SlideShare a Scribd company logo
2017-01更新 熊本高専
森下功啓
VBAで
数値計算07
本資料の目次
ベクトルの計算
練習問題
その他
2
ベクトルの計算
3
ベクトルとは
ベクトルとは、大きさと向きを持った量である。例えば速度
や磁束などを表現できる。ベクトルはp(𝑥𝑥𝑝𝑝, 𝑦𝑦𝑝𝑝)の様に各次元の
大きさを持つ。ベクトルの次元数は2以上である。
4
𝑥𝑥
𝑦𝑦
p(𝑥𝑥𝑝𝑝, 𝑦𝑦𝑝𝑝)
図 2次元ベクトルの例
O
𝑥𝑥
𝑦𝑦
p(𝑥𝑥𝑝𝑝, 𝑦𝑦𝑝𝑝, 𝑧𝑧𝑝𝑝)
図 3次元ベクトルの例
O
𝑧𝑧
図 n次元ベクトルの例
(描けない・・・)𝑥𝑥𝑝𝑝
𝑦𝑦𝑝𝑝
𝑧𝑧𝑝𝑝
𝑥𝑥𝑝𝑝
𝑦𝑦𝑝𝑝
*右手系
ベクトルの数学的表記
ベクトルの表記方法にはいくつかある。2重線,ボールド体,
上矢印などである。2重線は手書きでよく使われる。基本的に
小文字である。本資料では、以降は小文字のボールド体を用
いる。
5
ベクトルの成分を表記する方法も複数ある。以下に例を示す。こ
こで、本資料では転置をTとし、カッコには丸括弧を用いる。
𝒂𝒂 ⃗𝑎𝑎𝕔𝕔
図 ベクトルの表記方法
𝒂𝒂 = (𝑎𝑎1 𝑎𝑎2 𝑎𝑎3)T
=
𝑎𝑎1
𝑎𝑎2
𝑎𝑎3
=
𝑎𝑎1
𝑎𝑎2
𝑎𝑎3
ノルム(ベクトル長)
ベクトル𝒙𝒙の長さ 𝒙𝒙 は、各次元が直交するならば以下の式で
求めることができる。この定義は「𝐿𝐿2ノルム」や「ユークリッ
ドノルム」ともいう。本資料では以降で単にノルムと表記す
る。
ここで、ノルムには複数の定義が存在する。ベクトルの長さ
とは一般的にユークリッドノルムを指す。
6
𝒙𝒙 𝟐𝟐 = �
𝑖𝑖=1
𝑛𝑛
𝑥𝑥𝑖𝑖
2
*左辺の添字の2は省略することも有る。
プログラミングにおける
ベクトルの表現
プログラムにおいて、ベクトルの表現は基本的に配列である。
ベクトルを表す型が存在しない場合は配列を用いる。VBAで
は、動作速度が気にならないならばArray型を使った方がよい。
7
Dim vector_arr(最大要素番号) As Double ' Double型変数を格納する配列
' ↑は初期化も要素の追加も面倒
vector_arr2 = Array(1,2,3,43,2,2,4,21,9) ' ←初期化は簡単だだが、追加は面倒
@VBA
ベクトルの合成
(足し算・引き算)
次元数の同じベクトル同士では、足し算や引き算ができます。
8
𝒂𝒂 − 𝒃𝒃 =
𝑎𝑎1 − 𝑏𝑏1
𝑎𝑎2 − 𝑏𝑏2
𝑎𝑎3 − 𝑏𝑏3
𝒂𝒂 + 𝒃𝒃 =
𝑎𝑎1 + 𝑏𝑏1
𝑎𝑎2 + 𝑏𝑏2
𝑎𝑎3 + 𝑏𝑏3
ベクトルの足し算の実装
ベクトルの足し算を行うVBAの実装例を左に示す。
9
Function vector_plus(vect1, vect2)
ans = vect1 ' deep copy
For i = 0 To UBound(ans)
ans(i) = vect1(i) + vect2(i)
Next i
vector_plus = ans
End Function
@VBA
2つの引数とも、Array型
*実用上はベクトルの要素数
が異なるかどうかのチェッ
クを行った方が良い。
ベクトルの引き算の実装
ベクトルの引き算を行うVBAの実装例を左に示す。
10
Function vector_minus(vect1, vect2)
ans = vect1 ' deep copy
For i = 0 To UBound(ans)
ans(i) = vect1(i) - vect2(i)
Next i
vector_minus = ans
End Function
@VBA
2つの引数とも、Array型
ベクトルのスカラー倍
ベクトルにスカラーを掛けることでベクトル長(ベクトルの
大きさ)を変化させる事ができます。ここで、スカラー倍し
ても向きは変わらないことに注意して下さい。
11
𝑐𝑐𝒂𝒂 = 𝑐𝑐
𝑎𝑎1
𝑎𝑎2
𝑎𝑎3
=
𝑐𝑐𝑎𝑎1
𝑐𝑐𝑎𝑎2
𝑐𝑐𝑎𝑎3
スカラー倍の実装
ベクトルに定数を掛ける実装例を左に示す。
12
Function vector_times(vect, coefficient)
ans = vect ' deep copy
For i = 0 To UBound(vect)
ans(i) = coefficient * vect(i)
Next i
vector_times = ans
End Function
@VBA
vectはArray型,
coefficientは掛ける係数
(スカラー値)
内積
内積とは、各次元の要素同士を掛け合わせてその和を取った
ものである。直行したベクトル同士の内積では0が得られる。
内積の表記方法にはいくつか流儀が有る。以下に内積の表記
と計算方法を示す。
13
𝒂𝒂 � 𝒃𝒃 = 𝒂𝒂, 𝒃𝒃 = 𝒃𝒃, 𝒂𝒂 = 𝒂𝒂 𝒃𝒃 cos 𝜃𝜃 = �
𝑖𝑖=1
𝑛𝑛
𝑎𝑎𝑖𝑖 𝑏𝑏𝑖𝑖
𝒂𝒂
𝒃𝒃
𝜃𝜃
*それぞれのノルムを1に調整した
(正規化)後に内積を取ると、ベ
クトルのある種の相関を取ること
ができる。
𝒂𝒂 cos 𝜃𝜃
内積の実装
ベクトルの内積を行うVBAの実装例を左に示す。
14
Function vector_inner(vect1, vect2)
