Submit Search
Upload
はじめてのパターン認識 第1章
•
49 likes
•
20,363 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
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
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
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
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...
西岡 賢一郎
Fisher線形判別分析とFisher Weight Maps
Fisher線形判別分析とFisher Weight Maps
Takao Yamanaka
3分でわかる多項分布とディリクレ分布
3分でわかる多項分布とディリクレ分布
Junya Saito
PRML8章
PRML8章
弘毅 露崎
Recommended
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
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
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
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...
西岡 賢一郎
Fisher線形判別分析とFisher Weight Maps
Fisher線形判別分析とFisher Weight Maps
Takao Yamanaka
3分でわかる多項分布とディリクレ分布
3分でわかる多項分布とディリクレ分布
Junya Saito
PRML8章
PRML8章
弘毅 露崎
最適化超入門
最適化超入門
Takami Sato
[DL輪読会]Focal Loss for Dense Object Detection
[DL輪読会]Focal Loss for Dense Object Detection
Deep Learning JP
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2章
はじパタ2章
tetsuro ito
階層ベイズとWAIC
階層ベイズとWAIC
Hiroshi Shimizu
今さら聞けないカーネル法とサポートベクターマシン
今さら聞けないカーネル法とサポートベクターマシン
Shinya Shimizu
KDD Cup 2021 時系列異常検知コンペ 参加報告
KDD Cup 2021 時系列異常検知コンペ 参加報告
GentaYoshimura
2値分類・多クラス分類
2値分類・多クラス分類
t dev
時系列分析による異常検知入門
時系列分析による異常検知入門
Yohei Sato
[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
因果推論の基礎
因果推論の基礎
Hatsuru Morita
勾配降下法の最適化アルゴリズム
勾配降下法の最適化アルゴリズム
nishio
変分ベイズ法の説明
変分ベイズ法の説明
Haruka Ozaki
相関と因果について考える:統計的因果推論、その(不)可能性の中心
相関と因果について考える:統計的因果推論、その(不)可能性の中心
takehikoihayashi
続・わかりやすいパターン認識_3章
続・わかりやすいパターン認識_3章
weda654
機械学習におけるオンライン確率的最適化の理論
機械学習におけるオンライン確率的最適化の理論
Taiji Suzuki
状態空間モデルの考え方・使い方 - TokyoR #38
状態空間モデルの考え方・使い方 - TokyoR #38
horihorio
はじパタ6章前半
はじパタ6章前半
T T
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
ガウス過程回帰の導出 ( GPR : Gaussian Process Regression )
ガウス過程回帰の導出 ( GPR : Gaussian Process Regression )
Kenji Urai
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
最適化超入門
最適化超入門
Takami Sato
[DL輪読会]Focal Loss for Dense Object Detection
[DL輪読会]Focal Loss for Dense Object Detection
Deep Learning JP
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2章
はじパタ2章
tetsuro ito
階層ベイズとWAIC
階層ベイズとWAIC
Hiroshi Shimizu
今さら聞けないカーネル法とサポートベクターマシン
今さら聞けないカーネル法とサポートベクターマシン
Shinya Shimizu
KDD Cup 2021 時系列異常検知コンペ 参加報告
KDD Cup 2021 時系列異常検知コンペ 参加報告
GentaYoshimura
2値分類・多クラス分類
2値分類・多クラス分類
t dev
時系列分析による異常検知入門
時系列分析による異常検知入門
Yohei Sato
[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
因果推論の基礎
因果推論の基礎
Hatsuru Morita
勾配降下法の最適化アルゴリズム
勾配降下法の最適化アルゴリズム
nishio
変分ベイズ法の説明
変分ベイズ法の説明
Haruka Ozaki
相関と因果について考える:統計的因果推論、その(不)可能性の中心
相関と因果について考える:統計的因果推論、その(不)可能性の中心
takehikoihayashi
続・わかりやすいパターン認識_3章
続・わかりやすいパターン認識_3章
weda654
機械学習におけるオンライン確率的最適化の理論
機械学習におけるオンライン確率的最適化の理論
Taiji Suzuki
状態空間モデルの考え方・使い方 - TokyoR #38
状態空間モデルの考え方・使い方 - TokyoR #38
horihorio
はじパタ6章前半
はじパタ6章前半
T T
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
ガウス過程回帰の導出 ( GPR : Gaussian Process Regression )
ガウス過程回帰の導出 ( GPR : Gaussian Process Regression )
Kenji Urai
What's hot
(20)
最適化超入門
