎32
⋮
́𝑎𝑎 𝑚𝑚2
⋯
́𝑎𝑎1𝑛𝑛
́𝑎𝑎2𝑛𝑛
́𝑎𝑎3𝑛𝑛
⋮
́𝑎𝑎 𝑚𝑚𝑛𝑛
𝑥𝑥1
𝑥𝑥2
𝑥𝑥3
⋮
𝑥𝑥 𝑚𝑚
́𝑦𝑦1
́𝑦𝑦2/ ́𝑎𝑎22
́𝑦𝑦3
⋮
́𝑦𝑦𝑚𝑚
=
1
0
0
⋮
0
́𝑎𝑎12
1
́𝑎𝑎32
⋮
́𝑎𝑎 𝑚𝑚2
⋯
́𝑎𝑎1𝑛𝑛
́𝑎𝑎2𝑛𝑛/ ́𝑎𝑎22
́𝑎𝑎3𝑛𝑛
⋮
́𝑎𝑎 𝑚𝑚𝑛𝑛
𝑥𝑥1
𝑥𝑥2
𝑥𝑥3
⋮
𝑥𝑥 𝑚𝑚
Step 1’: 2行目の2列目以降と ́𝑦𝑦2を ́𝑎𝑎22で割る
(2列目より前は0なので処理を要しない)
Step 2’: 2行目にk行目2列の係数を掛けたものをk行目から引く。ただし2行目は除く。
*2列目が2行目を除いて0になった事に注目しよう。
表記が長いのでダッシュを付けて書き直した。
́𝑦𝑦1 − ́𝑎𝑎12 ́𝑦𝑦2/ ́𝑎𝑎22
́𝑦𝑦2/ ́𝑎𝑎22
́𝑦𝑦3 − ́𝑎𝑎32 ́𝑦𝑦2/ ́𝑎𝑎22
⋮
́𝑦𝑦𝑚𝑚 − ́𝑎𝑎 𝑚𝑚2 ́𝑦𝑦2/ ́𝑎𝑎22
=
1
0
0
⋮
0
0
1
0
⋮
0
⋯
́𝑎𝑎1𝑛𝑛 − ́𝑎𝑎12 ́𝑎𝑎2𝑛𝑛/ ́𝑎𝑎22
́𝑎𝑎2𝑛𝑛/ ́𝑎𝑎22
́𝑎𝑎3𝑛𝑛 − ́𝑎𝑎32 ́𝑎𝑎2𝑛𝑛/ ́𝑎𝑎22
⋮
́𝑎𝑎 𝑚𝑚𝑛𝑛 − ́𝑎𝑎 𝑚𝑚2 ́𝑎𝑎2𝑛𝑛/ ́𝑎𝑎22
𝑥𝑥1
𝑥𝑥2
𝑥𝑥3
⋮
𝑥𝑥 𝑚𝑚
́𝑦𝑦1
́𝑦𝑦2
́𝑦𝑦3
⋮
́𝑦𝑦𝑚𝑚
=
1
0
0
⋮
0
0
1
0
⋮
0
⋯
0
0
0
⋮
1
𝑥𝑥1
𝑥𝑥2
𝑥𝑥3
⋮
𝑥𝑥 𝑚𝑚
́𝒚𝒚 = 𝐈𝐈𝒙𝒙
m行目まで繰り返す。
*𝒙𝒙が求まった。
アルゴリズムを考える
8
ループで全行処理
For row=0 to m-1
𝑎𝑎𝑖𝑖𝑖𝑖で割る
全ての行から引くの
で、全体のループの
中にループのある2
重ループ構造が必要
と分かる。
実装イメージ
9
Sub get_x(vector_Y, matrix_A)
For Row = 0 To matrix_Aのサイズ
' Step 1
‘ vector_Yもmatrix_AもRow行をmatrix_A(Row)(Row)で割る
' Step 2
For row2 = 0 To matrix_Aのサイズ
If Row <> row2 Then
For col = Row To matrix_Aのサイズ
‘ matrix_A(row2)(col)からmatrix_A(Row2)(Row) * matrix_A(Row)(col) を引く
‘ vector_Yも同様に処理する
Next col
End If
Next row2 Next Row
End Sub
@VBA
ループで全行処理
For row=0 to m-1
全ての行から引くので、
全体のループの中に
ループのある2重ルー
プ構造が必要と分かる。
𝑎𝑎𝑖𝑖𝑖𝑖で割る
正方行列を仮定
1次元ベクトルを仮定
掃き出し法 実装例1
10
Function get_x_0(vector_Y_, matrix_A_)
' 掃き出し法により解を求める
vector_Y = vector_Y_ ' Variant型ならDeep copyされる
matrix_A = matrix_A_
For Row = 0 To UBound(vector_Y)
' row行の係数を(row行, row列)の係数で割る
coef = matrix_A(Row)(Row)
vector_Y(Row) = vector_Y(Row) / coef
For col = Row To UBound(vector_Y)
matrix_A(Row)(col) = matrix_A(Row)(col) / coef
Next col
' row行に(row2行, row列)の係数を掛けたものをrow2行から引く。ただしrow=row2は除く。
For row2 = 0 To UBound(vector_Y)
If Row <> row2 Then
coef = matrix_A(row2)(Row)
vector_Y(row2) = vector_Y(row2) - vector_Y(Row) * coef
For col = Row To UBound(vector_Y)
matrix_A(row2)(col) = matrix_A(row2)(col) - matrix_A(Row)(col) * coef
Next col
End If
Next row2
Next Row
get_x_0 = vector_Y
End Function
正方行列を仮定
1次元ベクトルを仮定
Step 1
Step2
@VBA
変数をDeep copyすることで、
引数への副作用を避けた
変数の変化の様子を追う
下記の様にブレイクポイントを設置し、変数vector_Yと
matrix_Aをウォッチ式に追加する。その上でプログラムをデ
バッグモードで実行しながら、これらの変化を追ってみよう。
11
12
これが初期状態
での変数の状態
である。
1行目のデータ
行のイン
デックス
列のイン
デックス
実行停止中
(矢印のある
行は未実行)
13
1になった
0になった
実行停止中
(矢印のある
行は未実行)
14
1になった
0になった
実行停止中
(矢印のある
行は未実行)
ブレークポイ
ントの位置は
変えた。
15
1になった
0になった
実行停止中
(矢印のある
行は未実行)
16
1になった
0になった
実行停止中
(矢印のある
行は未実行)
解
プログラム簡易化のための一工夫
𝐲𝐲はよく見ると、計算過程が係数行列Aと同じである。そこで、 𝐲𝐲
を係数行列の最終列に追加することを考える。
17
Aと同じ計算過程
𝑎𝑎11
𝑎𝑎21
𝑎𝑎31
⋮
𝑎𝑎 𝑚𝑚1
𝑎𝑎12
𝑎𝑎22
𝑎𝑎32
⋮
𝑎𝑎 𝑚𝑚2
⋯
𝑎𝑎1𝑛𝑛
𝑎𝑎2𝑛𝑛
𝑎𝑎3𝑛𝑛
⋮
𝑎𝑎 𝑚𝑚𝑚𝑚
𝑦𝑦1
𝑦𝑦2
𝑦𝑦3
