Submit Search
Upload
はじめてのパターン認識 第1章
•
49 likes
•
20,376 views
P
Prunus 1350
Follow
第1回「はじめてのパターン認識」読書会 第1章「はじめに」
Read less
Read more
Education
Report
Share
Report
Share
1 of 72
Download now
Download to read offline
Recommended
20130716 はじパタ3章前半 ベイズの識別規則
20130716 はじパタ3章前半 ベイズの識別規則
koba cky
はじパタ6章前半
はじパタ6章前半
T T
はじめてのパターン認識 第5章 k最近傍法(k_nn法)
はじめてのパターン認識 第5章 k最近傍法(k_nn法)
Motoya Wakiyama
はじパタ8章 svm
はじパタ8章 svm
tetsuro ito
はじめてのパターン認識 第8章 サポートベクトルマシン
はじめてのパターン認識 第8章 サポートベクトルマシン
Motoya Wakiyama
はじパタ2章
はじパタ2章
tetsuro ito
はじめてのパターン認識 第6章 後半
はじめてのパターン認識 第6章 後半
Prunus 1350
バンディットアルゴリズム入門と実践
バンディットアルゴリズム入門と実践
智之 村上
Recommended
20130716 はじパタ3章前半 ベイズの識別規則
20130716 はじパタ3章前半 ベイズの識別規則
koba cky
はじパタ6章前半
はじパタ6章前半
T T
はじめてのパターン認識 第5章 k最近傍法(k_nn法)
はじめてのパターン認識 第5章 k最近傍法(k_nn法)
Motoya Wakiyama
はじパタ8章 svm
はじパタ8章 svm
tetsuro ito
はじめてのパターン認識 第8章 サポートベクトルマシン
はじめてのパターン認識 第8章 サポートベクトルマシン
Motoya Wakiyama
はじパタ2章
はじパタ2章
tetsuro ito
はじめてのパターン認識 第6章 後半
はじめてのパターン認識 第6章 後半
Prunus 1350
バンディットアルゴリズム入門と実践
バンディットアルゴリズム入門と実践
智之 村上
PRML輪読#4
PRML輪読#4
matsuolab
計算論的学習理論入門 -PAC学習とかVC次元とか-
計算論的学習理論入門 -PAC学習とかVC次元とか-
sleepy_yoshi
階層ベイズによるワンToワンマーケティング入門
階層ベイズによるワンToワンマーケティング入門
shima o
PRML輪読#1
PRML輪読#1
matsuolab
負の二項分布について
負の二項分布について
Hiroshi Shimizu
深層学習の数理
深層学習の数理
Taiji Suzuki
深層学習 勉強会第5回 ボルツマンマシン
深層学習 勉強会第5回 ボルツマンマシン
Yuta Sugii
数式を使わずイメージで理解するEMアルゴリズム
数式を使わずイメージで理解するEMアルゴリズム
裕樹 奥田
はじめてのパターン認識8章サポートベクトルマシン
はじめてのパターン認識8章サポートベクトルマシン
NobuyukiTakayasu
Control as Inference (強化学習とベイズ統計)
Control as Inference (強化学習とベイズ統計)
Shohei Taniguchi
わかりやすいパターン認識_2章
わかりやすいパターン認識_2章
weda654
ノンパラメトリックベイズ4章クラスタリング
ノンパラメトリックベイズ4章クラスタリング
智文 中野
パターン認識と機械学習(PRML)第2章 確率分布 2.3 ガウス分布
パターン認識と機械学習(PRML)第2章 確率分布 2.3 ガウス分布
Nagayoshi Yamashita
PRML上巻勉強会 at 東京大学 資料 第1章前半
PRML上巻勉強会 at 東京大学 資料 第1章前半
Ohsawa Goodfellow
[DL輪読会]1次近似系MAMLとその理論的背景
[DL輪読会]1次近似系MAMLとその理論的背景
Deep Learning JP
PRML輪読#3
PRML輪読#3
matsuolab
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
Akira Masuda
密度比推定による時系列データの異常検知
密度比推定による時系列データの異常検知
- Core Concept Technologies
MICの解説
MICの解説
logics-of-blue
CatBoost on GPU のひみつ
CatBoost on GPU のひみつ
