ウェーブレット変換 - Wikipedia
この記事は検証可能な参考文献や出典が全く示されていないか、不十分です。出典を追加して記事の信頼性向上にご協力ください。（このテンプレートの使い方） 出典検索?: "ウェーブレット変換" – ニュース · 書籍 · スカラー · CiNii · J-STAGE · NDL · dlib.jp · ジャパンサーチ · TWL（2022年2月） ウェーブレット変換（ウェーブレットへんかん、英: wavelet transformation）は、周波数解析の手法の一つ。基底関数として、ウェーブレット関数を用いる。フーリエ変換によって周波数特性を求める際に失われる時間領域の情報を、この変換においては残すことが可能である。フーリエ変換でも窓関数を用いる窓フーリエ変換で時間領域の情報は残せたが、窓幅を周波数に合わせて固定する必要があるため、広い周波数領域の解析には向かなかった。ウェーブレット変換では、基
Deep learning 用語集
deep learning とは、従来よりも多くの層を持ったニューラルネットを用いる 機械学習技術です。 deep learning は、画像認識、音声認識などの分野で、 いろいろなベンチマークで従来技術を超える性能を出しており、 注目を集めています。 私自身も勉強不足ですが 僭越ながら、 deep learning 関連用語について自分の理解で簡単にまとめました。 （挙げてある原論文もちゃんと読んでません！ 間違いがあればぜひご指摘ください。） Deep Learning auto-encoder または RBM などを積み重ねた深い構造を持つ機械学習器。 従来は研究者が手作りしていた特徴抽出器を、 代わりに大量のデータから学習させ自己組織化させるアプローチとも言える。 deep learning を特徴抽出器として使い、 識別器としては最上位層でＳＶＭなどを使うこともある。 deep
ベイズ推定 - Wikipedia
この記事は検証可能な参考文献や出典が全く示されていないか、不十分です。出典を追加して記事の信頼性向上にご協力ください。（このテンプレートの使い方） 出典検索?: "ベイズ推定" – ニュース · 書籍 · スカラー · CiNii · J-STAGE · NDL · dlib.jp · ジャパンサーチ · TWL（2018年12月） ベイズ推定（ベイズすいてい、英: Bayesian inference）とは、ベイズ確率の考え方に基づき、観測事象（観測された事実）から、推定したい事柄（それの起因である原因事象）を、確率的な意味で推論することを指す[1]。 ベイズの定理が基本的な方法論として用いられ、名前の由来となっている。統計学に応用されてベイズ統計学[2]の代表的な方法となっている。 ベイズ推定においては、パラメータの点推定を求めることは、ベイズ確率（分布関数）を求めた後に、決められた汎
マルコフ連鎖モンテカルロ法 - Wikipedia
出典は列挙するだけでなく、脚注などを用いてどの記述の情報源であるかを明記してください。記事の信頼性向上にご協力をお願いいたします。（2016年3月） マルコフ連鎖モンテカルロ法（マルコフれんさモンテカルロほう、英: Markov chain Monte Carlo methods、通称MCMC）とは、求める確率分布を均衡分布として持つマルコフ連鎖を作成することによって確率分布のサンプリングを行う種々のアルゴリズムの総称である。具体的には、同時事後分布に従う乱数を継時的に生成する。代表的なMCMCとしてメトロポリス・ヘイスティングス法やギブスサンプリングがある。 MCMCで充分に多くの回数の試行を行った後のマルコフ連鎖の状態は求める目標分布の標本として用いられる。試行の回数を増やすとともにサンプルの品質も向上する。 求められる特性を持つマルコフ連鎖を作成することは通常難しくない。問題は許容で
ナビエ–ストークス方程式 - Wikipedia