⋮
𝑦𝑦𝑚𝑚
関数に渡す引数を↓のように変更する。
1
0
0
⋮
0
0
1
0
⋮
0
⋯
0
0
0
⋮
1
́𝑦𝑦1
́𝑦𝑦2
́𝑦𝑦3
⋮
́𝑦𝑦𝑚𝑚
最終的な解はn+1列に格
納される。
́𝑦𝑦1 − ́𝑎𝑎12 ́𝑦𝑦2/ ́𝑎𝑎22
́𝑦𝑦2/ ́𝑎𝑎22
́𝑦𝑦3 − ́𝑎𝑎32 ́𝑦𝑦2/ ́𝑎𝑎22
⋮
́𝑦𝑦𝑚𝑚 − ́𝑎𝑎 𝑚𝑚2 ́𝑦𝑦2/ ́𝑎𝑎22
=
1
0
0
⋮
0
0
1
0
⋮
0
⋯
́𝑎𝑎1𝑛𝑛 − ́𝑎𝑎12 ́𝑎𝑎2𝑛𝑛/ ́𝑎𝑎22
́𝑎𝑎2𝑛𝑛/ ́𝑎𝑎22
́𝑎𝑎3𝑛𝑛 − ́𝑎𝑎32 ́𝑎𝑎2𝑛𝑛/ ́𝑎𝑎22
⋮
́𝑎𝑎 𝑚𝑚𝑛𝑛 − ́𝑎𝑎 𝑚𝑚2 ́𝑎𝑎2𝑛𝑛/ ́𝑎𝑎22
𝑥𝑥1
𝑥𝑥2
𝑥𝑥3
⋮
𝑥𝑥 𝑚𝑚
行列の最終列にベクトルを
追加するコード例
18
𝑎𝑎11
𝑎𝑎21
𝑎𝑎31
⋮
𝑎𝑎 𝑚𝑚1
𝑎𝑎12
𝑎𝑎22
𝑎𝑎32
⋮
𝑎𝑎 𝑚𝑚2
⋯
𝑎𝑎1𝑛𝑛
𝑎𝑎2𝑛𝑛
𝑎𝑎3𝑛𝑛
⋮
𝑎𝑎 𝑚𝑚𝑚𝑚
Function matrix_append(matrix_A_, vector_Y_)
' 行列の最終列にvector_Y_の要素をコピーする。実用には要素数のチェックを入れたほうが良い。
new_matrix = matrix_A_
For i = 0 To UBound(new_matrix)
Dim row_data As Variant
row_data = new_matrix(i)
ReDim Preserve row_data(UBound(row_data) + 1) ' 内容保持したまま拡張
row_data(UBound(row_data)) = vector_Y_(i)
new_matrix(i) = row_data
Next i
matrix_append = new_matrix
End Function
@VBA
𝑎𝑎11
𝑎𝑎21
𝑎𝑎31
⋮
𝑎𝑎 𝑚𝑚1
𝑎𝑎12
𝑎𝑎22
𝑎𝑎32
⋮
𝑎𝑎 𝑚𝑚2
⋯
𝑎𝑎1𝑛𝑛
𝑎𝑎2𝑛𝑛
𝑎𝑎3𝑛𝑛
⋮
𝑎𝑎 𝑚𝑚𝑚𝑚
𝑦𝑦1
𝑦𝑦2
𝑦𝑦3
⋮
𝑦𝑦𝑚𝑚
𝑦𝑦1
𝑦𝑦2
𝑦𝑦3
⋮
𝑦𝑦𝑚𝑚
2つを結合し
て・・・と
掃き出し法 実装例2
19
Function get_x_1(vector_Y_, matrix_A_)
' 掃き出し法により解を求める
matrix_data = matrix_append(matrix_A_, vector_Y_)
For Row = 0 To UBound(matrix_data)
' row行の係数を(row行, row列)の係数で割る
coef = matrix_data(Row)(Row)
For col = Row To UBound(matrix_data(0))
matrix_data(Row)(col) = matrix_data(Row)(col) / coef
Next col
' row行に(row2行, row列)の係数を掛けたものをrow2行から引く。ただしrow=row2は除く。
For row2 = 0 To UBound(matrix_data)
If Row <> row2 Then
coef = matrix_data(row2)(Row)
For col = Row To UBound(matrix_data(0))
matrix_data(row2)(col) = matrix_data(row2)(col) - matrix_data(Row)(col) * coef
Next col
End If
Next row2
Next Row
' 解を取り出す(なんて面倒なんだ)
Dim ans As Variant
ans = Array()
ReDim ans(UBound(matrix_data))
For i = 0 To UBound(matrix_data)
ans(i) = matrix_data(i)(UBound(matrix_data(0)))
Next i
get_x_1 = ans
End Function
matrix_dataはn行n+1列の2次元配列
Step 1
Step2
@VBA
*VBAでは行数が増えたが、
VBA以外ではシンプルになって
計算速度も上がる。
**逆行列計算での利用を視野に
入れると関数を整理した方が良
いが、ここでは考慮しない。
0除算対策&計算精度向上の工夫
上記の部分において、対角成分のcoefが0だとエラーとなる。
つまり、対角成分に0が1つでも有ると計算できない。ただし、
今回の場合は𝐲𝐲と𝐀𝐀が連動していれば行の入れ替えが可能なの
で、 𝑎𝑎𝑖𝑖𝑖𝑖が0の場合は𝑖𝑖列の成分が0以外である行と入れ替えれば
良い。
また、計算精度を上げるためには0に近い数で割らない方が良
い。したがって、交換する行は絶対値が最も大きいものを選
択する。
この様な操作をピボット操作という。ピボット操作のために、
𝑖𝑖列で最大の係数を持つ行𝑘𝑘 (𝑖𝑖 ≤ 𝑘𝑘 ≤ 𝑛𝑛 − 1)を返す関数と、 𝑖𝑖行
と𝑘𝑘行を入れ替える関数を用意しよう。
20
matrix_data(Row)(col) = matrix_data(Row)(col) / coef
最大係数の行を探す関数
指定列𝑖𝑖で最大の係数を持つ行番号𝑘𝑘を返す関数例を以下に示す。
ここで、 𝑖𝑖行より上の行は既に調整済みなので調整範囲から外
し、 𝑘𝑘の初期値は𝑖𝑖とする。(プログラム中では𝑘𝑘はRow,走査
列𝑖𝑖はsearch_colで表している。)
21
Function search_max_coef(search_col, matrix_data)
' search_col列の最大値を持つ行を返す
row_at_max = -1
max_val = 0
For Row = search_col To UBound(matrix_data)