Takuji Tahara
Prml 1.3~1.6 ver3
Prml 1.3~1.6 ver3
Toshihiko Iio
統計学
統計学
Hiroyuki Taira
More Related Content
What's hot
PRML輪読#4
PRML輪読#4
matsuolab
計算論的学習理論入門 -PAC学習とかVC次元とか-
計算論的学習理論入門 -PAC学習とかVC次元とか-
sleepy_yoshi
階層ベイズによるワンToワンマーケティング入門
階層ベイズによるワンToワンマーケティング入門
shima o
PRML輪読#1
PRML輪読#1
matsuolab
負の二項分布について
負の二項分布について
Hiroshi Shimizu
深層学習の数理
深層学習の数理
Taiji Suzuki
深層学習 勉強会第5回 ボルツマンマシン
深層学習 勉強会第5回 ボルツマンマシン
Yuta Sugii
数式を使わずイメージで理解するEMアルゴリズム
数式を使わずイメージで理解するEMアルゴリズム
裕樹 奥田
はじめてのパターン認識8章サポートベクトルマシン
はじめてのパターン認識8章サポートベクトルマシン
NobuyukiTakayasu
Control as Inference (強化学習とベイズ統計)
Control as Inference (強化学習とベイズ統計)
Shohei Taniguchi
わかりやすいパターン認識_2章
わかりやすいパターン認識_2章
weda654
ノンパラメトリックベイズ4章クラスタリング
ノンパラメトリックベイズ4章クラスタリング
智文 中野
パターン認識と機械学習(PRML)第2章 確率分布 2.3 ガウス分布
パターン認識と機械学習(PRML)第2章 確率分布 2.3 ガウス分布
Nagayoshi Yamashita
PRML上巻勉強会 at 東京大学 資料 第1章前半
PRML上巻勉強会 at 東京大学 資料 第1章前半
Ohsawa Goodfellow
[DL輪読会]1次近似系MAMLとその理論的背景
[DL輪読会]1次近似系MAMLとその理論的背景
Deep Learning JP
PRML輪読#3
PRML輪読#3
matsuolab
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
Akira Masuda
密度比推定による時系列データの異常検知
密度比推定による時系列データの異常検知
- Core Concept Technologies
MICの解説
MICの解説
logics-of-blue
CatBoost on GPU のひみつ
CatBoost on GPU のひみつ
Takuji Tahara
What's hot
(20)
PRML輪読#4
PRML輪読#4
計算論的学習理論入門 -PAC学習とかVC次元とか-
計算論的学習理論入門 -PAC学習とかVC次元とか-
階層ベイズによるワンToワンマーケティング入門
階層ベイズによるワンToワンマーケティング入門
PRML輪読#1
PRML輪読#1
負の二項分布について
負の二項分布について
深層学習の数理
深層学習の数理
深層学習 勉強会第5回 ボルツマンマシン
深層学習 勉強会第5回 ボルツマンマシン
数式を使わずイメージで理解するEMアルゴリズム
数式を使わずイメージで理解するEMアルゴリズム
はじめてのパターン認識8章サポートベクトルマシン
はじめてのパターン認識8章サポートベクトルマシン
Control as Inference (強化学習とベイズ統計)
Control as Inference (強化学習とベイズ統計)
わかりやすいパターン認識_2章
わかりやすいパターン認識_2章
ノンパラメトリックベイズ4章クラスタリング
ノンパラメトリックベイズ4章クラスタリング
パターン認識と機械学習(PRML)第2章 確率分布 2.3 ガウス分布
パターン認識と機械学習(PRML)第2章 確率分布 2.3 ガウス分布
PRML上巻勉強会 at 東京大学 資料 第1章前半
PRML上巻勉強会 at 東京大学 資料 第1章前半
[DL輪読会]1次近似系MAMLとその理論的背景
[DL輪読会]1次近似系MAMLとその理論的背景
PRML輪読#3
PRML輪読#3
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
密度比推定による時系列データの異常検知
密度比推定による時系列データの異常検知
MICの解説
MICの解説
CatBoost on GPU のひみつ
CatBoost on GPU のひみつ
Similar to はじめてのパターン認識 第1章
Prml 1.3~1.6 ver3