ans = 0
For i = 0 To UBound(vect1)
ans = ans + vect1(i) * vect2(i)
Next i
vector_inner = ans
End Function
@VBA
2つの引数とも、Array型
外積(クロス積)
外積(クロス積: vector product)とは、2つのベクトルで張る
平方四辺形の面積の大きさを持ち、2つのベクトルに直行した
方向に向くベクトルを求める操作である。外積におけるベク
トルの次元数は3である。外積の定義式を以下に示す。
外積は3Dポリゴンの向きの計算にも使える。
15𝒂𝒂
𝒃𝒃
𝒄𝒄
* 𝒄𝒄は𝒂𝒂と𝒃𝒃の張る平面に直交し
ている。 𝒄𝒄 の向きは右ねじ方向。
*「外積」は多義的なので注意
**高次元に拡張した概念も有る
𝒂𝒂 × 𝒃𝒃 = −𝒃𝒃 × 𝒂𝒂 = 𝒂𝒂, 𝒃𝒃 =
𝑎𝑎2 𝑏𝑏3 − 𝑎𝑎3 𝑏𝑏2
𝑎𝑎3 𝑏𝑏1 − 𝑎𝑎1 𝑏𝑏3
𝑎𝑎1 𝑏𝑏2 − 𝑎𝑎2 𝑏𝑏1
=
𝒆𝒆1 𝑎𝑎1 𝑏𝑏1
𝒆𝒆2 𝑎𝑎2 𝑏𝑏2
𝒆𝒆3 𝑎𝑎3 𝑏𝑏3
* 𝒆𝒆は直行基底ベクトル
外積の実装
16
ベクトルの外積を行うVBAの実装例を左に示す。
Function vector_cross(vect1, vect2)
ans = vect1 ' deep copy
ans(0) = vect1(1) * vect2(2) - vect1(2) * vect2(1)
ans(1) = vect1(2) * vect2(0) - vect1(0) * vect2(2)
ans(2) = vect1(0) * vect2(1) - vect1(1) * vect2(0)
vector_cross = ans
End Function
@VBA
2つの引数とも、Array型
ノルムの実装
ノルムを内積を使って書き直すと下記のようになる。これを
用いて関数を簡略化できる。VBAにおけるノルムの実装例を
左に示す。
17
𝒙𝒙 𝟐𝟐 = 𝒙𝒙, 𝒙𝒙 = �
𝑖𝑖=1
𝑛𝑛
𝑥𝑥𝑖𝑖
2
Function vector_norm(vect)
v = vector_inner(vect, vect)
vector_norm = v ^ 0.5
End Function
@VBA
Array型
正規化(ノルムを1にする)
単位ベクトルを求める際や、ベクトル同士を比較する際や、
内積で相関を求める際にノルムを1にしたほうが良いことが有
る。ノルムを1にするにはベクトルをそのノルムで割れば良い。
以下に定義式を示す。
18
𝒏𝒏 =
𝒂𝒂
𝒂𝒂
正規化の実装
VBAにおけるノルムの正規化の実装例を左に示す。
19
Function vector_normalization(vect)
Length = vector_norm(vect)
vector_normalization = vector_times(vect, 1 / Length)
End Function
@VBA
Array型
練習問題
20
データ
各設問で用いるデータを以下よりダウンロードせよ。
21
https://www.dropbox.com/s/xygbnu1ivwzkow4/city.xlsx?dl=0
問1, 2の設問の背景
〜実際のデータでベクトルを語る〜
例えば、都市の人口や面積,マンションの戸数,駅の数,人
口,大学キャンパスの数などを調べたとする。それらのデー
タを並べたものを以下に示す。ここで、行方向に1レコードの
データが格納されている。
22
この様な1レコードのデータもベクトルとみなすことができる。
ここで、注意してほしいのが各次元の単位の違いである。レコー
ド間の内積を求めればデータの類似性を抽出できるが、分散の小
さな次元は実質的に無視されるためそのままだと類似性の判定能
力が低い。レコード間の比較を行うには各次元で正規化(数量に
対する正規化)を行う必要がある。
都市名 人口[人] 面積[km2] 戸数 駅の数
Kumamoto1 10 20 7 9
Kagoshima 11 20 12 5
Fukuoka 30 40 30 50 *数値はダミーです。
問1 次元毎の正規化
Sheet1のデータに対し、各次元毎に(各列毎に)正規化し、
それを元データの下方に保存するプログラムを実装せよ。こ
こでの正規化とは、各次元毎にN(0, 1)に調整することを指す。
23
平均0.0, 標準偏差1.0
問2 類似データの抽出
Sheet1を正規化したデータを用いて類似データを抽出したい。
元データの4番目に最も似たレコードは元データの何番目か求
めよ。ここで、内積の値が最も大きいものを最類似データと
定義する。
*各レコードのノルムを1に調整した上で内積を計算せよ。
24
問3 ベクトルの積分
Sheet2にとある物体に関する時刻と速度v(x, y)のデータを示
す。時刻0を基準として、最終的に到達した座標を求めよ。こ
こで、d𝒙𝒙 = 𝒗𝒗d𝑡𝑡である。
25
その他
26
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。
[1]ノルムの意味とL1,L2,L∞ノルム,
http://mathtrain.jp/lpnorm
27

