Submit Search
Upload
橫手 数学班スライド
•
Download as PPTX, PDF
•
0 likes
•
3,205 views
A
awokumo
Follow
橫手 数学班スライド
Read less
Read more
Report
Share
Report
Share
1 of 27
Download now
Recommended
TopCoder SRM614 解説
TopCoder SRM614 解説
EmKjp
TopCoder SRM614 解説
MMDs10.6-7
MMDs10.6-7
mfumi
ガウス積分
ガウス積分
nabeshimamasataka
ガウス積分
ガウス積分の問題
ガウス積分の問題
nabeshimamasataka
ガウス積分の問題
何もないところから数を作る
何もないところから数を作る
Taketo Sano
7/24「第4回プログラマのための数学勉強会」にて発表。
ガウス積分
ガウス積分
政孝 鍋島
鍋島政孝
何もないところから数を作る
何もないところから数を作る
Taketo Sano
2013-03-22
20150922_楕円関数とおもしろい応用
20150922_楕円関数とおもしろい応用
matsumoring
H27.09.22第7回関西すうがく徒のつどい
Recommended
TopCoder SRM614 解説
TopCoder SRM614 解説
EmKjp
TopCoder SRM614 解説
MMDs10.6-7
MMDs10.6-7
mfumi
ガウス積分
ガウス積分
nabeshimamasataka
ガウス積分
ガウス積分の問題
ガウス積分の問題
nabeshimamasataka
ガウス積分の問題
何もないところから数を作る
何もないところから数を作る
Taketo Sano
7/24「第4回プログラマのための数学勉強会」にて発表。
ガウス積分
ガウス積分
政孝 鍋島
鍋島政孝
何もないところから数を作る
何もないところから数を作る
Taketo Sano
2013-03-22
20150922_楕円関数とおもしろい応用
20150922_楕円関数とおもしろい応用
matsumoring
H27.09.22第7回関西すうがく徒のつどい
凸最適化 〜 双対定理とソルバーCVXPYの紹介 〜
凸最適化 〜 双対定理とソルバーCVXPYの紹介 〜
Tomoki Yoshida
CVXPYの使い方の説明とラグランジュ双対問題について説明 ※縮小表示だと日本語が消えることがあるので全画面で御覧ください
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
Overcoming browser cookie churn with clustering in wsdm2012 reading
Overcoming browser cookie churn with clustering in wsdm2012 reading
ybenjo
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
第6章「線形識別関数」(後半)
関東第2回r勉強会
関東第2回r勉強会
Paweł Rusin
コードを書けば複素数がわかる
コードを書けば複素数がわかる
Taketo Sano
コードで2次元ベクトルから複素数を構成し、iOSシミュレータ上で複素数を動かしてみる話。「情報科学若手の会冬の陣2015」にて発表。
虚数は作れる!Swift で学ぶ複素数
虚数は作れる!Swift で学ぶ複素数
Taketo Sano
Study session#3
Study session#3
恵太 水野
for a study session in my company
Study session#3
Study session#3
恵太 水野
for a study session in my company
SGD+α: 確率的勾配降下法の現在と未来
SGD+α: 確率的勾配降下法の現在と未来
Hidekazu Oiwa
SGDの最新の拡張手法を紹介: Importance-aware UpdateやNormalized Online Learningなど.SGD+αはここまで出来る!