Value = Abs(matrix_data(Row)(search_col))
If Value > max_val Then
max_val = Value
row_at_max = Row
End If
Next Row
search_max_coef = row_at_max
End Function
@VBA
行の入れ替えを行う関数
行を入れ替える関数例を以下に示す。この関数は、引数で渡
されたmatrix_data(Arrayの入れ子による行列を想定)のうち、
row_index1行とrow_index2行(いずれも0からカウントの整
数を想定)を入れ替える。
22
Function switch_row(row_index1, row_index2, matrix_data)
' row_index1行目とrow_index2行目を入れ替える
row1 = matrix_data(row_index1)
row2 = matrix_data(row_index2)
matrix_data(row_index1) = row2
matrix_data(row_index2) = row1
switch_row = matrix_data
End Function
@VBA
行のデータを取り出して、入れ
替えた上で再代入している。
23
Function get_x_2(vector_Y_, matrix_A_)
' 掃き出し法により解を求める
matrix_data = matrix_append(matrix_A_, vector_Y_)
For Row = 0 To UBound(matrix_data)
’最大係数となる行を探して、row行と入れ替える
switch_row_index = search_max_coef(Row, matrix_data)
matrix_data = switch_row(Row, switch_row_index, matrix_data)
' row行の係数を(row行, row列)の係数で割る
coef = matrix_data(Row)(Row)
For col = Row To UBound(matrix_data(0))
matrix_data(Row)(col) = matrix_data(Row)(col) / coef
Next col
' row行に(row2行, row列)の係数を掛けたものをrow2行から引く。ただしrow=row2は除く。
For row2 = 0 To UBound(matrix_data)
If Row <> row2 Then
coef = matrix_data(row2)(Row)
For col = Row To UBound(matrix_data(0))
matrix_data(row2)(col) = matrix_data(row2)(col) - matrix_data(Row)(col) * coef
Next col
End If
Next row2
Next Row
' 解を取り出す(なんて面倒なんだ)
Dim ans As Variant
ans = Array()
ReDim ans(UBound(matrix_data))
For i = 0 To UBound(matrix_data)
ans(i) = matrix_data(i)(UBound(matrix_data(0)))
Next i
get_x_2 = ans
End Function
掃き出し法 実装例3
係数値最大の行を探して、
row行と入れ替えている。
エラー対策のコードも仕込
めば、実用的に使える。
@VBA
関数の呼び出し例
これまで解説してきた関数の呼び出し例を以下に示す。ここ
では、変数temp_matrixに係数行列を代入し、Yに式の値を代
入している。get_x_0()は連立方程式の解を返してresultに代入
される。
24
Sub hakidashi_test()
row1 = Array(1, -2, -2, 2)
row2 = Array(2, -2, -3, 3)
row3 = Array(-1, 6, 3, -2)
row4 = Array(1, 4, 0, -1)
temp_matrix = Array(row1, row2, row3, row4)
Y = Array(5, 10, 2, -10)
result = get_x_0(Y, temp_matrix)
result = get_x_1(Y, temp_matrix)
result = get_x_2(Y, temp_matrix)
End Sub @VBA
練習問題
25
問1
以下の問題を解け。解答は次のページ。
狙い:数値計算的な解法を身に着けるのが第一である。解が
存在しない場合の計算過程で変数がどのように変化するか確
認して感覚をつかんで欲しい。係数行列の行列式を求めてみ
ると面白いだろう。
26
言語指定:VBA
[引用元] 押川元重・他,精
選 線形代数初版第6版発
行,培風館,2005.
問1の問題の数学的解
27
その他
28
参考文献
SAK Streets - VB 開発言語資料
 http://sak.cool.coocan.jp/w_sak3/doc/sysbrd/sak3vb.htm
 基本的にVB6.0の解説だが、VBAにほぼそのまま適用できる。かなり詳しい。
筑波大の教員HP 線形代数I/連立一次方程式
 http://dora.bk.tsukuba.ac.jp/~takeuchi/?%E7%B7%9A%E5%BD%A2%E4%BB%
A3%E6%95%B0%EF%BC%A9%2F%E9%80%A3%E7%AB%8B%E4%B8%80%E6%A
C%A1%E6%96%B9%E7%A8%8B%E5%BC%8F#oa5d8bb5
29