Prml 1.3~1.6 ver3
Toshihiko Iio
統計学
統計学
Hiroyuki Taira
直交領域探索
直交領域探索
okuraofvegetable
PRML上巻勉強会 at 東京大学 資料 第1章後半
PRML上巻勉強会 at 東京大学 資料 第1章後半
Ohsawa Goodfellow
Characeter-Level CNN
Characeter-Level CNN
tdualdir
異常検知と変化検知の1~3章をまとめてみた
異常検知と変化検知の1~3章をまとめてみた
Takahiro Yoshizawa
Boolean retrieval
Boolean retrieval
saireya _
プログラミングコンテストでの乱択アルゴリズム
プログラミングコンテストでの乱択アルゴリズム
Takuya Akiba
Similar to はじめてのパターン認識 第1章
(8)
Prml 1.3~1.6 ver3
Prml 1.3~1.6 ver3
統計学
統計学
直交領域探索
直交領域探索
PRML上巻勉強会 at 東京大学 資料 第1章後半
PRML上巻勉強会 at 東京大学 資料 第1章後半
Characeter-Level CNN
Characeter-Level CNN
異常検知と変化検知の1~3章をまとめてみた
異常検知と変化検知の1~3章をまとめてみた
Boolean retrieval
Boolean retrieval
プログラミングコンテストでの乱択アルゴリズム
プログラミングコンテストでの乱択アルゴリズム
More from Prunus 1350
SAS University EditionでもJupyter Notebookが使えるようになった話
SAS University EditionでもJupyter Notebookが使えるようになった話
Prunus 1350
統計的学習の基礎 第2章後半
統計的学習の基礎 第2章後半
Prunus 1350
Rで学ぶデータマイニングI 第8章〜第13章
Rで学ぶデータマイニングI 第8章〜第13章
Prunus 1350
はじめてのパターン認識 第11章 11.1-11.2
はじめてのパターン認識 第11章 11.1-11.2
Prunus 1350
TokyoR 第36回LT Rで部分空間法
TokyoR 第36回LT Rで部分空間法
Prunus 1350
はじめてのパターン認識 第9章 9.5-9.6
はじめてのパターン認識 第9章 9.5-9.6
Prunus 1350
パターン認識と機械学習 §8.3.4 有向グラフとの関係
パターン認識と機械学習 §8.3.4 有向グラフとの関係
Prunus 1350
パターン認識と機械学習 §6.2 カーネル関数の構成
パターン認識と機械学習 §6.2 カーネル関数の構成
Prunus 1350
集合知プログラミング 第4章 4.7
集合知プログラミング 第4章 4.7
Prunus 1350
スティーヴ・ライヒを聴こう
スティーヴ・ライヒを聴こう
Prunus 1350
第5章 統計的仮説検定 (Rによるやさしい統計学)
第5章 統計的仮説検定 (Rによるやさしい統計学)
Prunus 1350
More from Prunus 1350
(11)
SAS University EditionでもJupyter Notebookが使えるようになった話
SAS University EditionでもJupyter Notebookが使えるようになった話
統計的学習の基礎 第2章後半
統計的学習の基礎 第2章後半
Rで学ぶデータマイニングI 第8章〜第13章
Rで学ぶデータマイニングI 第8章〜第13章
はじめてのパターン認識 第11章 11.1-11.2
はじめてのパターン認識 第11章 11.1-11.2
TokyoR 第36回LT Rで部分空間法
TokyoR 第36回LT Rで部分空間法
はじめてのパターン認識 第9章 9.5-9.6
はじめてのパターン認識 第9章 9.5-9.6
パターン認識と機械学習 §8.3.4 有向グラフとの関係
パターン認識と機械学習 §8.3.4 有向グラフとの関係
パターン認識と機械学習 §6.2 カーネル関数の構成
パターン認識と機械学習 §6.2 カーネル関数の構成
集合知プログラミング 第4章 4.7
集合知プログラミング 第4章 4.7
スティーヴ・ライヒを聴こう
スティーヴ・ライヒを聴こう
第5章 統計的仮説検定 (Rによるやさしい統計学)
第5章 統計的仮説検定 (Rによるやさしい統計学)
Recently uploaded
TEAMIN Service overview for customer_20240422.pdf