More Related Content

What's hot

ความน่าจะเป็นม.52007
ความน่าจะเป็นม.52007ความน่าจะเป็นม.52007
ความน่าจะเป็นม.52007
Krukomnuan
 
Ознаки подільності чисел. Хміль Богдан. 6 клас
Ознаки подільності чисел. Хміль Богдан. 6 класОзнаки подільності чисел. Хміль Богдан. 6 клас
Ознаки подільності чисел. Хміль Богдан. 6 клас
bersenova
 
สมการเชิงเส้นตัวแปรเดียว
สมการเชิงเส้นตัวแปรเดียวสมการเชิงเส้นตัวแปรเดียว
สมการเชิงเส้นตัวแปรเดียวPiyanouch Suwong
 
統計的学習の基礎 3章前半
統計的学習の基礎 3章前半統計的学習の基礎 3章前半
統計的学習の基礎 3章前半
Kazunori Miyanishi
 
Numeração Romana.pptx
Numeração Romana.pptxNumeração Romana.pptx
Numeração Romana.pptx
Dalila Arinana
 
แบบฝึกหัดจำนวนจริงพื้นฐาน
แบบฝึกหัดจำนวนจริงพื้นฐานแบบฝึกหัดจำนวนจริงพื้นฐาน
แบบฝึกหัดจำนวนจริงพื้นฐานNittaya Noinan
 