More Related Content

What's hot

公開鍵暗号5: 離散対数問題
公開鍵暗号5: 離散対数問題公開鍵暗号5: 離散対数問題
公開鍵暗号5: 離散対数問題Joe Suzuki
 
実験計画法入門 Part 2
実験計画法入門 Part 2実験計画法入門 Part 2
実験計画法入門 Part 2haji mizu
 
1 5.パラメトリックブートストラップ検定と確率分布
1 5.パラメトリックブートストラップ検定と確率分布1 5.パラメトリックブートストラップ検定と確率分布
1 5.パラメトリックブートストラップ検定と確率分布logics-of-blue
 
StanとRでベイズ統計モデリング読書会Ch.9
StanとRでベイズ統計モデリング読書会Ch.9StanとRでベイズ統計モデリング読書会Ch.9
StanとRでベイズ統計モデリング読書会Ch.9考司 小杉
 
PRML輪読#3
PRML輪読#3PRML輪読#3
PRML輪読#3matsuolab
 
Graphic Notes on Linear Algebra and Data Science
Graphic Notes on Linear Algebra and Data ScienceGraphic Notes on Linear Algebra and Data Science
Graphic Notes on Linear Algebra and Data ScienceKenji Hiranabe
 
統計(人間科学のための基礎数学)
統計(人間科学のための基礎数学)統計(人間科学のための基礎数学)
統計(人間科学のための基礎数学)Masahiro Okano
 
15分でわかる(範囲の)ベイズ統計学
15分でわかる(範囲の)ベイズ統計学15分でわかる(範囲の)ベイズ統計学
15分でわかる(範囲の)ベイズ統計学Ken'ichi Matsui
 
オンライン凸最適化と線形識別モデル学習の最前線_IBIS2011
オンライン凸最適化と線形識別モデル学習の最前線_IBIS2011オンライン凸最適化と線形識別モデル学習の最前線_IBIS2011
オンライン凸最適化と線形識別モデル学習の最前線_IBIS2011Preferred Networks
 
2 2.尤度と最尤法
2 2.尤度と最尤法2 2.尤度と最尤法
2 2.尤度と最尤法logics-of-blue
 
機械学習を用いた予測モデル構築・評価
機械学習を用いた予測モデル構築・評価機械学習を用いた予測モデル構築・評価
機械学習を用いた予測モデル構築・評価Shintaro Fukushima
 
ラムダ計算入門
ラムダ計算入門ラムダ計算入門
ラムダ計算入門Eita Sugimoto
 
[PRML勉強会資料] パターン認識と機械学習 第3章 線形回帰モデル (章頭-3.1.5)(p.135-145)
[PRML勉強会資料] パターン認識と機械学習 第3章 線形回帰モデル (章頭-3.1.5)(p.135-145)[PRML勉強会資料] パターン認識と機械学習 第3章 線形回帰モデル (章頭-3.1.5)(p.135-145)
[PRML勉強会資料] パターン認識と機械学習 第3章 線形回帰モデル (章頭-3.1.5)(p.135-145)Itaru Otomaru
 
[Tokyor08] Rによるデータサイエンス 第2部 第3章 対応分析
[Tokyor08] Rによるデータサイエンス第2部 第3章 対応分析[Tokyor08] Rによるデータサイエンス第2部 第3章 対応分析
[Tokyor08] Rによるデータサイエンス 第2部 第3章 対応分析Yohei Sato
 
線形代数の視覚的理解のためのノート
線形代数の視覚的理解のためのノート線形代数の視覚的理解のためのノート
線形代数の視覚的理解のためのノートKenji Hiranabe
 
Prml3.5 エビデンス近似〜
Prml3.5 エビデンス近似〜Prml3.5 エビデンス近似〜
Prml3.5 エビデンス近似〜Yuki Matsubara
 
セミパラメトリック推論の基礎
セミパラメトリック推論の基礎セミパラメトリック推論の基礎
セミパラメトリック推論の基礎Daisuke Yoneoka
 
論理と計算のしくみ 5.3 型付きλ計算 (前半)
論理と計算のしくみ 5.3 型付きλ計算 (前半)論理と計算のしくみ 5.3 型付きλ計算 (前半)
論理と計算のしくみ 5.3 型付きλ計算 (前半)Lintaro Ina
 

What's hot (20)

公開鍵暗号5: 離散対数問題
公開鍵暗号5: 離散対数問題公開鍵暗号5: 離散対数問題
公開鍵暗号5: 離散対数問題
 
実験計画法入門 Part 2
実験計画法入門 Part 2実験計画法入門 Part 2
実験計画法入門 Part 2
 
1 5.パラメトリックブートストラップ検定と確率分布
1 5.パラメトリックブートストラップ検定と確率分布1 5.パラメトリックブートストラップ検定と確率分布
1 5.パラメトリックブートストラップ検定と確率分布
 
StanとRでベイズ統計モデリング読書会Ch.9
StanとRでベイズ統計モデリング読書会Ch.9StanとRでベイズ統計モデリング読書会Ch.9
StanとRでベイズ統計モデリング読書会Ch.9
 
PRML輪読#3
PRML輪読#3PRML輪読#3
PRML輪読#3
 
Graphic Notes on Linear Algebra and Data Science
Graphic Notes on Linear Algebra and Data ScienceGraphic Notes on Linear Algebra and Data Science
Graphic Notes on Linear Algebra and Data Science
 
統計(人間科学のための基礎数学)
統計(人間科学のための基礎数学)統計(人間科学のための基礎数学)
統計(人間科学のための基礎数学)
 
15分でわかる(範囲の)ベイズ統計学
15分でわかる(範囲の)ベイズ統計学15分でわかる(範囲の)ベイズ統計学
15分でわかる(範囲の)ベイズ統計学
 
1 2.t検定
1 2.t検定1 2.t検定
1 2.t検定
 
オンライン凸最適化と線形識別モデル学習の最前線_IBIS2011
オンライン凸最適化と線形識別モデル学習の最前線_IBIS2011オンライン凸最適化と線形識別モデル学習の最前線_IBIS2011
オンライン凸最適化と線形識別モデル学習の最前線_IBIS2011
 
2 2.尤度と最尤法
2 2.尤度と最尤法2 2.尤度と最尤法
2 2.尤度と最尤法
 
機械学習を用いた予測モデル構築・評価
機械学習を用いた予測モデル構築・評価機械学習を用いた予測モデル構築・評価
機械学習を用いた予測モデル構築・評価
 
Prml 4.1.1
Prml 4.1.1Prml 4.1.1
Prml 4.1.1
 
ラムダ計算入門
ラムダ計算入門ラムダ計算入門
ラムダ計算入門
 
[PRML勉強会資料] パターン認識と機械学習 第3章 線形回帰モデル (章頭-3.1.5)(p.135-145)
[PRML勉強会資料] パターン認識と機械学習 第3章 線形回帰モデル (章頭-3.1.5)(p.135-145)[PRML勉強会資料] パターン認識と機械学習 第3章 線形回帰モデル (章頭-3.1.5)(p.135-145)
[PRML勉強会資料] パターン認識と機械学習 第3章 線形回帰モデル (章頭-3.1.5)(p.135-145)
 