TEAMIN Service overview for customer_20240422.pdf
yukisuga3
リアル戦国探究in米沢 事前講座2スライド(スタッフ共有用)『両雄の強さの秘密』についてのスライド
リアル戦国探究in米沢 事前講座2スライド(スタッフ共有用)『両雄の強さの秘密』についてのスライド
Ken Fukui
リアル戦国探究in米沢 当日講座1(スタッフ共有用)『兵は詐をもって立つ』についてのスライド
リアル戦国探究in米沢 当日講座1(スタッフ共有用)『兵は詐をもって立つ』についてのスライド
Ken Fukui
The_Five_Books_Overview_Presentation_2024
The_Five_Books_Overview_Presentation_2024
koheioishi1
TokyoTechGraduateExaminationPresentation
TokyoTechGraduateExaminationPresentation
YukiTerazawa
リアル戦国探究in米沢 当日講座2スライド(スタッフ共有用)『人を致すも人に致されず』についてのスライド
リアル戦国探究in米沢 当日講座2スライド(スタッフ共有用)『人を致すも人に致されず』についてのスライド
Ken Fukui
ゲーム理論 BASIC 演習105 -n人囚人のジレンマモデル- #ゲーム理論 #gametheory #数学
ゲーム理論 BASIC 演習105 -n人囚人のジレンマモデル- #ゲーム理論 #gametheory #数学
ssusere0a682
リアル戦国探究in米沢 当日講座3スライド(スタッフ共有用)『糧は三度はさいせず』についてのスライド
リアル戦国探究in米沢 当日講座3スライド(スタッフ共有用)『糧は三度はさいせず』についてのスライド
Ken Fukui
リアル戦国探究in米沢 事前講座1スライド(スタッフ共有用)『川中島の謎』についてのスライド
リアル戦国探究in米沢 事前講座1スライド(スタッフ共有用)『川中島の謎』についてのスライド
Ken Fukui
UniProject Workshop Make a Discord Bot with JavaScript
UniProject Workshop Make a Discord Bot with JavaScript
yuitoakatsukijp
Recently uploaded
(10)
TEAMIN Service overview for customer_20240422.pdf
TEAMIN Service overview for customer_20240422.pdf
リアル戦国探究in米沢 事前講座2スライド(スタッフ共有用)『両雄の強さの秘密』についてのスライド
リアル戦国探究in米沢 事前講座2スライド(スタッフ共有用)『両雄の強さの秘密』についてのスライド
リアル戦国探究in米沢 当日講座1(スタッフ共有用)『兵は詐をもって立つ』についてのスライド
リアル戦国探究in米沢 当日講座1(スタッフ共有用)『兵は詐をもって立つ』についてのスライド
The_Five_Books_Overview_Presentation_2024
The_Five_Books_Overview_Presentation_2024
TokyoTechGraduateExaminationPresentation
TokyoTechGraduateExaminationPresentation
リアル戦国探究in米沢 当日講座2スライド(スタッフ共有用)『人を致すも人に致されず』についてのスライド
リアル戦国探究in米沢 当日講座2スライド(スタッフ共有用)『人を致すも人に致されず』についてのスライド
ゲーム理論 BASIC 演習105 -n人囚人のジレンマモデル- #ゲーム理論 #gametheory #数学
ゲーム理論 BASIC 演習105 -n人囚人のジレンマモデル- #ゲーム理論 #gametheory #数学
リアル戦国探究in米沢 当日講座3スライド(スタッフ共有用)『糧は三度はさいせず』についてのスライド
リアル戦国探究in米沢 当日講座3スライド(スタッフ共有用)『糧は三度はさいせず』についてのスライド
リアル戦国探究in米沢 事前講座1スライド(スタッフ共有用)『川中島の謎』についてのスライド
リアル戦国探究in米沢 事前講座1スライド(スタッフ共有用)『川中島の謎』についてのスライド
UniProject Workshop Make a Discord Bot with JavaScript
UniProject Workshop Make a Discord Bot with JavaScript
はじめてのパターン認識 第1章
1.