であり、渦度と呼ばれる。[7] 単純化した方程式[編集] ナビエ–ストークス方程式は複雑過ぎるが故に解を求めることは困難である[1][2][6]。このため、いくつかの仮定をして問題を単純化することが多い[8]。しかし単純化された方程式でも解析的な解法は知られておらず、数値的解法が必要であることが多い[注 1][9]。 非圧縮性流れ[編集] 非圧縮性流れ[10]では、速度場の発散 Θ がゼロなので、速度場の発散を含む項を落として となる。 粘性率が一定の流れ[編集] 粘性率 μ や χ は温度や圧力の関数であり一定ではないが、多くの場合に粘性率は一定とみなされる[11]。 この場合は粘性率の勾配を含む項を落として となる。また、体積粘性率 χ は小さいので、χ = 0 に選べば となる（ストークスの仮説）。ここで ν = μ/ρ は動粘性率である。 粘性率が一定の非圧縮性流れ[編集] 粘性率
マクスウェルの方程式 - Wikipedia
この記事には参考文献や外部リンクの一覧が含まれていますが、脚注による参照が不十分であるため、情報源が依然不明確です。適切な位置に脚注を追加して、記事の信頼性向上にご協力ください。（2022年7月） マクスウェルの方程式（マクスウェルのほうていしき、英: Maxwell's equations、マクスウェル方程式とも）は、電磁場を記述する古典電磁気学の基礎方程式である。マイケル・ファラデーが幾何学的考察から見出した電磁力に関する法則が1864年にジェームズ・クラーク・マクスウェルによって数学的形式として整理された[1]。マクスウェルの方程式はマックスウェルの方程式とも表記される。マクスウェル-ヘルツの電磁方程式、電磁方程式などとも呼ばれる。 これらの方程式系に整理されたことから、電場と磁場の統一（電磁場）、光が電磁波であることなどが導かれ、その時空論としての特殊相対性理論に至る。後年、アイン
FFTとAGMによる円周率計算プログラム
[English] 詳細 これは，円周率を巨大な桁数で計算するパッケージです． これを作ったきっかけは，ある研究で作った FFT ベースの多倍長計算 ルーチンのベンチマークを行ったことです． 計算速度は Super_PI ver 1.1 @東大金田研究室 と比較して約 2.5 倍高速です． 多倍長基本演算ルーチンは四則演算と平方根です． プログラムの変更で円周率以外の計算(sqrt(2) など)もできると思います． 配布 pi_fftc6_src.tgz (52KB), source file only, for UNIX / ver. LG1.1.2-MP1.5.2af updated: 011105 pi_fftc6.zip (358KB), source file with WIN32 binary / ver. LG1.1.2-MP1.5.2af updated: 011105 p
ゼロ知識証明 - Wikipedia
暗号学において、ゼロ知識証明（ぜろちしきしょうめい、zero-knowledge proof、略称：ZKP[1]）とは、ある人が他の人に、自分の持っている（通常、数学的な）命題が真であることを伝えるのに、真であること以外の何の知識も伝えることなく証明できるようなやりとりの手法である。ゼロ知識対話証明（ZKIP）とも呼ばれる。 概要[編集] ゼロ知識証明の研究は、ある人が，秘密の知識（パスワードなど）を所持していることをもって，本人であることを他の人に示したいが，この秘密自体は誰にも開示しなくてよい認証方式を実現することが動機である。もっとも、パスワード認証というのはゼロ知識証明で扱う一般的な例ではない。ゼロ知識証明によるパスワード認証は特殊な応用例である。 ゼロ知識証明で証明される命題には、巨大な合成数の素因子（素因数分解の解）を知っている、離散対数問題（DLP）の解を知っているなどの公開
Wolfram|Alpha: Making the world’s knowledge computable
Compute expert-level answers using Wolfram’s breakthrough algorithms, knowledgebase and AI technology Mathematics ›Step-by-Step SolutionsElementary MathAlgebraPlotting & GraphicsCalculus & AnalysisGeometryDifferential EquationsStatisticsMore Topics »Science & Technology ›Units & MeasuresPhysicsChemistryEngineeringComputational SciencesEarth SciencesMaterialsTransportationMore Topics »Society & Cul