[Tokyor08] Rによるデータサイエンス 第2部 第3章 対応分析
[Tokyor08] Rによるデータサイエンス第2部 第3章 対応分析[Tokyor08] Rによるデータサイエンス第2部 第3章 対応分析
[Tokyor08] Rによるデータサイエンス 第2部 第3章 対応分析
 
線形代数の視覚的理解のためのノート
線形代数の視覚的理解のためのノート線形代数の視覚的理解のためのノート
線形代数の視覚的理解のためのノート
 
Prml3.5 エビデンス近似〜
Prml3.5 エビデンス近似〜Prml3.5 エビデンス近似〜
Prml3.5 エビデンス近似〜
 
セミパラメトリック推論の基礎
セミパラメトリック推論の基礎セミパラメトリック推論の基礎
セミパラメトリック推論の基礎
 
論理と計算のしくみ 5.3 型付きλ計算 (前半)
論理と計算のしくみ 5.3 型付きλ計算 (前半)論理と計算のしくみ 5.3 型付きλ計算 (前半)
論理と計算のしくみ 5.3 型付きλ計算 (前半)
 

Viewers also liked

VBAで数値計算 04 ニュートン法
VBAで数値計算 04 ニュートン法VBAで数値計算 04 ニュートン法
VBAで数値計算 04 ニュートン法Katsuhiro Morishita
 
VBAで数値計算 06 観測データの処理
VBAで数値計算 06 観測データの処理VBAで数値計算 06 観測データの処理
VBAで数値計算 06 観測データの処理Katsuhiro Morishita
 
VBAで数値計算 07 ベクトル
VBAで数値計算 07 ベクトルVBAで数値計算 07 ベクトル
VBAで数値計算 07 ベクトルKatsuhiro Morishita
 
VBAで数値計算 03 数式実装パターン
VBAで数値計算 03 数式実装パターンVBAで数値計算 03 数式実装パターン
VBAで数値計算 03 数式実装パターンKatsuhiro Morishita
 
VBAで数値計算 01 数値計算の紹介
VBAで数値計算 01 数値計算の紹介VBAで数値計算 01 数値計算の紹介
VBAで数値計算 01 数値計算の紹介Katsuhiro Morishita
 
VBAで数値計算 02 数式の関数をプログラムの関数で実装
VBAで数値計算 02 数式の関数をプログラムの関数で実装VBAで数値計算 02 数式の関数をプログラムの関数で実装
VBAで数値計算 02 数式の関数をプログラムの関数で実装Katsuhiro Morishita
 
VBAにおける配列の データ構造と行列
VBAにおける配列の データ構造と行列VBAにおける配列の データ構造と行列
VBAにおける配列の データ構造と行列Katsuhiro Morishita
 

Viewers also liked (9)

VBAで数値計算 04 ニュートン法
VBAで数値計算 04 ニュートン法VBAで数値計算 04 ニュートン法
VBAで数値計算 04 ニュートン法
 
VBAで数値計算 06 観測データの処理
VBAで数値計算 06 観測データの処理VBAで数値計算 06 観測データの処理
VBAで数値計算 06 観測データの処理
 
VBAで数値計算 編集後記
VBAで数値計算 編集後記VBAで数値計算 編集後記
VBAで数値計算 編集後記
 
VBAで数値計算 07 ベクトル
VBAで数値計算 07 ベクトルVBAで数値計算 07 ベクトル
VBAで数値計算 07 ベクトル
 
VBAで数値計算 03 数式実装パターン
VBAで数値計算 03 数式実装パターンVBAで数値計算 03 数式実装パターン
VBAで数値計算 03 数式実装パターン
 
VBAで数値計算 08 行列
VBAで数値計算 08 行列VBAで数値計算 08 行列
VBAで数値計算 08 行列
 
VBAで数値計算 01 数値計算の紹介
VBAで数値計算 01 数値計算の紹介VBAで数値計算 01 数値計算の紹介
VBAで数値計算 01 数値計算の紹介
 
VBAで数値計算 02 数式の関数をプログラムの関数で実装
VBAで数値計算 02 数式の関数をプログラムの関数で実装VBAで数値計算 02 数式の関数をプログラムの関数で実装
VBAで数値計算 02 数式の関数をプログラムの関数で実装
 
VBAにおける配列の データ構造と行列
VBAにおける配列の データ構造と行列VBAにおける配列の データ構造と行列
VBAにおける配列の データ構造と行列
 

Similar to VBAで数値計算 09 掃き出し法

さくっと線形代数
さくっと線形代数さくっと線形代数
さくっと線形代数Kota Mori
 
データ解析3 最適化の復習
データ解析3 最適化の復習データ解析3 最適化の復習
データ解析3 最適化の復習Hirotaka Hachiya
 
2011年11月11日
2011年11月11日2011年11月11日
2011年11月11日nukaemon
 
ベイズ推論による機械学習入門 第4章
ベイズ推論による機械学習入門 第4章ベイズ推論による機械学習入門 第4章
ベイズ推論による機械学習入門 第4章YosukeAkasaka
 
[PRML] パターン認識と機械学習(第3章:線形回帰モデル)
[PRML] パターン認識と機械学習(第3章:線形回帰モデル)[PRML] パターン認識と機械学習(第3章:線形回帰モデル)
[PRML] パターン認識と機械学習(第3章:線形回帰モデル)Ryosuke Sasaki
 
パターン認識 第12章 正則化とパス追跡アルゴリズム
パターン認識 第12章 正則化とパス追跡アルゴリズムパターン認識 第12章 正則化とパス追跡アルゴリズム
パターン認識 第12章 正則化とパス追跡アルゴリズムMiyoshi Yuya
 
自然科学の統計学2.2 slideshare
自然科学の統計学2.2 slideshare自然科学の統計学2.2 slideshare
自然科学の統計学2.2 slidesharewada, kazumi
 
競技プログラミングでの線型方程式系
競技プログラミングでの線型方程式系競技プログラミングでの線型方程式系
競技プログラミングでの線型方程式系tmaehara
 
Sized Linear Algebra Package のチュートリアル
Sized Linear Algebra Package のチュートリアルSized Linear Algebra Package のチュートリアル
Sized Linear Algebra Package のチュートリアルAkinori Abe
 
Rのoptim関数でロバスト回帰(LMSとLAV)
Rのoptim関数でロバスト回帰(LMSとLAV)Rのoptim関数でロバスト回帰(LMSとLAV)
Rのoptim関数でロバスト回帰(LMSとLAV)wada, kazumi
 