第1回 「はじめてのパターン認識」読書会 2013/6/18 (火) Prunus1350
2.
1.1 パターン認識とは 「パターン認識」とは,
3.
1.1 パターン認識とは 「パターン認識」とは, 「物事の類型を知るはたらき,およびその内容」
4.
1.1 パターン認識とは 「パターン認識」とは, 「物事の類型を知るはたらき,およびその内容」 ちょっとわかりづらい?
5.
1.1 パターン認識とは 「パターン認識」とは,
6.
1.1 パターン認識とは 「パターン認識」とは, 「対象の特徴量から対象が属するカテゴリを推 測する方法」を指す. 『Rで学ぶデータサイエンス5 パターン認識』より
7.
1.1 パターン認識とは 識別対象 具体例
8.
1.1 パターン認識とは 識別対象 硬貨 具体例
9.
1.1 パターン認識とは 識別対象 特徴抽出 硬貨 具体例
10.
1.1 パターン認識とは 識別対象 特徴抽出 サイズ 重さ 透磁率 穴の有無 … 硬貨 具体例
11.
1.1 パターン認識とは 識別対象 特徴抽出 サイズ 重さ 透磁率 穴の有無 … 硬貨 識別の手がかりとなる 「特徴量」 具体例
12.
1.1 パターン認識とは 識別対象 特徴ベクトル 特徴抽出 サイズ 重さ 透磁率 穴の有無 … 硬貨 具体例
13.
1.1 パターン認識とは 識別対象 特徴ベクトル 特徴抽出
識別規則 サイズ 重さ 透磁率 穴の有無 … 硬貨 具体例
14.
1.1 パターン認識とは 識別対象 特徴ベクトル
識別クラス 特徴抽出 識別規則 サイズ 重さ 透磁率 穴の有無 … 10円 50円 100円 500円 識別不能 硬貨 具体例
15.
1.1 パターン認識とは 識別対象 特徴ベクトル
識別クラス 特徴抽出 識別規則 硬貨 識別対象は多岐に渡る 電話音声 顔画像 テキスト データ …
16.
1.1 パターン認識とは 識別対象 特徴ベクトル
識別クラス 特徴抽出 識別規則 硬貨 特徴ベクトルの形になってしまえば, 同じ識別規則が使え る 電話音声 顔画像 テキスト データ … 特徴量1 特徴量2 特徴量3 特徴量4 … クラス1 クラス2 クラス3 … 識別不能
17.
1.2 特徴の型 観測された特徴
18.
1.2 特徴の型 観測された特徴 • 定性的特徴(非数値データ) •
定量的特徴(数値データ)
19.
1.2 特徴の型 観測された特徴 • 定性的特徴(非数値データ) •
名義尺度 (分類のための単なる名前) • 順序尺度 (順序関係を表す) • 定量的特徴(数値データ)
20.
1.2 特徴の型 観測された特徴 • 定性的特徴(非数値データ) •
名義尺度 (分類のための単なる名前) • 順序尺度 (順序関係を表す) • 定量的特徴(数値データ) • 比例尺度 (原点が定まっており, 比率が意味を持つ) • 間隔尺度 (一定の単位で量られた量, 量間の比が意味を持た ない)
21.
例題 1.1 次の特徴の型は何か. (1)試験の点数 (2)成績表のA, B,
C, D (3)偏差値 (4)単語の出現頻度
22.
