Enviar búsqueda
Cargar
Simple perceptron by TJO
•
89 recomendaciones
•
209,028 vistas
Takashi J OZAKI
Seguir
Tecnología
Denunciar
Compartir
Denunciar
Compartir
1 de 53
Recomendados
サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会
サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会
Kenyu Uehara
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
ウィナーフィルタと適応フィルタ
ウィナーフィルタと適応フィルタ
Toshihisa Tanaka
単語・句の分散表現の学習
単語・句の分散表現の学習
Naoaki Okazaki
数学で解き明かす深層学習の原理
数学で解き明かす深層学習の原理
Taiji Suzuki
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
4 データ間の距離と類似度
4 データ間の距離と類似度
Seiichi Uchida
強化学習その1
強化学習その1
nishio
Recomendados
サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会
サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会
Kenyu Uehara
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
ウィナーフィルタと適応フィルタ
ウィナーフィルタと適応フィルタ
Toshihisa Tanaka
単語・句の分散表現の学習
単語・句の分散表現の学習
Naoaki Okazaki
数学で解き明かす深層学習の原理
数学で解き明かす深層学習の原理
Taiji Suzuki
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
4 データ間の距離と類似度
4 データ間の距離と類似度
Seiichi Uchida
強化学習その1
強化学習その1
nishio
線形計画法入門
線形計画法入門
Shunji Umetani
5分で分かる自己組織化マップ
5分で分かる自己組織化マップ
Daisuke Takai
強化学習その4
強化学習その4
nishio
Gurobi python
Gurobi python
Mikio Kubo
強化学習における好奇心
強化学習における好奇心
Shota Imai
最急降下法
最急降下法
Akira Miyazawa
ベータ分布の謎に迫る
ベータ分布の謎に迫る
Ken'ichi Matsui
スペクトラルグラフ理論入門
スペクトラルグラフ理論入門
irrrrr
[DL輪読会]Deep Learning 第15章 表現学習
[DL輪読会]Deep Learning 第15章 表現学習
Deep Learning JP
Introduction to A3C model
Introduction to A3C model
WEBFARMER. ltd.
LCA and RMQ ~簡潔もあるよ!~
LCA and RMQ ~簡潔もあるよ!~
Yuma Inoue
組合せ最適化入門:線形計画から整数計画まで
組合せ最適化入門:線形計画から整数計画まで
Shunji Umetani
Jsai
Jsai
Hiroshi Maruyama
強化学習と逆強化学習を組み合わせた模倣学習
強化学習と逆強化学習を組み合わせた模倣学習
Eiji Uchibe
ACPC 2018 Day3 G: 回文部分列 (Palindromic Subsequences)
ACPC 2018 Day3 G: 回文部分列 (Palindromic Subsequences)
HCPC: 北海道大学競技プログラミングサークル
平面グラフと交通ネットワークのアルゴリズム
平面グラフと交通ネットワークのアルゴリズム
Takuya Akiba
NLPにおけるAttention~Seq2Seq から BERTまで~
NLPにおけるAttention~Seq2Seq から BERTまで~
Takuya Ono
変分ベイズ法の説明
変分ベイズ法の説明
Haruka Ozaki
【解説】 一般逆行列
【解説】 一般逆行列
Kenjiro Sugimoto
最尤推定法(NNでの応用)
最尤推定法(NNでの応用)
MatsuiRyo
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
トピックモデルを用いた 潜在ファッション嗜好の推定
トピックモデルを用いた 潜在ファッション嗜好の推定
Takashi Kaneda
Más contenido relacionado
La actualidad más candente
線形計画法入門
線形計画法入門
Shunji Umetani
5分で分かる自己組織化マップ
5分で分かる自己組織化マップ
Daisuke Takai
強化学習その4
強化学習その4
nishio
Gurobi python
Gurobi python
Mikio Kubo
強化学習における好奇心
強化学習における好奇心
Shota Imai
最急降下法
最急降下法
Akira Miyazawa
ベータ分布の謎に迫る
ベータ分布の謎に迫る
Ken'ichi Matsui
スペクトラルグラフ理論入門
スペクトラルグラフ理論入門
irrrrr
[DL輪読会]Deep Learning 第15章 表現学習
[DL輪読会]Deep Learning 第15章 表現学習
Deep Learning JP
Introduction to A3C model
Introduction to A3C model
WEBFARMER. ltd.