ルンゲ＝クッタ法 - Wikipedia
数値解析においてルンゲ＝クッタ法（英: Runge–Kutta method）とは、初期値問題に対して近似解を与える常微分方程式の数値解法に対する総称である。この技法は1900年頃に数学者カール・ルンゲとマルティン・クッタによって発展を見た。 古典的ルンゲ＝クッタ法[編集] 一連のルンゲ＝クッタ公式の中で最も広く知られているのが、古典的ルンゲ=クッタ法 (RK4、もしくは単に狭義の ルンゲ=クッタ法、英: the (classical) Runge–Kutta method) などと呼ばれる4次の公式である。 次の初期値問題を考える。 但し、y(t) が近似的に求めたい未知関数であり、その t における勾配は f(t, y) によって t 及び y(t) の関数として与えられている。時刻 t0 における初期値は y0 で与えられている。 今、時刻 tn における値 yn = y(tn) が
マルコフ連鎖 - Wikipedia
この記事は検証可能な参考文献や出典が全く示されていないか、不十分です。出典を追加して記事の信頼性向上にご協力ください。（このテンプレートの使い方） 出典検索?: "マルコフ連鎖" – ニュース · 書籍 · スカラー · CiNii · J-STAGE · NDL · dlib.jp · ジャパンサーチ · TWL（2018年1月） マルコフ連鎖（マルコフれんさ、英: Markov chain）とは、確率過程の一種であるマルコフ過程のうち、とりうる状態が離散的（有限または可算）なもの（離散状態マルコフ過程）をいう。また特に、時間が離散的なもの（時刻は添え字で表される）を指すことが多い[注釈 1]。マルコフ連鎖は、未来の挙動が現在の値だけで決定され、過去の挙動と無関係である（マルコフ性）。各時刻において起こる状態変化（遷移または推移）に関して、マルコフ連鎖は遷移確率が過去の状態によらず、現在
バックプロパゲーション - Wikipedia
バックプロパゲーション（英: Backpropagation）または誤差逆伝播法（ごさぎゃくでんぱほう）[1]はニューラルネットワークの学習アルゴリズムである[2]。 概要[編集] バックプロパゲーションは数理モデルであるニューラルネットワークの重みを層の数に関わらず更新できる（学習できる）アルゴリズムである。ディープラーニングの主な学習手法として利用される。 そのアルゴリズムは次の通りである： ニューラルネットワークに学習のためのサンプルを与える。 ネットワークの出力を求め、出力層における誤差を求める。その誤差を用い、各出力ニューロンについて誤差を計算する。 個々のニューロンの期待される出力値と倍率 (scaling factor)、要求された出力と実際の出力の差を計算する。これを局所誤差と言う。 各ニューロンの重みを局所誤差が小さくなるよう調整する。 より大きな重みで接続された前段のニ
フラクタル - Wikipedia
この項目では、幾何学の概念について説明しています。テレビアニメについては「フラクタル (テレビアニメ)」を、榊原ゆいのアルバムについては「Fractal」を、日本の持株会社については「FRACTALE」をご覧ください。 フラクタルの例（マンデルブロ集合） フラクタル（仏: fractale, 英: fractal）は、フランスの数学者ブノワ・マンデルブロが導入した幾何学の概念である。ラテン語の fractus から。図形の部分と全体が自己相似（再帰）になっているものなどをいう。なお、マンデルブロが導入する以前から以下で述べるような性質を持つ形状などはよく考えられてきたものであり、また、そういった図形の一つである高木曲線は幾何ではなく解析学上の興味によるものである。 定義[編集] コッホ雪片の作成 フラクタルの特徴は直感的には理解できるものの、数学的に厳密に定義するのは非常に難しい。マンデル