例題 1.1 次の特徴の型は何か. (1)試験の点数 →
間隔尺度 (2)成績表のA, B, C, D (3)偏差値 (4)単語の出現頻度
23.
例題 1.1 次の特徴の型は何か. (1)試験の点数 →
間隔尺度 (2)成績表のA, B, C, D → 順序尺度 (3)偏差値 (4)単語の出現頻度
24.
例題 1.1 次の特徴の型は何か. (1)試験の点数 →
間隔尺度 (2)成績表のA, B, C, D → 順序尺度 (3)偏差値 → 間隔尺度 (4)単語の出現頻度
25.
例題 1.1 次の特徴の型は何か. (1)試験の点数 →
間隔尺度 (2)成績表のA, B, C, D → 順序尺度 (3)偏差値 → 間隔尺度 (4)単語の出現頻度 → 比例尺度
26.
1.2 特徴の型 定性的な特徴を計算機上で扱うために符号化を 行う.
27.
1.2 特徴の型 定性的な特徴を計算機上で扱うために符号化を 行う. 例1) 2クラス 男性:0,
女性:1
28.
1.2 特徴の型 定性的な特徴を計算機上で扱うために符号化を 行う. 例1) 2クラス 男性:0,
女性:1 例2) 多クラス (5つのクラスラベルでクラス2を表現) t = (0, 1, 0, 0, 0)T
29.
1.3 特徴ベクトル空間と次元の呪い • 特徴数がd個あれば,
特徴ベクトルはd次元線形 空間を張る. x1 x2 65 70 (例) 特徴数2の特徴ベクトル x = (65, 70)T
30.
1.3 特徴ベクトル空間と次元の呪い • 特徴数がd個あれば,
特徴ベクトルはd次元線形 空間を張る. (例) 手書き文字認識 (kaggle)
31.
1.3 特徴ベクトル空間と次元の呪い • 特徴数がd個あれば,
特徴ベクトルはd次元線形 空間を張る. (例) 手書き文字認識 (kaggle) • 28 28=784個の画素値 • 各画素が256階調のグレースケール
32.
1.3 特徴ベクトル空間と次元の呪い • 特徴数がd個あれば,
特徴ベクトルはd次元線形 空間を張る. (例) 手書き文字認識 (kaggle) • 28 28=784個の画素値 • 各画素が256階調のグレースケール → 784次元のベクトル空間の各軸が256個の区 画を持っている.
33.
1.3 特徴ベクトル空間と次元の呪い • 特徴数がd個あれば,
特徴ベクトルはd次元線形 空間を張る. (例) 手書き文字認識 (kaggle) • 28 28=784個の画素値 • 各画素が256階調のグレースケール → 784次元のベクトル空間の各軸が256個の区 画を持っている. 区画の数は全体で 256784
34.
1.3 特徴ベクトル空間と次元の呪い 適応制御において未知の複雑な関数を学習する ために必要なデータが, 次元の増加と共に指数 関数的に増加することを 「次元の呪い」 という.
35.
例題 1.2 d次元超立方体の面(ファセットという)の数 は2d個であることを示せ.
36.
例題 1.2 d次元超立方体の面(ファセットという)の数 は2d個であることを示せ. A. d次元超立方体は,
各軸の直交する二つのd-1次 元超平面で構成されるので, 面は全部で2d個あ る.
37.
章末問題 1.1 あなたの利き手でない方の人差し指と中指の指 紋を区別したい, どのような特徴をとればよい か観察せよ.
38.
章末問題 1.2 辺の長さが の
次元超立方体について, 以下 の問いに答えよ. da
39.
章末問題 1.2 (1) 次元超立方体の頂点の数は 個であること を示せ. d 2d
40.
章末問題 1.2 (1) 次元超立方体の頂点の数は 個であること を示せ. • 0次元の場合 d 頂点の数: 2d 20 =
1
41.
章末問題 1.2 (1) 次元超立方体の頂点の数は 個であること を示せ. • 0次元
→ 1次元 新しい軸 を 考える O x1 d 2d x1
42.