LCA and RMQ ~簡潔もあるよ!~
LCA and RMQ ~簡潔もあるよ!~
Yuma Inoue
組合せ最適化入門:線形計画から整数計画まで
組合せ最適化入門:線形計画から整数計画まで
Shunji Umetani
Jsai
Jsai
Hiroshi Maruyama
強化学習と逆強化学習を組み合わせた模倣学習
強化学習と逆強化学習を組み合わせた模倣学習
Eiji Uchibe
ACPC 2018 Day3 G: 回文部分列 (Palindromic Subsequences)
ACPC 2018 Day3 G: 回文部分列 (Palindromic Subsequences)
HCPC: 北海道大学競技プログラミングサークル
平面グラフと交通ネットワークのアルゴリズム
平面グラフと交通ネットワークのアルゴリズム
Takuya Akiba
NLPにおけるAttention~Seq2Seq から BERTまで~
NLPにおけるAttention~Seq2Seq から BERTまで~
Takuya Ono
変分ベイズ法の説明
変分ベイズ法の説明
Haruka Ozaki
【解説】 一般逆行列
【解説】 一般逆行列
Kenjiro Sugimoto
最尤推定法(NNでの応用)
最尤推定法(NNでの応用)
MatsuiRyo
La actualidad más candente
(20)
線形計画法入門
線形計画法入門
5分で分かる自己組織化マップ
5分で分かる自己組織化マップ
強化学習その4
強化学習その4
Gurobi python
Gurobi python
強化学習における好奇心
強化学習における好奇心
最急降下法
最急降下法
ベータ分布の謎に迫る
ベータ分布の謎に迫る
スペクトラルグラフ理論入門
スペクトラルグラフ理論入門
[DL輪読会]Deep Learning 第15章 表現学習
[DL輪読会]Deep Learning 第15章 表現学習
Introduction to A3C model
Introduction to A3C model
LCA and RMQ ~簡潔もあるよ!~
LCA and RMQ ~簡潔もあるよ!~
組合せ最適化入門:線形計画から整数計画まで
組合せ最適化入門:線形計画から整数計画まで
Jsai
Jsai
強化学習と逆強化学習を組み合わせた模倣学習
強化学習と逆強化学習を組み合わせた模倣学習
ACPC 2018 Day3 G: 回文部分列 (Palindromic Subsequences)
ACPC 2018 Day3 G: 回文部分列 (Palindromic Subsequences)
平面グラフと交通ネットワークのアルゴリズム
平面グラフと交通ネットワークのアルゴリズム
NLPにおけるAttention~Seq2Seq から BERTまで~
NLPにおけるAttention~Seq2Seq から BERTまで~
変分ベイズ法の説明
変分ベイズ法の説明
【解説】 一般逆行列
【解説】 一般逆行列
最尤推定法(NNでの応用)
最尤推定法(NNでの応用)
Destacado
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
トピックモデルを用いた 潜在ファッション嗜好の推定
トピックモデルを用いた 潜在ファッション嗜好の推定
Takashi Kaneda
はじめてでもわかるベイズ分類器 -基礎からMahout実装まで-
はじめてでもわかるベイズ分類器 -基礎からMahout実装まで-
Naoki Yanai
パターン認識 第10章 決定木
パターン認識 第10章 決定木
Miyoshi Yuya
今日から使える! みんなのクラスタリング超入門
今日から使える! みんなのクラスタリング超入門
toilet_lunch
決定木学習
決定木学習
Mitsuo Shimohata
SVMについて
SVMについて
mknh1122
機会学習ハッカソン:ランダムフォレスト
機会学習ハッカソン:ランダムフォレスト
Teppei Baba
「はじめてでもわかる RandomForest 入門-集団学習による分類・予測 -」 -第7回データマイニング+WEB勉強会@東京
「はじめてでもわかる RandomForest 入門-集団学習による分類・予測 -」 -第7回データマイニング+WEB勉強会@東京
Koichi Hamada
ロジスティック回帰の考え方・使い方 - TokyoR #33
ロジスティック回帰の考え方・使い方 - TokyoR #33
horihorio
Tokyo.R 41 サポートベクターマシンで眼鏡っ娘分類システム構築