ประวัตินักคณิตศาสตร์โลก
ประวัตินักคณิตศาสตร์โลกประวัตินักคณิตศาสตร์โลก
ประวัตินักคณิตศาสตร์โลกguest694cc9f
 
3 ระบบจำนวนจริง
3 ระบบจำนวนจริง3 ระบบจำนวนจริง
3 ระบบจำนวนจริงChwin Robkob
 
入門パターン認識と機械学習12章
入門パターン認識と機械学習12章入門パターン認識と機械学習12章
入門パターン認識と機械学習12章
hiro5585
 
Лінійні рівняння з однією змінною
Лінійні рівняння з однією змінноюЛінійні рівняння з однією змінною
Лінійні рівняння з однією змінною
Славка Сочка
 
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
 
制限ボルツマンマシン入門
制限ボルツマンマシン入門制限ボルツマンマシン入門
制限ボルツマンマシン入門
佑馬 斎藤
 
クラシックな機械学習入門:付録:よく使う線形代数の公式
クラシックな機械学習入門:付録:よく使う線形代数の公式クラシックな機械学習入門:付録:よく使う線形代数の公式
クラシックな機械学習入門:付録:よく使う線形代数の公式
Hiroshi Nakagawa
 
劣モジュラ最適化と機械学習 2.0-2.3 劣モジュラ関数の基本性質・例・最適化
劣モジュラ最適化と機械学習 2.0-2.3 劣モジュラ関数の基本性質・例・最適化劣モジュラ最適化と機械学習 2.0-2.3 劣モジュラ関数の基本性質・例・最適化
劣モジュラ最適化と機械学習 2.0-2.3 劣モジュラ関数の基本性質・例・最適化
Akiyoshi Hara
 
เรขาคณิต (Geometry)
เรขาคณิต (Geometry) เรขาคณิต (Geometry)
เรขาคณิต (Geometry)
pratumma
 
презентація обєм циліндра
презентація обєм циліндрапрезентація обєм циліндра
презентація обєм циліндраАндрій Киричук
 
PRML Chapter 5
PRML Chapter 5PRML Chapter 5
PRML Chapter 5
Masahito Ohue
 

What's hot (20)

ความน่าจะเป็นม.52007
ความน่าจะเป็นม.52007ความน่าจะเป็นม.52007
ความน่าจะเป็นม.52007
 
Ознаки подільності чисел. Хміль Богдан. 6 клас
Ознаки подільності чисел. Хміль Богдан. 6 класОзнаки подільності чисел. Хміль Богдан. 6 клас
Ознаки подільності чисел. Хміль Богдан. 6 клас
 
สมการเชิงเส้นตัวแปรเดียว
สมการเชิงเส้นตัวแปรเดียวสมการเชิงเส้นตัวแปรเดียว
สมการเชิงเส้นตัวแปรเดียว
 
統計的学習の基礎 3章前半
統計的学習の基礎 3章前半統計的学習の基礎 3章前半
統計的学習の基礎 3章前半
 
Numeração Romana.pptx
Numeração Romana.pptxNumeração Romana.pptx
Numeração Romana.pptx
 
แบบฝึกหัดจำนวนจริงพื้นฐาน
แบบฝึกหัดจำนวนจริงพื้นฐานแบบฝึกหัดจำนวนจริงพื้นฐาน
แบบฝึกหัดจำนวนจริงพื้นฐาน
 
ประวัตินักคณิตศาสตร์โลก
ประวัตินักคณิตศาสตร์โลกประวัตินักคณิตศาสตร์โลก
ประวัตินักคณิตศาสตร์โลก
 
Mat numeros racionais
Mat numeros racionaisMat numeros racionais
Mat numeros racionais
 
3 ระบบจำนวนจริง
3 ระบบจำนวนจริง3 ระบบจำนวนจริง
3 ระบบจำนวนจริง
 
入門パターン認識と機械学習12章
入門パターン認識と機械学習12章入門パターン認識と機械学習12章
入門パターン認識と機械学習12章
 
PRML 5.3-5.4
PRML 5.3-5.4PRML 5.3-5.4
PRML 5.3-5.4
 
Лінійні рівняння з однією змінною
Лінійні рівняння з однією змінноюЛінійні рівняння з однією змінною
Лінійні рівняння з однією змінною
 
