第１回 環の定義 - Pythonで学ぶ「プログラミング可換環論」
はじめに どうも初めまして、グレブナー基底大好きbot (Twitter:@groebner_basis) です。 最近、プログラマ向けの数学のセミナーや勉強会*1が開催されるなど、コンピュータを専門にする人が純粋数学に興味を持つ機会が増えてきました。 そこで、この記事では、計算科学とも関わりの深い「可換環論」について、プログラミングの側面から解説していきたいと思います。 可換環論とは 可換環論は、代数学に含まれる分野で、140年以上の歴史があります。名前の通り、「可換環」と呼ばれる数学的対象を研究する分野です。この可換環については、後々詳しく説明したいと思います。 かつての数学者は、計算といえば紙に書く「手計算」が主な手法でした。しかし、近年では、コンピュータの発達に伴い、可換環論の色々な計算が数式処理システム(Computer Algebra System) で実現できるようになりまし
%2B%25BB%25FE%25B7%25CF%25CE%25F3%25B2%25F2%25C0%25CF)
(Python) 時系列解析 - Murakami's Memorandum
(工事中) データ型 移動平均・重み付き移動平均 単純移動平均 重み付き移動平均 スプライン補間 自己相関・相互相関 自己相関 有限複素フーリエ変換・有限フーリエ変換 データ窓 パワースペクトル コヒーレンス・偏コヒーレンス・マルチプルコヒーレンス データ型 リスト a=[1,2,3] アレイ import numpy as np a=np.array([1,2,3]) a*a # 要素毎の掛算 [1,4,9] となる a.dot(a) # 答えは14 行ベクトルと列ベクトルの掛算 マトリクス import numpy as np a=np.matrix([[1,2,3]]) # 行 b=a.transpose() # 列： a の転置 a*b # 行列の掛算 答えは14 a.dot(b) ＃行列の掛算(別の表現) # c=np.matrix([[1,2
Deep Learning のフレームワーク Chainer を公開しました - Preferred Networks Research & Development
こんにちは、得居です。最近は毎晩イカになって戦場を駆けまわっています。 本日、Deep Learning の新しいフレームワークである Chainer を公開しました。 Chainer 公式サイト GitHub – pfnet/chainer Chainer Documentation Chainer は、ニューラルネットを誤差逆伝播法で学習するためのフレームワークです。以下のような特徴を持っています。 Python のライブラリとして提供（要 Python 2.7+） あらゆるニューラルネットの構造に柔軟に対応 動的な計算グラフ構築による直感的なコード GPU をサポートし、複数 GPU をつかった学習も直感的に記述可能 ニューラルネットをどのように書けるか 次のコードは多層パーセプトロンの勾配を計算する例です。 from chainer import FunctionSet, Vari
neon — neon 2.6.0+fd76bce2 documentation
neon is Intel Nervana ‘s reference deep learning framework committed to best performance on all hardware. Designed for ease-of-use and extensibility. Features include: Support for commonly used models including convnets, RNNs, LSTMs, and autoencoders. You can find many pre-trained implementations of these in our model zoo Tight integration with our state-of-the-art GPU kernel library and Intel CPU
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
処理を実行中です
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
PythonとPyCoRAMでお手軽にFPGAシステムを開発してみよう