Tokyo.R 41 サポートベクターマシンで眼鏡っ娘分類システム構築
Tatsuya Tojima
一般向けのDeep Learning
一般向けのDeep Learning
Preferred Networks
機械学習チュートリアル@Jubatus Casual Talks
機械学習チュートリアル@Jubatus Casual Talks
Yuya Unno
機械学習によるデータ分析まわりのお話
機械学習によるデータ分析まわりのお話
Ryota Kamoshida
Pythonとdeep learningで手書き文字認識
Pythonとdeep learningで手書き文字認識
Ken Morishita
scikit-learnを用いた機械学習チュートリアル
scikit-learnを用いた機械学習チュートリアル
敦志 金谷
Rによるデータサイエンス13「樹木モデル」
Rによるデータサイエンス13「樹木モデル」
Takeshi Mikami
Pythonで機械学習入門以前
Pythonで機械学習入門以前
Kimikazu Kato
ルールベースから機械学習への道 公開用
ルールベースから機械学習への道 公開用
nishio
30分でわかる『R』によるデータ分析|データアーティスト
30分でわかる『R』によるデータ分析|データアーティスト
Satoru Yamamoto
Destacado
(20)
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
トピックモデルを用いた 潜在ファッション嗜好の推定
トピックモデルを用いた 潜在ファッション嗜好の推定
はじめてでもわかるベイズ分類器 -基礎からMahout実装まで-
はじめてでもわかるベイズ分類器 -基礎からMahout実装まで-
パターン認識 第10章 決定木
パターン認識 第10章 決定木
今日から使える! みんなのクラスタリング超入門
今日から使える! みんなのクラスタリング超入門
決定木学習
決定木学習
SVMについて
SVMについて
機会学習ハッカソン:ランダムフォレスト
機会学習ハッカソン:ランダムフォレスト
「はじめてでもわかる RandomForest 入門-集団学習による分類・予測 -」 -第7回データマイニング+WEB勉強会@東京
「はじめてでもわかる RandomForest 入門-集団学習による分類・予測 -」 -第7回データマイニング+WEB勉強会@東京
ロジスティック回帰の考え方・使い方 - TokyoR #33
ロジスティック回帰の考え方・使い方 - TokyoR #33
Tokyo.R 41 サポートベクターマシンで眼鏡っ娘分類システム構築
Tokyo.R 41 サポートベクターマシンで眼鏡っ娘分類システム構築
一般向けのDeep Learning
一般向けのDeep Learning
機械学習チュートリアル@Jubatus Casual Talks
機械学習チュートリアル@Jubatus Casual Talks
機械学習によるデータ分析まわりのお話
機械学習によるデータ分析まわりのお話
Pythonとdeep learningで手書き文字認識
Pythonとdeep learningで手書き文字認識
scikit-learnを用いた機械学習チュートリアル
scikit-learnを用いた機械学習チュートリアル
Rによるデータサイエンス13「樹木モデル」
Rによるデータサイエンス13「樹木モデル」
Pythonで機械学習入門以前
Pythonで機械学習入門以前
ルールベースから機械学習への道 公開用
ルールベースから機械学習への道 公開用
30分でわかる『R』によるデータ分析|データアーティスト
30分でわかる『R』によるデータ分析|データアーティスト
Más de Takashi J OZAKI
直感的な単変量モデルでは予測できない「ワインの味」を多変量モデルで予測する
直感的な単変量モデルでは予測できない「ワインの味」を多変量モデルで予測する
Takashi J OZAKI
Taste of Wine vs. Data Science
Taste of Wine vs. Data Science
Takashi J OZAKI
Granger因果による時系列データの因果推定(因果フェス2015)
Granger因果による時系列データの因果推定(因果フェス2015)
Takashi J OZAKI
Tech Lab Paak講演会 20150601
Tech Lab Paak講演会 20150601
Takashi J OZAKI
なぜ統計学がビジネスの 意思決定において大事なのか?