LLM は数学を理解しているのか?
LLM は数学を理解しているのか?LLM は数学を理解しているのか?
LLM は数学を理解しているのか?Hide Koba
 
深層学習(講談社)のまとめ 第4章
深層学習(講談社)のまとめ 第4章深層学習(講談社)のまとめ 第4章
深層学習(講談社)のまとめ 第4章okku apot
 
ラビットチャレンジレポート 機械学習
ラビットチャレンジレポート 機械学習ラビットチャレンジレポート 機械学習
ラビットチャレンジレポート 機械学習ssuserf4860b
 
2次元/3次元幾何学変換の統一的な最適計算論文
2次元/3次元幾何学変換の統一的な最適計算論文2次元/3次元幾何学変換の統一的な最適計算論文
2次元/3次元幾何学変換の統一的な最適計算論文doboncho
 
数学教材(中間発表)
数学教材(中間発表)数学教材(中間発表)
数学教材(中間発表)Mizuguchi1205
 

Similar to VBAで数値計算 09 掃き出し法 (18)

さくっと線形代数
さくっと線形代数さくっと線形代数
さくっと線形代数
 
データ解析3 最適化の復習
データ解析3 最適化の復習データ解析3 最適化の復習
データ解析3 最適化の復習
 
2011年11月11日
2011年11月11日2011年11月11日
2011年11月11日
 
ベイズ推論による機械学習入門 第4章
ベイズ推論による機械学習入門 第4章ベイズ推論による機械学習入門 第4章
ベイズ推論による機械学習入門 第4章
 
[PRML] パターン認識と機械学習(第3章:線形回帰モデル)
[PRML] パターン認識と機械学習(第3章:線形回帰モデル)[PRML] パターン認識と機械学習(第3章:線形回帰モデル)
[PRML] パターン認識と機械学習(第3章:線形回帰モデル)
 
パターン認識 第12章 正則化とパス追跡アルゴリズム
パターン認識 第12章 正則化とパス追跡アルゴリズムパターン認識 第12章 正則化とパス追跡アルゴリズム
パターン認識 第12章 正則化とパス追跡アルゴリズム
 
自然科学の統計学2.2 slideshare
自然科学の統計学2.2 slideshare自然科学の統計学2.2 slideshare
自然科学の統計学2.2 slideshare
 
競技プログラミングでの線型方程式系
競技プログラミングでの線型方程式系競技プログラミングでの線型方程式系
競技プログラミングでの線型方程式系
 
Chap. 6(nakagawa)
Chap. 6(nakagawa)Chap. 6(nakagawa)
Chap. 6(nakagawa)
 
Sized Linear Algebra Package のチュートリアル
Sized Linear Algebra Package のチュートリアルSized Linear Algebra Package のチュートリアル
Sized Linear Algebra Package のチュートリアル
 
PRML4.3
PRML4.3PRML4.3
PRML4.3
 
Rのoptim関数でロバスト回帰(LMSとLAV)
Rのoptim関数でロバスト回帰(LMSとLAV)Rのoptim関数でロバスト回帰(LMSとLAV)
Rのoptim関数でロバスト回帰(LMSとLAV)
 
LLM は数学を理解しているのか?
LLM は数学を理解しているのか?LLM は数学を理解しているのか?
LLM は数学を理解しているのか?
 
深層学習(講談社)のまとめ 第4章
深層学習(講談社)のまとめ 第4章深層学習(講談社)のまとめ 第4章
深層学習(講談社)のまとめ 第4章
 
PRML10-draft1002
PRML10-draft1002PRML10-draft1002
PRML10-draft1002
 
ラビットチャレンジレポート 機械学習
ラビットチャレンジレポート 機械学習ラビットチャレンジレポート 機械学習
ラビットチャレンジレポート 機械学習
 
2次元/3次元幾何学変換の統一的な最適計算論文
2次元/3次元幾何学変換の統一的な最適計算論文2次元/3次元幾何学変換の統一的な最適計算論文
2次元/3次元幾何学変換の統一的な最適計算論文
 
数学教材(中間発表)
数学教材(中間発表)数学教材(中間発表)
数学教材(中間発表)
 

More from Katsuhiro Morishita

数ページの卒業論文作成のためのwordの使い方
数ページの卒業論文作成のためのwordの使い方数ページの卒業論文作成のためのwordの使い方
数ページの卒業論文作成のためのwordの使い方Katsuhiro Morishita
 
Pythonのパッケージ管理ツールの話@2020
Pythonのパッケージ管理ツールの話@2020Pythonのパッケージ管理ツールの話@2020
Pythonのパッケージ管理ツールの話@2020Katsuhiro Morishita
 
オトナのpandas勉強会(資料)
オトナのpandas勉強会(資料)オトナのpandas勉強会(資料)
オトナのpandas勉強会(資料)Katsuhiro Morishita
 
SIgfox触ってみた in IoTLT in 熊本市 vol.3
SIgfox触ってみた in IoTLT in 熊本市 vol.3SIgfox触ってみた in IoTLT in 熊本市 vol.3
SIgfox触ってみた in IoTLT in 熊本市 vol.3Katsuhiro Morishita
 
Excelでのグラフの作成方法re
Excelでのグラフの作成方法reExcelでのグラフの作成方法re
Excelでのグラフの作成方法reKatsuhiro Morishita
 
Pythonスクリプトの実行方法@2018
Pythonスクリプトの実行方法@2018Pythonスクリプトの実行方法@2018
Pythonスクリプトの実行方法@2018Katsuhiro Morishita
 
Pythonで始めた数値計算の授業@わんくま勉強会2018-04
Pythonで始めた数値計算の授業@わんくま勉強会2018-04Pythonで始めた数値計算の授業@わんくま勉強会2018-04
Pythonで始めた数値計算の授業@わんくま勉強会2018-04Katsuhiro Morishita
 
マークシート読み込みプログラムを作ってみた@2018-04-04
マークシート読み込みプログラムを作ってみた@2018-04-04マークシート読み込みプログラムを作ってみた@2018-04-04
マークシート読み込みプログラムを作ってみた@2018-04-04Katsuhiro Morishita
 
オトナの画像認識 2018年3月21日実施
オトナの画像認識 2018年3月21日実施オトナの画像認識 2018年3月21日実施
オトナの画像認識 2018年3月21日実施Katsuhiro Morishita
 