章末問題 1.2 (1) 次元超立方体の頂点の数は 個であること を示せ. • 0次元
→ 1次元 の正負の方向 の 位置に頂点を移す O1 2 a 1 2 a x1 d 2d x1 ± 1 2 a
43.
章末問題 1.2 (1) 次元超立方体の頂点の数は 個であること を示せ. • 1次元の場合 O1 2 a 1 2 a x1 d
2d 頂点の数: 21 = 2
44.
章末問題 1.2 (1) 次元超立方体の頂点の数は 個であること を示せ. • 1次元
→ 2次元 軸 に直交する軸 を 考える O1 2 a 1 2 a x1 x2 d 2d x1 x2
45.
章末問題 1.2 (1) 次元超立方体の頂点の数は 個であること を示せ. • 1次元
→ 2次元 O1 2 a 1 2 a 1 2 a 1 2 a x1 x2 d 2d の正負の方向 の 位置に頂点を移す ± 1 2 ax2
46.
(1) 次元超立方体の頂点の数は 個であること を示せ. • 2次元の場合 章末問題 1.2 O1 2 a 1 2 a 1 2 a 1 2 a x1 x2 d
2d 頂点の数: 22 = 4
47.
(1) 次元超立方体の頂点の数は 個であること を示せ. • 2次元 →
3次元 章末問題 1.2 3次元空間を考える x1 x2 d 2d
48.
(1) 次元超立方体の頂点の数は 個であること を示せ. • 2次元 →
3次元 章末問題 1.2 x1 x2 d 2d x3 軸 に直交する 軸 を考える x1, x2 x3
49.
(1) 次元超立方体の頂点の数は 個であること を示せ. • 2次元 →
3次元 章末問題 1.2 x1 x2 x3 d 2d の正負の方向 の 位置に頂点を移す ± 1 2 ax3
50.
(1) 次元超立方体の頂点の数は 個であること を示せ. • 3次元の場合 章末問題 1.2 x1 x2 x3 d
2d 頂点の数: 23 = 8
51.
(1) 次元超立方体の頂点の数は 個であること を示せ. • 3次元 →
4次元 章末問題 1.2 軸 に直交する 軸 を考える x1 x2 x3 d 2d ? x1, x2, x3 x4
52.
(1) 次元超立方体の頂点の数は 個であること を示せ. • 3次元 →
4次元 章末問題 1.2 x1 x2 x3 d 2d ? の正負の方向 の 位置に頂点を移す ± 1 2 ax4
53.
(1) 次元超立方体の頂点の数は 個であること を示せ. • 4次元の場合 章末問題 1.2 x1 x2 x3 d
2d ? 頂点の数: 24 = 16
54.
(1) 次元超立方体の頂点の数は 個であること を示せ. • 同様にして, 次元が増えるごとに超立方体の頂 点の数は2倍になるので 次元超立方体の頂 点の数は 個である. 章末問題
1.2 d 2d d 2d
55.
(2) 次元超立方体の表面積を求めよ. 章末問題 1.2 d
56.
(2) 次元超立方体の表面積を求めよ. • 1辺の長さが の 次元超平面の表面積 は と表される. 章末問題 1.2 d a
d 1 ad 1
57.
(2) 次元超立方体の表面積を求めよ. • 1辺の長さが の 次元超平面の表面積 は と表される. 例題1.2より, これが 個あるので, 章末問題
1.2 d a d 1 ad 1 2d ad 1 ⇤ 2d = 2dad 1
58.
(3)超立方体を構成する 次元超平面の個数が で表されることを, 3次元立方体で確かめよ. 章末問題 1.2 m (0
m d 1) 2d m ✓ d m ◆
59.
(3)超立方体を構成する超平面の個数 • 0次元(頂点) 章末問題 1.2 23
0 ✓ 3 0 ◆ = 23 ⇤ 1 = 8 x1 x2 x3
60.