なぜ統計学がビジネスの 意思決定において大事なのか?
Takashi J OZAKI
Deep Learningと他の分類器をRで比べてみよう in Japan.R 2014
Deep Learningと他の分類器をRで比べてみよう in Japan.R 2014
Takashi J OZAKI
『手を動かしながら学ぶ ビジネスに活かすデータマイニング』で目指したもの・学んでもらいたいもの
『手を動かしながら学ぶ ビジネスに活かすデータマイニング』で目指したもの・学んでもらいたいもの
Takashi J OZAKI
Jc 20141003 tjo
Jc 20141003 tjo
Takashi J OZAKI
データ分析というお仕事のこれまでとこれから(HCMPL2014)
データ分析というお仕事のこれまでとこれから(HCMPL2014)
Takashi J OZAKI
「データサイエンティスト・ブーム」後の企業におけるデータ分析者像を探る
「データサイエンティスト・ブーム」後の企業におけるデータ分析者像を探る
Takashi J OZAKI
Visualization of Supervised Learning with {arules} + {arulesViz}
Visualization of Supervised Learning with {arules} + {arulesViz}
Takashi J OZAKI
Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」
Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」
Takashi J OZAKI
ビジネスの現場のデータ分析における理想と現実
ビジネスの現場のデータ分析における理想と現実
Takashi J OZAKI
計量時系列分析の立場からビジネスの現場のデータを見てみよう - 30th Tokyo Webmining
計量時系列分析の立場からビジネスの現場のデータを見てみよう - 30th Tokyo Webmining
Takashi J OZAKI
Rで計量時系列分析~CRANパッケージ総ざらい~
Rで計量時系列分析~CRANパッケージ総ざらい~
Takashi J OZAKI
最新業界事情から見るデータサイエンティストの「実像」
最新業界事情から見るデータサイエンティストの「実像」
Takashi J OZAKI
21世紀で最もセクシーな職業!?「データサイエンティスト」の実像に迫る
21世紀で最もセクシーな職業!?「データサイエンティスト」の実像に迫る
Takashi J OZAKI
Más de Takashi J OZAKI
(17)
直感的な単変量モデルでは予測できない「ワインの味」を多変量モデルで予測する
直感的な単変量モデルでは予測できない「ワインの味」を多変量モデルで予測する
Taste of Wine vs. Data Science
Taste of Wine vs. Data Science
Granger因果による時系列データの因果推定(因果フェス2015)
Granger因果による時系列データの因果推定(因果フェス2015)
Tech Lab Paak講演会 20150601
Tech Lab Paak講演会 20150601
なぜ統計学がビジネスの 意思決定において大事なのか?
なぜ統計学がビジネスの 意思決定において大事なのか?
Deep Learningと他の分類器をRで比べてみよう in Japan.R 2014
Deep Learningと他の分類器をRで比べてみよう in Japan.R 2014
『手を動かしながら学ぶ ビジネスに活かすデータマイニング』で目指したもの・学んでもらいたいもの
『手を動かしながら学ぶ ビジネスに活かすデータマイニング』で目指したもの・学んでもらいたいもの
Jc 20141003 tjo
Jc 20141003 tjo
データ分析というお仕事のこれまでとこれから(HCMPL2014)
データ分析というお仕事のこれまでとこれから(HCMPL2014)
「データサイエンティスト・ブーム」後の企業におけるデータ分析者像を探る
「データサイエンティスト・ブーム」後の企業におけるデータ分析者像を探る
Visualization of Supervised Learning with {arules} + {arulesViz}
Visualization of Supervised Learning with {arules} + {arulesViz}
Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」
Rによるやさしい統計学第20章「検定力分析によるサンプルサイズの決定」
ビジネスの現場のデータ分析における理想と現実
ビジネスの現場のデータ分析における理想と現実
計量時系列分析の立場からビジネスの現場のデータを見てみよう - 30th Tokyo Webmining
計量時系列分析の立場からビジネスの現場のデータを見てみよう - 30th Tokyo Webmining
Rで計量時系列分析~CRANパッケージ総ざらい~
Rで計量時系列分析~CRANパッケージ総ざらい~
最新業界事情から見るデータサイエンティストの「実像」
最新業界事情から見るデータサイエンティストの「実像」
21世紀で最もセクシーな職業!?「データサイエンティスト」の実像に迫る
21世紀で最もセクシーな職業!?「データサイエンティスト」の実像に迫る
Último
TSAL operation mechanism and circuit diagram.pdf
TSAL operation mechanism and circuit diagram.pdf
taisei2219
スマートフォンを用いた新生児あやし動作の教示システム
スマートフォンを用いた新生児あやし動作の教示システム
sugiuralab
SOPを理解する 2024/04/19 の勉強会で発表されたものです
SOPを理解する 2024/04/19 の勉強会で発表されたものです
iPride Co., Ltd.
