150 分で学ぶ高校数学の基礎
[重要なお知らせ (2023/8/12)] 現在，スライドの p.10 に不十分な記述があります．ルートの答えは 0 以上の数に限定することに注意してください (たとえば -3 を 2 乗しても 9 ですが，ルート 9 は -3 ではありません)．なお，現在筆者のパソコンが修理中でデータがないので，修正は 1 週間後となります． [目次] 第1章 数学の基礎知識（p.5～） 第2章 場合の数（p.31～） 第3章 確率と期待値（p.56～） 第4章 統計的な解析（p.69～） 第5章 いろいろな関数（p.103～） 第6章 三角比と三角関数（p.141～） 第7章 証明のやり方（p.160～） 第8章 ベクトル（p.187～） 第9章 微分法と積分法（p.205～） 第10章 その他のトピック（p.240～） スライドのまとめ（p.254～）
Brilliant | Learn interactively
Master concepts in 15 minutes a day Whether you’re a complete beginner or ready to dive into machine learning and beyond, Brilliant makes it easy to level up fast with fun, bite-sized lessons. Effective, hands-on learning Visual, interactive lessons make concepts feel intuitive — so even complex ideas just click. Our real-time feedback and simple explanations make learning efficient.
ペアノの公理 - Wikipedia
ペアノの公理（ペアノのこうり、英: Peano axioms） とは、自然数の全体を特徴づける公理である。ペアノの公準（英: Peano postulates）あるいはデデキント＝ペアノの公理（英: Dedekind-Peano axioms）とも呼ばれる[1][2]。1891年にイタリアの数学者ジュゼッペ・ペアノにより定式化された。 ペアノの公理を起点にして、初等算術と整数・有理数・実数・複素数の構成などを実際に展開してみせた古典的な書物に、1930年に出版されたランダウによる『解析学の基礎』（Grundlagen Der Analysis）がある。 公理[編集] 集合 ℕ と定数 0 と関数 Sと集合Eに関する次の公理をペアノの公理という[3][注 1]。 0 ∈ ℕ 任意の n ∈ ℕ について S(n) ∈ ℕ 任意の n ∈ ℕ について S(n) ≠ 0 任意の n, m ∈
「統計学と機械学習の違い」はどう論じたら良いのか - 渋谷駅前で働くデータサイエンティストのブログ
何かこんなメディア記事が出ていたようです。 これを読んで色々な人がツッコミを入れまくっている模様ですが、この記事の不思議なところは「完全に間違った説明というわけでもないのに何故か（両分野に詳しい）誰が読んでも猛烈な違和感を覚える」ところなんじゃないかなぁと。 正直、これはライター・インタビュアー・コメンテーター・編集者の誰のせいなのかは全く分からないんですが、ツッコミ入れられまくっている内容について色々あげつらってもあまり建設的でないので、ここでは記事中で本題として取り上げられている「統計学と機械学習の違い」についてちょっとコメントしてみようと思います。 あ、もちろん僕がこれから書くコメントも別に正しいとは全く限らないので、おかしいところや間違ってるところがあったらバンバン突っ込んでいただければ幸いです*1。そしてガチ勢向けのコメントでもないので何卒悪しからず。 統計学はデータを「説明」す
線形論理 - Wikipedia
線形論理（せんけいろんり、英: Linear logic）は、「弱化(weakening)規則」と「縮約(contraction)規則」という構造規則を否定した部分構造論理の一種である。「資源としての仮説 (hypotheses as resources)」という解釈をする。すなわち、全ての仮説は証明において「一回だけ」消費される。古典論理や直観論理のような論理体系では、仮説（前提）は必要に応じて何度でも使える。例えば、A と A ⇒ B という命題から A ∧ B という結論を導出するのは、次のようになる。 A と A ⇒ B を前提とするモーダスポネンス（あるいは自然演繹でいう含意の除去）により、B が得られる。 前提 A と (1) の論理積から A ∧ B が得られる。 これをシークエントで表すと、A, A ⇒ B ⊢ A ∧ B となる。上記の証明ではどちらの行でも、A が真であ
Visualizing Math
Right now, there are humans living and working off the Earth on the International Space Station. They orbit... visualizingmath: Visualizing Math Has Reached 100,000 Followers! Thank You!!! When I started this blog shortly after my sophomore year in... sci-universe: Since it’s the first thing someone considers buying a new telescope, Israeli astronomer Michael Vlasov illustrates which views...
モンテカルロシミュレーション
第２章で、一様乱数を発生させるMath.random()メソッドについて学びました。システム・シミュレーションにおいては、一様乱数のみならず、さまざまな分布の乱数を用いることがあります。本章では、一様乱数を変換してさまざまな分布の乱数を作り出す手法を学びます。 逆関数法 Math.random()メソッドで得られる乱数は、０と１の間、すなわち、区間 [0,1) ですが、それを区間 [a.b) のような特定区間の一様乱数を得るにはどうしたらよいのでしょうか。 一般に、区間 [0,1) の一様乱数から特定区間の一様乱数を得るには、次の逆関数法がよく使われます。 区間 [0,1) の一様乱数の確率密度関数 f(x) は、図４．１．１ａのようになります(注)。 これを積分した分布関数 g(x) は図４．１．１ｂのようになります。 g(x) の値は０から１の値をとりますから、区間 [0,1) の一様
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
素数