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
 
制限ボルツマンマシン入門
制限ボルツマンマシン入門制限ボルツマンマシン入門
制限ボルツマンマシン入門
 
クラシックな機械学習入門:付録:よく使う線形代数の公式
クラシックな機械学習入門:付録:よく使う線形代数の公式クラシックな機械学習入門:付録:よく使う線形代数の公式
クラシックな機械学習入門:付録:よく使う線形代数の公式
 
劣モジュラ最適化と機械学習 2.0-2.3 劣モジュラ関数の基本性質・例・最適化
劣モジュラ最適化と機械学習 2.0-2.3 劣モジュラ関数の基本性質・例・最適化劣モジュラ最適化と機械学習 2.0-2.3 劣モジュラ関数の基本性質・例・最適化
劣モジュラ最適化と機械学習 2.0-2.3 劣モジュラ関数の基本性質・例・最適化
 
เรขาคณิต (Geometry)
เรขาคณิต (Geometry) เรขาคณิต (Geometry)
เรขาคณิต (Geometry)
 
презентація обєм циліндра
презентація обєм циліндрапрезентація обєм циліндра
презентація обєм циліндра
 
PRML Chapter 5
PRML Chapter 5PRML Chapter 5
PRML Chapter 5
 
PRML_2.3.1~2.3.3
PRML_2.3.1~2.3.3PRML_2.3.1~2.3.3
PRML_2.3.1~2.3.3
 

Similar to VBAで数値計算 07 ベクトル

【Deep Learning (MIT Press)】線形代数 2.1~2.7
【Deep Learning (MIT Press)】線形代数 2.1~2.7【Deep Learning (MIT Press)】線形代数 2.1~2.7
【Deep Learning (MIT Press)】線形代数 2.1~2.7
京都大学人工知能研究会 KaiRA
 
応用数学レポート
応用数学レポート 応用数学レポート
応用数学レポート
ssuser441cb9
 
情報幾何学の基礎 第2章 4.5
情報幾何学の基礎 第2章 4.5情報幾何学の基礎 第2章 4.5
情報幾何学の基礎 第2章 4.5
Tatsuki SHIMIZU
 
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
 
VBAで数値計算 09 掃き出し法
VBAで数値計算 09 掃き出し法VBAで数値計算 09 掃き出し法
VBAで数値計算 09 掃き出し法
Katsuhiro Morishita
 
ラビットチャレンジレポート 応用数学
ラビットチャレンジレポート 応用数学ラビットチャレンジレポート 応用数学
ラビットチャレンジレポート 応用数学
HiroyukiTerada4
 
データ解析2 線形代数の復習
データ解析2 線形代数の復習データ解析2 線形代数の復習
データ解析2 線形代数の復習
Hirotaka Hachiya
 

Similar to VBAで数値計算 07 ベクトル (7)

【Deep Learning (MIT Press)】線形代数 2.1~2.7
【Deep Learning (MIT Press)】線形代数 2.1~2.7【Deep Learning (MIT Press)】線形代数 2.1~2.7
【Deep Learning (MIT Press)】線形代数 2.1~2.7
 
応用数学レポート
応用数学レポート 応用数学レポート
応用数学レポート
 
情報幾何学の基礎 第2章 4.5
情報幾何学の基礎 第2章 4.5情報幾何学の基礎 第2章 4.5
情報幾何学の基礎 第2章 4.5
 
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
 
VBAで数値計算 09 掃き出し法
VBAで数値計算 09 掃き出し法VBAで数値計算 09 掃き出し法
VBAで数値計算 09 掃き出し法
 
ラビットチャレンジレポート 応用数学
ラビットチャレンジレポート 応用数学ラビットチャレンジレポート 応用数学
ラビットチャレンジレポート 応用数学
 
データ解析2 線形代数の復習
データ解析2 線形代数の復習データ解析2 線形代数の復習
データ解析2 線形代数の復習
 

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@2020
Katsuhiro 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.3
Katsuhiro Morishita
 
Google Colaboratoryの使い方
Google Colaboratoryの使い方Google Colaboratoryの使い方
Google Colaboratoryの使い方
Katsuhiro 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re
Katsuhiro Morishita
 
Pythonのmain関数
Pythonのmain関数Pythonのmain関数
Pythonのmain関数
Katsuhiro 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@2018
Katsuhiro Morishita
 
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
Katsuhiro 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2018-04
Katsuhiro 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@2018-04-04
Katsuhiro 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.001
Katsuhiro 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
 

VBAで数値計算 07 ベクトル