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
Ryo Sasaki
論文紹介:Automated Classification of Model Errors on ImageNet
論文紹介:Automated Classification of Model Errors on ImageNet
Toru Tamaki
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Yuma Ohgami
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
Hiroki Ichikura
論文紹介:Semantic segmentation using Vision Transformers: A survey
論文紹介:Semantic segmentation using Vision Transformers: A survey
Toru Tamaki
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
Toru Tamaki
Último
(9)
TSAL operation mechanism and circuit diagram.pdf
TSAL operation mechanism and circuit diagram.pdf
スマートフォンを用いた新生児あやし動作の教示システム
スマートフォンを用いた新生児あやし動作の教示システム
SOPを理解する 2024/04/19 の勉強会で発表されたものです
SOPを理解する 2024/04/19 の勉強会で発表されたものです
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
[DevOpsDays Tokyo 2024] 〜デジタルとアナログのはざまに〜 スマートビルディング爆速開発を支える 自動化テスト戦略
論文紹介:Automated Classification of Model Errors on ImageNet
論文紹介:Automated Classification of Model Errors on ImageNet
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
Open Source UN-Conference 2024 Kawagoe - 独自OS「DaisyOS GB」の紹介
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
【早稲田AI研究会 講義資料】3DスキャンとTextTo3Dのツールを知ろう!(Vol.1)
論文紹介:Semantic segmentation using Vision Transformers: A survey
論文紹介:Semantic segmentation using Vision Transformers: A survey
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
論文紹介:Content-Aware Token Sharing for Efficient Semantic Segmentation With Vis...
Simple perceptron by TJO
1.
単純パーセプトロンの基本のき
TJO (@TJO_datasci)
2.
と、その前に… 元々パーセプトロンというのは…
– ニューロン情報処理モデルだった 実際に脳科学の世界では重要だった時代も – 小脳パーセプトロンモデル – Marr (1969), 伊藤正男(1972) 1
3.
と、その前に… でも今は…
パーセプトロン = 線形識別器の基礎 2
4.
と、その前に…
パーセプトロンが分からなきゃ、 サポートベクターマシンも分からない! パーセプトロンが分かれば、 サポートベクターマシンなんて余裕! 今も流行中、(おそらく)史上最強の 機械学習分類器! 3
5.
本日のお題は…
線形識別器の基本のき、 パーセプトロンを理解しよう! 4
6.
簡単な例から…
【初心者向け】 分かりやすいパーセプトロンの例 5
7.
簡単な例から…
6
8.
簡単な例から…
返値 重みベクトル 入力信号 (「±の符号」が大事!) (こいつが学習結果) (これから識別したいもの) 7
9.
簡単な例から…
8
10.
簡単な例から…
9
11.
簡単な例から…
返値 重みベクトル 入力信号 (正なら非SPAM (メールの単語頻度) 負ならSPAM) 10
12.
簡単な例から…
11
13.
簡単な例から…
12
14.
簡単な例から…
「会議」は非SPAM 「目標」は非SPAM 「お買い得」はSPAM 13
15.