Rによる富士山関数の描き方
Rによる富士山関数の描き方
wada, kazumi
パターン認識第9章 学習ベクトル量子化
パターン認識第9章 学習ベクトル量子化
Miyoshi Yuya
Kmeans vs kmeanspp_20151124
Kmeans vs kmeanspp_20151124
博三 太田
Comparative studies
ナップサックDPを説明してみた
ナップサックDPを説明してみた
Koya Fukuda
ナップサックDPを説明してみた
ZDD入門-お姉さんを救う方法
ZDD入門-お姉さんを救う方法
nishio
第8章 ガウス過程回帰による異常検知
第8章 ガウス過程回帰による異常検知
Chika Inoshita
機械学習プロフェッショナルシリーズ 異常検知と変化検知 第8章 ガウス過程回帰による異常検知
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
2013/3/10(日) @株式会社VOYAGE GROUP セミナールーム Pangea
線形計画法入門
線形計画法入門
Shunji Umetani
Ml ch7
Ml ch7
Ryo Higashigawa
大阪 PRML 勉強会使用スライド
20170327_レムニスケートにまつわる色々な計算
20170327_レムニスケートにまつわる色々な計算
matsumoring
H29.03.27第1回全日本数学好き高校生向け講演会
単調増加と階数
単調増加と階数
政孝 鍋島
鍋島政孝
単調増加と階乗
単調増加と階乗
政孝 鍋島
単調増加と階乗
More Related Content
What's hot
凸最適化 〜 双対定理とソルバーCVXPYの紹介 〜
凸最適化 〜 双対定理とソルバーCVXPYの紹介 〜
Tomoki Yoshida
CVXPYの使い方の説明とラグランジュ双対問題について説明 ※縮小表示だと日本語が消えることがあるので全画面で御覧ください
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
Overcoming browser cookie churn with clustering in wsdm2012 reading
Overcoming browser cookie churn with clustering in wsdm2012 reading
ybenjo
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
第6章「線形識別関数」(後半)
関東第2回r勉強会
関東第2回r勉強会
Paweł Rusin
コードを書けば複素数がわかる
コードを書けば複素数がわかる
Taketo Sano
コードで2次元ベクトルから複素数を構成し、iOSシミュレータ上で複素数を動かしてみる話。「情報科学若手の会冬の陣2015」にて発表。
虚数は作れる!Swift で学ぶ複素数
虚数は作れる!Swift で学ぶ複素数
Taketo Sano
Study session#3
Study session#3
恵太 水野
for a study session in my company
Study session#3
Study session#3
恵太 水野
for a study session in my company
SGD+α: 確率的勾配降下法の現在と未来
SGD+α: 確率的勾配降下法の現在と未来
Hidekazu Oiwa
SGDの最新の拡張手法を紹介: Importance-aware UpdateやNormalized Online Learningなど.SGD+αはここまで出来る!
Rによる富士山関数の描き方
Rによる富士山関数の描き方
wada, kazumi
パターン認識第9章 学習ベクトル量子化
パターン認識第9章 学習ベクトル量子化
Miyoshi Yuya
Kmeans vs kmeanspp_20151124
Kmeans vs kmeanspp_20151124
博三 太田
Comparative studies
ナップサックDPを説明してみた
ナップサックDPを説明してみた
Koya Fukuda
ナップサックDPを説明してみた
ZDD入門-お姉さんを救う方法
ZDD入門-お姉さんを救う方法
nishio
第8章 ガウス過程回帰による異常検知
第8章 ガウス過程回帰による異常検知
Chika Inoshita
機械学習プロフェッショナルシリーズ 異常検知と変化検知 第8章 ガウス過程回帰による異常検知
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
2013/3/10(日) @株式会社VOYAGE GROUP セミナールーム Pangea
線形計画法入門
線形計画法入門
Shunji Umetani
Ml ch7
Ml ch7
Ryo Higashigawa
大阪 PRML 勉強会使用スライド
20170327_レムニスケートにまつわる色々な計算
20170327_レムニスケートにまつわる色々な計算
matsumoring
H29.03.27第1回全日本数学好き高校生向け講演会
What's hot
(20)