LoRa-WANで河川水位を計測してみた@IoTLT@熊本市 vol.001
LoRa-WANで河川水位を計測してみた@IoTLT@熊本市 vol.001LoRa-WANで河川水位を計測してみた@IoTLT@熊本市 vol.001
LoRa-WANで河川水位を計測してみた@IoTLT@熊本市 vol.001Katsuhiro Morishita
 
シリーズML-08 ニューラルネットワークを用いた識別・分類ーシングルラベルー
シリーズML-08 ニューラルネットワークを用いた識別・分類ーシングルラベルーシリーズML-08 ニューラルネットワークを用いた識別・分類ーシングルラベルー
シリーズML-08 ニューラルネットワークを用いた識別・分類ーシングルラベルーKatsuhiro Morishita
 
シリーズML-07 ニューラルネットワークによる非線形回帰
シリーズML-07 ニューラルネットワークによる非線形回帰シリーズML-07 ニューラルネットワークによる非線形回帰
シリーズML-07 ニューラルネットワークによる非線形回帰Katsuhiro Morishita
 
シリーズML-06 ニューラルネットワークによる線形回帰
シリーズML-06 ニューラルネットワークによる線形回帰シリーズML-06 ニューラルネットワークによる線形回帰
シリーズML-06 ニューラルネットワークによる線形回帰Katsuhiro Morishita
 
シリーズML-05 ニューラルネットワーク
シリーズML-05 ニューラルネットワークシリーズML-05 ニューラルネットワーク
シリーズML-05 ニューラルネットワークKatsuhiro Morishita
 
シリーズML-03 ランダムフォレストによる自動識別
シリーズML-03 ランダムフォレストによる自動識別シリーズML-03 ランダムフォレストによる自動識別
シリーズML-03 ランダムフォレストによる自動識別Katsuhiro Morishita
 
シリーズML-01 機械学習の概要
シリーズML-01 機械学習の概要シリーズML-01 機械学習の概要
シリーズML-01 機械学習の概要Katsuhiro Morishita
 
Pandas利用上のエラーとその対策
Pandas利用上のエラーとその対策Pandas利用上のエラーとその対策
Pandas利用上のエラーとその対策Katsuhiro Morishita
 

More from Katsuhiro Morishita (20)

数ページの卒業論文作成のためのwordの使い方
数ページの卒業論文作成のためのwordの使い方数ページの卒業論文作成のためのwordの使い方
数ページの卒業論文作成のためのwordの使い方
 
Pythonのパッケージ管理ツールの話@2020
Pythonのパッケージ管理ツールの話@2020Pythonのパッケージ管理ツールの話@2020
Pythonのパッケージ管理ツールの話@2020
 
オトナのpandas勉強会(資料)
オトナのpandas勉強会(資料)オトナのpandas勉強会(資料)
オトナのpandas勉強会(資料)
 
SIgfox触ってみた in IoTLT in 熊本市 vol.3
SIgfox触ってみた in IoTLT in 熊本市 vol.3SIgfox触ってみた in IoTLT in 熊本市 vol.3
SIgfox触ってみた in IoTLT in 熊本市 vol.3
 
Google Colaboratoryの使い方
Google Colaboratoryの使い方Google Colaboratoryの使い方
Google Colaboratoryの使い方
 
Excelでのグラフの作成方法re
Excelでのグラフの作成方法reExcelでのグラフの作成方法re
Excelでのグラフの作成方法re
 
Pythonのmain関数
Pythonのmain関数Pythonのmain関数
Pythonのmain関数
 
Pythonスクリプトの実行方法@2018
Pythonスクリプトの実行方法@2018Pythonスクリプトの実行方法@2018
Pythonスクリプトの実行方法@2018
 
機械学習と主成分分析
機械学習と主成分分析機械学習と主成分分析
機械学習と主成分分析
 
Pythonで始めた数値計算の授業@わんくま勉強会2018-04
Pythonで始めた数値計算の授業@わんくま勉強会2018-04Pythonで始めた数値計算の授業@わんくま勉強会2018-04
Pythonで始めた数値計算の授業@わんくま勉強会2018-04
 
マークシート読み込みプログラムを作ってみた@2018-04-04
マークシート読み込みプログラムを作ってみた@2018-04-04マークシート読み込みプログラムを作ってみた@2018-04-04
マークシート読み込みプログラムを作ってみた@2018-04-04
 
オトナの画像認識 2018年3月21日実施
オトナの画像認識 2018年3月21日実施オトナの画像認識 2018年3月21日実施
オトナの画像認識 2018年3月21日実施
 
LoRa-WANで河川水位を計測してみた@IoTLT@熊本市 vol.001
LoRa-WANで河川水位を計測してみた@IoTLT@熊本市 vol.001LoRa-WANで河川水位を計測してみた@IoTLT@熊本市 vol.001
LoRa-WANで河川水位を計測してみた@IoTLT@熊本市 vol.001
 
シリーズML-08 ニューラルネットワークを用いた識別・分類ーシングルラベルー
シリーズML-08 ニューラルネットワークを用いた識別・分類ーシングルラベルーシリーズML-08 ニューラルネットワークを用いた識別・分類ーシングルラベルー
シリーズML-08 ニューラルネットワークを用いた識別・分類ーシングルラベルー
 
シリーズML-07 ニューラルネットワークによる非線形回帰
シリーズML-07 ニューラルネットワークによる非線形回帰シリーズML-07 ニューラルネットワークによる非線形回帰
シリーズML-07 ニューラルネットワークによる非線形回帰
 
シリーズML-06 ニューラルネットワークによる線形回帰
シリーズML-06 ニューラルネットワークによる線形回帰シリーズML-06 ニューラルネットワークによる線形回帰
シリーズML-06 ニューラルネットワークによる線形回帰
 
シリーズML-05 ニューラルネットワーク
シリーズML-05 ニューラルネットワークシリーズML-05 ニューラルネットワーク
シリーズML-05 ニューラルネットワーク
 
シリーズML-03 ランダムフォレストによる自動識別
シリーズML-03 ランダムフォレストによる自動識別シリーズML-03 ランダムフォレストによる自動識別
シリーズML-03 ランダムフォレストによる自動識別
 