(3)超立方体を構成する超平面の個数 • 1次元(辺) 章末問題 1.2 23
1 ✓ 3 1 ◆ = 22 ⇤ 3 = 12 x1 x2 x3
61.
(3)超立方体を構成する超平面の個数 • 2次元(面) 章末問題 1.2 23
2 ✓ 3 2 ◆ = 21 ⇤ 3 = 6 x1 x2 x3
62.
(4)超立方体を構成する 次元超平面の総数を求 めよ. 章末問題 1.2 m
63.
(4)超立方体を構成する 次元超平面の総数を求 めよ. • 次元超平面の個数は と表されるので, 章末問題 1.2 m 2d
m ✓ d m ◆ m
64.
(4)超立方体を構成する 次元超平面の総数を求 めよ. • 次元超平面の個数は と表されるので, それを0次元から 次元ま で合計すればよい. 章末問題
1.2 m 2d m ✓ d m ◆ m d 1
65.
(4)超立方体を構成する 次元超平面の総数を求 めよ. • 次元超平面の個数は と表されるので, それを0次元から 次元ま で合計すればよい. よって 章末問題
1.2 m 2d m ✓ d m ◆ m d 1 d 1X m=0 2d m ✓ d m ◆
66.
(5)その式から, 5次元超立方体を構成する超平面の 総数を求めよ. 章末問題 1.2
67.
(5)その式から, 5次元超立方体を構成する超平面の 総数を求めよ. 章末問題 1.2 5
1X m=0 25 m ✓ 5 m ◆ = 4X m=0 25 m ✓ 5 m ◆
68.
(5)その式から, 5次元超立方体を構成する超平面の 総数を求めよ. 章末問題 1.2 5
1X m=0 25 m ✓ 5 m ◆ = 4X m=0 25 m ✓ 5 m ◆ = 25 0 ✓ 5 0 ◆ + 25 1 ✓ 5 1 ◆ + 25 2 ✓ 5 2 ◆ + 25 3 ✓ 5 3 ◆ + 25 4 ✓ 5 4 ◆
69.
(5)その式から, 5次元超立方体を構成する超平面の 総数を求めよ. 章末問題 1.2 5
1X m=0 25 m ✓ 5 m ◆ = 4X m=0 25 m ✓ 5 m ◆ = 25 0 ✓ 5 0 ◆ + 25 1 ✓ 5 1 ◆ + 25 2 ✓ 5 2 ◆ + 25 3 ✓ 5 3 ◆ + 25 4 ✓ 5 4 ◆ = 32 ⇤ 1 + 16 ⇤ 5 + 8 ⇤ 10 + 4 ⇤ 10 + 2 ⇤ 5
70.
(5)その式から, 5次元超立方体を構成する超平面の 総数を求めよ. 章末問題 1.2 5
1X m=0 25 m ✓ 5 m ◆ = 4X m=0 25 m ✓ 5 m ◆ = 25 0 ✓ 5 0 ◆ + 25 1 ✓ 5 1 ◆ + 25 2 ✓ 5 2 ◆ + 25 3 ✓ 5 3 ◆ + 25 4 ✓ 5 4 ◆ = 32 ⇤ 1 + 16 ⇤ 5 + 8 ⇤ 10 + 4 ⇤ 10 + 2 ⇤ 5 = 32 + 80 + 80 + 40 + 10
71.
(5)その式から, 5次元超立方体を構成する超平面の 総数を求めよ. 章末問題 1.2 5
1X m=0 25 m ✓ 5 m ◆ = 4X m=0 25 m ✓ 5 m ◆ = 25 0 ✓ 5 0 ◆ + 25 1 ✓ 5 1 ◆ + 25 2 ✓ 5 2 ◆ + 25 3 ✓ 5 3 ◆ + 25 4 ✓ 5 4 ◆ = 32 ⇤ 1 + 16 ⇤ 5 + 8 ⇤ 10 + 4 ⇤ 10 + 2 ⇤ 5 = 32 + 80 + 80 + 40 + 10 = 242
72.
ご清聴ありがとうございました。
Download now