凸最適化 〜 双対定理とソルバーCVXPYの紹介 〜
凸最適化 〜 双対定理とソルバーCVXPYの紹介 〜
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
Overcoming browser cookie churn with clustering in wsdm2012 reading
Overcoming browser cookie churn with clustering in wsdm2012 reading
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
関東第2回r勉強会
関東第2回r勉強会
コードを書けば複素数がわかる
コードを書けば複素数がわかる
虚数は作れる!Swift で学ぶ複素数
虚数は作れる!Swift で学ぶ複素数
Study session#3
Study session#3
Study session#3
Study session#3
SGD+α: 確率的勾配降下法の現在と未来
SGD+α: 確率的勾配降下法の現在と未来
Rによる富士山関数の描き方
Rによる富士山関数の描き方
パターン認識第9章 学習ベクトル量子化
パターン認識第9章 学習ベクトル量子化
Kmeans vs kmeanspp_20151124
Kmeans vs kmeanspp_20151124
ナップサックDPを説明してみた
ナップサックDPを説明してみた
ZDD入門-お姉さんを救う方法
ZDD入門-お姉さんを救う方法
第8章 ガウス過程回帰による異常検知
第8章 ガウス過程回帰による異常検知
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
線形計画法入門
線形計画法入門
Ml ch7
Ml ch7
20170327_レムニスケートにまつわる色々な計算
20170327_レムニスケートにまつわる色々な計算
Similar to 橫手 数学班スライド
単調増加と階数
単調増加と階数
政孝 鍋島
鍋島政孝
単調増加と階乗
単調増加と階乗
政孝 鍋島
単調増加と階乗
単調増加と階数
単調増加と階数
nabeshimamasataka
単調増加と階数
2022年度秋学期 応用数学(解析) 第6回 変数分離形の変形 (2022. 10. 27)
2022年度秋学期 応用数学(解析) 第6回 変数分離形の変形 (2022. 10. 27)
Akira Asano
関西大学総合情報学部・応用数学(解析)(担当・浅野晃) http://racco.mikeneko.jp/Kougi/2022a/AMA/
ディジタル信号処理 課題解説 その4
ディジタル信号処理 課題解説 その4
noname409
代数トポロジー入門
代数トポロジー入門
Tatsuki SHIMIZU
代数トポロジーと言いつつ morse 理論やる人 #人 次回:persistent homology と TDA の予習
2022年度秋学期 応用数学(解析) 第7回 2階線形微分方程式(1) (2022. 11. 10)
2022年度秋学期 応用数学(解析) 第7回 2階線形微分方程式(1) (2022. 11. 10)
Akira Asano
関西大学総合情報学部・応用数学(解析)(担当・浅野晃) http://racco.mikeneko.jp/Kougi/2022a/AMA/
2022年度秋学期 応用数学(解析) 第11回 振動と微分方程式 (2022. 12. 8)
2022年度秋学期 応用数学(解析) 第11回 振動と微分方程式 (2022. 12. 8)
Akira Asano
関西大学総合情報学部・応用数学(解析)(担当・浅野晃) http://racco.mikeneko.jp/Kougi/2022a/AMA/ 【第11回資料】 テキスト http://racco.mikeneko.jp/Kougi/2022a/AMA/2022a_ama11.pdf ハンドアウト http://racco.mikeneko.jp/Kougi/2022a/AMA/2022a_ama11_slide_hor.pdf 動画 https://youtu.be/WjfVKRtkZq4
Similar to 橫手 数学班スライド
(8)
単調増加と階数
単調増加と階数
単調増加と階乗
単調増加と階乗
単調増加と階数
単調増加と階数
2022年度秋学期 応用数学(解析) 第6回 変数分離形の変形 (2022. 10. 27)
2022年度秋学期 応用数学(解析) 第6回 変数分離形の変形 (2022. 10. 27)
ディジタル信号処理 課題解説 その4
ディジタル信号処理 課題解説 その4
代数トポロジー入門
代数トポロジー入門
2022年度秋学期 応用数学(解析) 第7回 2階線形微分方程式(1) (2022. 11. 10)
2022年度秋学期 応用数学(解析) 第7回 2階線形微分方程式(1) (2022. 11. 10)
2022年度秋学期 応用数学(解析) 第11回 振動と微分方程式 (2022. 12. 8)
2022年度秋学期 応用数学(解析) 第11回 振動と微分方程式 (2022. 12. 8)
橫手 数学班スライド
1.