サポートベクターマシン - Wikipedia
サポートベクターマシン（英: support-vector machine, SVM）は、教師あり学習を用いるパターン認識モデルの1つである。分類や回帰へ適用できる。1963年にウラジミール・ヴァプニク（英語版）とAlexey Ya. Chervonenkisが線形サポートベクターマシンを発表し[1]、1992年にBernhard E. Boser、Isabelle M. Guyon、ウラジミール・ヴァプニクが非線形へと拡張した。 サポートベクターマシンは、現在知られている手法の中でも認識性能が優れた学習モデルの1つである。サポートベクターマシンが優れた認識性能を発揮することができる理由は、未学習データに対して高い識別性能を得るための工夫があるためである。 基本的な考え方[編集] サポートベクターマシンは、線形入力素子を利用して2クラスのパターン識別器を構成する手法である。訓練サンプルから
隠れマルコフモデル - Wikipedia
隠れマルコフモデル（かくれマルコフモデル、英: hidden Markov model; HMM）は、確率モデルのひとつであり、観測されない（隠れた）状態をもつマルコフ過程である。 概要[編集] 同じマルコフ過程でも、隠れマルコフモデルより単純なマルコフ連鎖では、状態は直接観測可能であり、そのため、状態の遷移確率のみがパラメータである。一方、隠れマルコフモデルにおいては、状態は直接観測されず、出力（事象）のみが観測される。ただしこの出力は、モデルの状態による確率分布である。従って、ある隠れマルコフモデルによって生成された出力の系列は、内部の状態の系列に関する何らかの情報を与えるものとなる。「隠れ」という語はモデルが遷移した状態系列が外部から直接観測されないことを指しており、モデルのパラメータについてのものではない。たとえパラメータが既知であっても隠れマルコフモデルと呼ばれる。隠れマルコフモ
ゲーム理論 2016年9月25日 (日) 18:37; Munasca (会話 | 投稿記録) による版（ - Wikipedia
協力ゲームと非協力ゲームの区別はジョン・ナッシュが1951年に発表した「非協力ゲーム[33]」という論文の中で初めて定義された[34][35][36]。ナッシュの定義によれば、協力ゲームにおいてプレイヤー間のコミュニケーションが可能でありその結果生じた合意が拘束力を持つのに対して、非協力ゲームにおいてはプレイヤーがコミュニケーションをとることが出来ず合意は拘束力を持たない[34]。このように当初はプレイヤー間のコミュニケーションと拘束力のある合意（英: enforceable agreement）の有無によって協力ゲームと非協力ゲームとが区別されていたが、非協力ゲームの研究が進展するにつれてこのような区別は不十分なものとなった。すなわち、1970年代に非協力ゲームを「展開形ゲーム」で表現する理論が発達したことによって、非協力ゲームにおけるプレイヤー間のコミュニケーションが情報集合として記述
多世界から生まれた計算機
現在のスーパーコンピューターをもってしても何億年もかかる計算を一瞬のうちに解いてしまうとされる「量子コンピューター」。世界の先進的な大学や企業が研究にしのぎを削る注目分野だ。 量子コンピューターは「ミクロ世界で生じる状態の重ね合わせを利用して計算するから速いのだ」と，一般には説明されている。しかし，基礎理論を構築した英国の物理学者ドイチュ（David Deutsch）にいわせると，量子コンピューターは「多数の並行宇宙を使って計算する計算機」だ。「その能力の源泉は，膨大な数の並行宇宙で計算を分担する点にある」。この言葉からもわかるように，エヴェレットの多世界解釈なしにはドイチュの発想もなかったといえる。 現在のコンピューターのプロセッサーをいかに高速化してたくさんつなげても，量子コンピューターにはならない。「計算する」ということそのものを，現在のコンピューターとはまるで違う視点からとらえたユ
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
misatopology.com
TechCrunch | Startup and Technology News
SCILAB 日本語ページ