最適化超入門
[DL輪読会]Focal Loss for Dense Object Detection
[DL輪読会]Focal Loss for Dense Object Detection
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
はじパタ2章
はじパタ2章
階層ベイズとWAIC
階層ベイズとWAIC
今さら聞けないカーネル法とサポートベクターマシン
今さら聞けないカーネル法とサポートベクターマシン
KDD Cup 2021 時系列異常検知コンペ 参加報告
KDD Cup 2021 時系列異常検知コンペ 参加報告
2値分類・多クラス分類
2値分類・多クラス分類
時系列分析による異常検知入門
時系列分析による異常検知入門
[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
因果推論の基礎
因果推論の基礎
勾配降下法の最適化アルゴリズム
勾配降下法の最適化アルゴリズム
変分ベイズ法の説明
変分ベイズ法の説明
相関と因果について考える:統計的因果推論、その(不)可能性の中心
相関と因果について考える:統計的因果推論、その(不)可能性の中心
続・わかりやすいパターン認識_3章
続・わかりやすいパターン認識_3章
機械学習におけるオンライン確率的最適化の理論
機械学習におけるオンライン確率的最適化の理論
状態空間モデルの考え方・使い方 - TokyoR #38
状態空間モデルの考え方・使い方 - TokyoR #38
はじパタ6章前半
はじパタ6章前半
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
ガウス過程回帰の導出 ( GPR : Gaussian Process Regression )
ガウス過程回帰の導出 ( GPR : Gaussian Process Regression )
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
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
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
(12)
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
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
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
Registration of travel agents - 'Explanation of the registration system under...
Registration of travel agents - 'Explanation of the registration system under...
oganekyokoi
Divorce agreements in administrative work.pdf
Divorce agreements in administrative work.pdf
oganekyokoi
3年前期 交通基盤工学 第一回 ガイダンス 交通基盤工学の概要 パワーポイント
3年前期 交通基盤工学 第一回 ガイダンス 交通基盤工学の概要 パワーポイント
shu1108hina1020
International Politics I - Lecture 1
International Politics I - Lecture 1
Toru Oga
Establishment and operation of medical corporations.pdf
Establishment and operation of medical corporations.pdf
oganekyokoi
What I did before opening my business..pdf
What I did before opening my business..pdf
oganekyokoi
KARAPATANG PANTAO.pptxhrhrhrhrhrhrhrhrhr
KARAPATANG PANTAO.pptxhrhrhrhrhrhrhrhrhr
RodolfFernandez1
レポートの書き方講座 [大学生初年次向けに対する講義資料] Lecture on how to write a report [lecture mater...
レポートの書き方講座 [大学生初年次向けに対する講義資料] Lecture on how to write a report [lecture mater...
yutakashikano1984
Recently uploaded
(8)
Registration of travel agents - 'Explanation of the registration system under...
Registration of travel agents - 'Explanation of the registration system under...
Divorce agreements in administrative work.pdf
Divorce agreements in administrative work.pdf
3年前期 交通基盤工学 第一回 ガイダンス 交通基盤工学の概要 パワーポイント
3年前期 交通基盤工学 第一回 ガイダンス 交通基盤工学の概要 パワーポイント
International Politics I - Lecture 1
International Politics I - Lecture 1
Establishment and operation of medical corporations.pdf
Establishment and operation of medical corporations.pdf
What I did before opening my business..pdf
What I did before opening my business..pdf
KARAPATANG PANTAO.pptxhrhrhrhrhrhrhrhrhr
KARAPATANG PANTAO.pptxhrhrhrhrhrhrhrhrhr
レポートの書き方講座 [大学生初年次向けに対する講義資料] Lecture on how to write a report [lecture mater...
レポートの書き方講座 [大学生初年次向けに対する講義資料] Lecture on how to write a report [lecture mater...
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