対数表 完成への軌跡 ネイピア メンバー ・鈴木 靖 ・小川
遥也 ・堀江 遥斗 ・最上 紗季 ・太田 安紀 ・吉田 佳音 指導者 ・千田 貴広 ・佐藤 景司
2.
昔の人々が求めた数に興味をもつ 今回の研究を進める 対数
3.
4.
5.
x=log102 とすると 10 x =2 両辺を
( 1 2 )m乗すると (10 x ) ( 1 2 )m = 2( 1 2 )m {10( 1 2 )m } x = 2( 1 2 )m
6.
10( 1 2 )m , 2( 1 2 )m について mが十分大きい自然数のとき 10( 1 2 )m =1+a , 2( 1 2 )m =1+b ただし0<a<1、0<b<1
7.
mを大きい数にすると {10( 1 2 )m } x = 2( 1 2 )m (1+a)x ≒1+b このときaは十分に小さいので 1+ax ≒
1+b x≒ b (x=log102) 10( 1 2 )m ≓1+a 2 ( 1 2 )m ≓1+b -a 二項定理より 1+xC1a +xC2a +・・・ 1 2
8.
log10n = 10 1 2 × 1 2 × 1 2 × 1 2 × 1 2 × 1 2 …… 1 2 × 1 2 n × 1 2 × 1 2 × 1 2 × 1 2 …… -1 -1
9.
10.
6 6 0 5
1 6 4 2 0 5 1 7 6 2 9 1 6 6 2 9 1 6 0 2 4 2 2 4 4 4 8 6 4 6に最も近い平方数 22 =4 4×44
11.
12.
13.
log102 0.000677 0.002250 =0.300888・・・・・ log103 0.001073 0.002250 =0.476888・・・・・ ※参考 log102=0.3010 log103=0.4771 結果 実際の値よりも 若干小さくなった 小数第7位四捨五入
14.
切り捨てする位を上げ て開平の回数を増やし て再び手計算してみる
15.
0.297 0.298 0.299 0.3 0.301 10 11 12
13 14 15 16 17 開平の回数 log102 0.474 0.475 0.476 0.477 10 11 12 13 14 15 16 17 開平の回数 log103 14回目で 0.3010に 最も近づ いた。 13回目で 0.4771に 最も近づ いた。
16.
0.30065 0.3007 0.30075 0.3008 0.30085 0.3009 0.30095 0.301 10 11 12
13 14 15 16 17 開平の回数 log102 0.4768 0.47685 0.4769 0.47695 0.477 0.47705 10 11 12 13 14 15 16 17 開平の回数 log103 13回目で 0.3010に 最も近づ いた。 13回目で 0.4771に 最も近づ いた。
17.
小数第7位四捨五入 log102≒0.300888… log103≒0.476888… 小数第8位切り捨て log102≒0.3010676… log103≒0.4770544… 小数第9位四捨五入 log102≒0.30098538… log103≒0.47705606… ※参考 log102=0.3010 log103=0.4771 桁数と開平の回数 を増やす 正確な値に近づく
18.
黄色の部分の値を変えること で、その値に対応した数値を 求めることができる。
19.
結果 それぞれの桁数におい て最も近づく開平の 回数があり、 それ以上回数を増やす と、誤差が大きくなった 0.30065 0.3007 0.30075 0.3008 0.30085 0.3009 0.30095 0.301 10 11 12
13 14 15 16 17 (例) log102
20.
21.
y=logx − x( 1 2)m -1 10( 1 2)m -1 m=7 m=9 m=13
22.
結果 それぞれの桁数におい て最も近づく開閉の 回数があり、 それ以上回数を増やす と、誤差が大きくなった 0.30065 0.3007 0.30075 0.3008 0.30085 0.3009 0.30095 0.301 10 11 12
13 14 15 16 17 (例) log102
23.
できるだけ効率よ く、正確な対数表を 作ること
24.
y=logx − x( 1 2 )m 10( 1 2 )m m=7 m=9 m=13
25.
26.
4桁まで →小数第12位切り捨て で開平17回
27.
(参考文献) 雑誌 Newton 2013年
8月号
Download now