シリーズML-01 機械学習の概要
シリーズML-01 機械学習の概要シリーズML-01 機械学習の概要
シリーズML-01 機械学習の概要
 
Pandas利用上のエラーとその対策
Pandas利用上のエラーとその対策Pandas利用上のエラーとその対策
Pandas利用上のエラーとその対策
 

Recently uploaded

TokyoTechGraduateExaminationPresentation
TokyoTechGraduateExaminationPresentationTokyoTechGraduateExaminationPresentation
TokyoTechGraduateExaminationPresentationYukiTerazawa
 
世界を変えるクレーンを生み出そう! 高知エンジニアリングキャンプ2024プログラム
世界を変えるクレーンを生み出そう! 高知エンジニアリングキャンプ2024プログラム世界を変えるクレーンを生み出そう! 高知エンジニアリングキャンプ2024プログラム
世界を変えるクレーンを生み出そう! 高知エンジニアリングキャンプ2024プログラムKochi Eng Camp
 
東京工業大学 環境・社会理工学院 建築学系 大学院入学入試・進学説明会2024_v2
東京工業大学 環境・社会理工学院 建築学系 大学院入学入試・進学説明会2024_v2東京工業大学 環境・社会理工学院 建築学系 大学院入学入試・進学説明会2024_v2
東京工業大学 環境・社会理工学院 建築学系 大学院入学入試・進学説明会2024_v2Tokyo Institute of Technology
 
The_Five_Books_Overview_Presentation_2024
The_Five_Books_Overview_Presentation_2024The_Five_Books_Overview_Presentation_2024
The_Five_Books_Overview_Presentation_2024koheioishi1
 
次世代機の製品コンセプトを描く ~未来の機械を創造してみよう~
次世代機の製品コンセプトを描く ~未来の機械を創造してみよう~次世代機の製品コンセプトを描く ~未来の機械を創造してみよう~
次世代機の製品コンセプトを描く ~未来の機械を創造してみよう~Kochi Eng Camp
 
2024年度 東京工業大学 工学院 機械系 大学院 修士課程 入試 説明会 資料
2024年度 東京工業大学 工学院 機械系 大学院 修士課程 入試 説明会 資料2024年度 東京工業大学 工学院 機械系 大学院 修士課程 入試 説明会 資料
2024年度 東京工業大学 工学院 機械系 大学院 修士課程 入試 説明会 資料Tokyo Institute of Technology
 
ゲーム理論 BASIC 演習106 -価格の交渉ゲーム-#ゲーム理論 #gametheory #数学
ゲーム理論 BASIC 演習106 -価格の交渉ゲーム-#ゲーム理論 #gametheory #数学ゲーム理論 BASIC 演習106 -価格の交渉ゲーム-#ゲーム理論 #gametheory #数学
ゲーム理論 BASIC 演習106 -価格の交渉ゲーム-#ゲーム理論 #gametheory #数学ssusere0a682
 
生成AIの回答内容の修正を課題としたレポートについて:お茶の水女子大学「授業・研究における生成系AIの活用事例」での講演資料
生成AIの回答内容の修正を課題としたレポートについて:お茶の水女子大学「授業・研究における生成系AIの活用事例」での講演資料生成AIの回答内容の修正を課題としたレポートについて:お茶の水女子大学「授業・研究における生成系AIの活用事例」での講演資料
生成AIの回答内容の修正を課題としたレポートについて:お茶の水女子大学「授業・研究における生成系AIの活用事例」での講演資料Takayuki Itoh
 

Recently uploaded (8)

TokyoTechGraduateExaminationPresentation
TokyoTechGraduateExaminationPresentationTokyoTechGraduateExaminationPresentation
TokyoTechGraduateExaminationPresentation
 
世界を変えるクレーンを生み出そう! 高知エンジニアリングキャンプ2024プログラム
世界を変えるクレーンを生み出そう! 高知エンジニアリングキャンプ2024プログラム世界を変えるクレーンを生み出そう! 高知エンジニアリングキャンプ2024プログラム
世界を変えるクレーンを生み出そう! 高知エンジニアリングキャンプ2024プログラム
 
東京工業大学 環境・社会理工学院 建築学系 大学院入学入試・進学説明会2024_v2
東京工業大学 環境・社会理工学院 建築学系 大学院入学入試・進学説明会2024_v2東京工業大学 環境・社会理工学院 建築学系 大学院入学入試・進学説明会2024_v2
東京工業大学 環境・社会理工学院 建築学系 大学院入学入試・進学説明会2024_v2
 
The_Five_Books_Overview_Presentation_2024
The_Five_Books_Overview_Presentation_2024The_Five_Books_Overview_Presentation_2024
The_Five_Books_Overview_Presentation_2024
 
次世代機の製品コンセプトを描く ~未来の機械を創造してみよう~
次世代機の製品コンセプトを描く ~未来の機械を創造してみよう~次世代機の製品コンセプトを描く ~未来の機械を創造してみよう~
次世代機の製品コンセプトを描く ~未来の機械を創造してみよう~
 
2024年度 東京工業大学 工学院 機械系 大学院 修士課程 入試 説明会 資料
2024年度 東京工業大学 工学院 機械系 大学院 修士課程 入試 説明会 資料2024年度 東京工業大学 工学院 機械系 大学院 修士課程 入試 説明会 資料
2024年度 東京工業大学 工学院 機械系 大学院 修士課程 入試 説明会 資料
 
ゲーム理論 BASIC 演習106 -価格の交渉ゲーム-#ゲーム理論 #gametheory #数学
ゲーム理論 BASIC 演習106 -価格の交渉ゲーム-#ゲーム理論 #gametheory #数学ゲーム理論 BASIC 演習106 -価格の交渉ゲーム-#ゲーム理論 #gametheory #数学
ゲーム理論 BASIC 演習106 -価格の交渉ゲーム-#ゲーム理論 #gametheory #数学
 
生成AIの回答内容の修正を課題としたレポートについて:お茶の水女子大学「授業・研究における生成系AIの活用事例」での講演資料
生成AIの回答内容の修正を課題としたレポートについて:お茶の水女子大学「授業・研究における生成系AIの活用事例」での講演資料生成AIの回答内容の修正を課題としたレポートについて:お茶の水女子大学「授業・研究における生成系AIの活用事例」での講演資料
生成AIの回答内容の修正を課題としたレポートについて:お茶の水女子大学「授業・研究における生成系AIの活用事例」での講演資料
 

VBAで数値計算 09 掃き出し法