簡単な例から…
14
16.
簡単な例から…
15
17.
簡単な例から…
16
18.
簡単な例から…
誤判定した時の入力信号の値 17
19.
簡単な例から…
18
20.
簡単な例から…
19
21.
ここからは…
【ガチで勉強したい人向け】 いよいよガチなパーセプトロンのお話 20
22.
「識別」とは何ぞや?
こういう2集団を 「識別」してみたい。 21
23.
「識別」とは何ぞや?
b x > a, y > b とかで「識別」できるじゃん? a 22
24.
「識別」とは何ぞや?
まだまだ余裕。 23
25.
「識別」とは何ぞや?
これはさすがに無理… 24
26.
「識別」とは何ぞや?
単なる「区間」を決める「不等式 などではもはや「識別」できない 25
27.
理屈を見てみよう
そこでこういうことを考える。 26
28.
理屈を見てみよう
各○&△にラベルy(k)を振る。 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 -1 -1 1 -1 -1 1 -1 1 1 1 -1 -1 -1 1 1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 27
29.
理屈を見てみよう
28
30.
理屈を見てみよう
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 -1 -1 1 -1 -1 1 -1 1 1 1 -1 -1 -1 1 1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 29
31.
理屈を見てみよう
初期化してみた。 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 -1 -1 1 -1 -1 1 -1 1 1 1 -1 -1 -1 1 1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 30
32.
理屈を見てみよう これを「始点」にして、どんどんa,b,cを変えてい
こう。 じゃ、どうやってa,b,cを変えていこうか? 31
33.
理屈を見てみよう
各○&△のラベルy(k)を見て! 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 -1 -1 1 -1 -1 1 -1 1 1 1 -1 -1 -1 1 1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 32
34.
理屈を見てみよう
おかしいのはどれ? 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 -1 -1 1 -1 -1 1 -1 1 1 1 -1 -1 -1 1 1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 33
35.
理屈を見てみよう 紫の線で囲まれたところはどうなっていた?
– ラベルt(k)とy+cの「符号」が一致してない その他のところはどうなっていた? – ラベルt(k)とy+cの「符号」が一致している つまり… – ラベルt(k)とf(x,y)の積の符号を見れば、 何か良いことがあるのでは? 34
36.
理屈を見てみよう
35
37.
理屈を見てみよう
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 -1 -1 1 -1 -1 1 -1 1 1 1 -1 -1 -1 1 1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 36
38.
理屈を見てみよう
37
39.
理屈を見てみよう
38
40.
理屈を見てみよう
「ズレ」を減らしていこう! 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 -1 -1 1 -1 -1 1 -1 1 1 1 -1 -1 -1 1 1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 39
41.
理屈を見てみよう
「ズレ」を減らしていこう! 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 -1 -1 1 -1 -1 1 -1 1 1 1 -1 -1 -1 1 1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 40
42.
理屈を見てみよう
「ズレ」を減らしていこう! 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 -1 -1 1 -1 -1 1 -1 1 1 1 -1 -1 -1 1 1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 41
43.
理屈を見てみよう
42
44.
理屈を見てみよう
43
45.
理屈を見てみよう
44
46.
理屈を見てみよう
45
47.
理屈を見てみよう
46
48.
理屈を見てみよう
こんな感じで逐次更新される。 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 -1 -1 1 -1 -1 1 -1 1 1 1 -1 -1 -1 1 1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 47
49.
理屈を見てみよう
こんな感じで逐次更新される。 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 -1 -1 1 -1 -1 1 -1 1 1 1 -1 -1 -1 1 1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 48
50.
理屈を見てみよう
こんな感じで逐次更新される。 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 -1 -1 1 -1 -1 1 -1 1 1 1 -1 -1 -1 1 1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 49
51.
理屈を見てみよう
50
52.
理屈を見てみよう
例えば値が5とかならこんな感じ。 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 -1 -1 1 -1 -1 1 -1 1 1 1 -1 -1 -1 1 1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 51
53.
ということで… それでは、Pythonで組んでみましょう!
ブログ記事へ… 52