数学

【数学】しーたくん(まるた)

■【数学】しーたくん(まるた)
／▼／■【RSS】【数学】しーたくん(まるた)

■東大数学科にきいてみた！【代数・トロピカル幾何編】
■数学科にきいてみた！【解析・多変数複素解析編】
■東大数学科にきいてみた！【幾何・複素幾何編】
■東大数学科にきいてみた！【代数・数論幾何編】
■東大数学科にきいてみた！【応用数学・暗号編】
■東大数学科にきいてみた！【解析・確率論編】
■東大数学科にきいてみた！【幾何・位相幾何(トポロジー)編】
■東大数学科にきいてみた！【代数・数論編】
■複素数平面を得意になろう！【東大2017-3】
■無限級数の定義と具体例【極限§1.3①】
■複素数平面を得意になろう！【東大2016-4】
■高校数学を学ぶ上で意識すべきこと
■極限の発散の"スピード"【極限§1.2⑤】
■等比数列の極限【極限§1.2④】
■はさみうちの原理と追い出しの原理【極限§1.2③】
■多項式・有理関数・ルートの入った式に関する不定形の解消【極限§1.2②】
■不定形とは何か【極限§1.2①】
■数列の極限の基本【極限§1.1】
■線型計画法も逆像法　【多変数関数の最大・最小5】
■実質2変数の最大・最小は一文字ずつ動かす！【多変数関数の最大・最小4】
■対称性に注目！！x+yとxyを見たら気をつけることいえば…【多変数関数の最大・最小3】
■パラメータ表示すると… 【多変数関数の最大・最小2】
■入試頻出！多変数関数の問題へのアプローチ【多変数関数の最大・最小1】
■自然数の順序を定義する【§4 自然数の順序】
■掛け算とは何か？【§3 自然数の乗法】
■ねじれの位置にある条件？【京大2024-3】
■集合の考え方をもっと高校数学で使いたい！方程式編
■足し算は何故入れ替えて良いのか【§2.2 自然数の加法の性質】
■1+1=2の証明！？自然数の足し算をどう定義するか 【§2.1 自然数の加法の定義】
■ペアノ系は本質的にひとつ【§1.3 写像の再帰的定義】
■自然数を実際に作ってみる【§1.2 自然数の集合論的構成】
■自然数ってなんだろう？【§1.1ペアノの公理】
■駒場祭で東大数学科の学生主催の企画「ますらぼ」を行います
■ベクトル講義特別編：すごくシンプルに解けちゃう京大の問題
■ベクトル授業第１３回：空間ベクトルの重要問題演習
■ベクトル講義第１２回：空間ベクトルの平面と似ているところ・違うところ
■ベクトル講義第１１回：数2の図形と方程式の内容をベクトルでやる
■ベクトル講義第１０回：xy平面をベクトルから考えてみる
■ベクトル講義第９回：ベクトルの等式が与えられたときは？＆三角形の面積のベクトル表示
■ベクトル講義第８回：外心の問題をベクトルでやってみよう
■ベクトル講義第７回：演習回やで！
■ベクトル講義第６回：位置ベクトルとか比の条件とか
■ベクトル講義第５回：ベクトルでとっても大事な感覚
■ベクトル講義第４回：内積のあれこれ
■ベクトル講義第３回：大きさ・向きの表し方
■ベクトル講義第２回：ベクトルの足し算・引き算・実数倍
■ベクトル講義第１回：ベクトルとは？
■数学の勉強法についてただ話す
■東大に受かるための勉強法とは？
■体積を求める問題はこの性質に注意せよ【東大2017】
■体積積分を得点源に【東大2020】
■定数の扱い方、きちんとわかっていますか？
■ベクトルのお気持ち
■とりうる値の範囲を求めよと言われたら？
■和と積の形を見たら…？
■接線の本数は〇〇を数える！【根幹§8-6】
■通過領域を逆像法(逆手流) で解いてみる【根幹§8-5】
■軌跡も領域も同じ！ 【根幹§8-4】
■交点の軌跡は、、、 【根幹§8-3】
■媒介変数で表された軌跡の問題 【根幹§8-2】
■軌跡の問題を実際に解いてみよう！ 【根幹 §8-1】
■軌跡・領域への苦手感をなくすために 【根幹§8-0】
■数学が苦手な人ほど同値変形をしよう！ 【根幹§0-2】
■受験数学の超基本！まず最初に考えることは？ 【根幹 §0-1】
■最大値･最小値問題の解法③ ～実質一変数の問題2～
■最大値･最小値問題の解法② ～実質一変数の問題1～
■最大値･最小値問題の解法① ～2つの考え方～
■【共通テスト対策】数列編③
■【共通テスト対策】数列編②
■【共通テスト対策】数列編①
■【共通テスト対策】 微積編
■【演習】漸化式② ～実際にやってみる編～
■【まとめ】漸化式① ～漸化式を解くために～
■【演習】2次方程式の共通解を求めるときに1番大事なことは？
■【演習】必要十分な(過不足のない)解答とは
■数学夏祭り 5日目！！！！！
■数学夏祭り 4日目！！！！
■数学夏祭り 3日目！！！
■数学夏祭り 2日目！！
■数学夏祭り 1日目！
■【演習】見慣れない漸化式の一般項は？
■【演習】出たら得点源！確率漸化式の解き方
■数学A 確率番外編 同様に確からしいとは
■【演習】有名な不等式は実質すべておなじ！
■【まとめ】平面ベクトル テスト前にでも
■【演習】剰余の定理の問題の汎用性の高い解き方とは
■【演習】汎用性の高いファクシミリの原理
■【演習】逆像法(逆手流)って結局何をしているの？
■【演習】整式の除法を最も早く計算する方法
■【演習】二次関数の最大・最小値を求めるのに場合分けはいらない！
■数学が苦手な人にチャートをお勧めできない理由

【ITと数学｜YouTube】データサイエンス研究所

■【ITと数学｜YouTube】データサイエンス研究所
／▼／■【RSS】【ITと数学｜YouTube】データサイエンス研究所

■【ゼロから丁寧に始めるpython#9】オブジェクトの特徴
■【ゼロから丁寧に始めるpython#8】クラスと属性
■【ゼロから丁寧に始めるpython#7】関数と引数
■【ゼロから丁寧に始めるpython#6】制御フロー
■【ゼロから丁寧に始めるpython#5】複数の値を持つデータ型
■【ゼロから丁寧に始めるpython#4】基本的なデータ型
■【ゼロから丁寧に始めるpython#3】Terminalとpath
■【ゼロから丁寧に始めるpython#2】インストールと環境構築
■【ゼロから丁寧に始めるpython#1】pythonの概要
■【Dockerの基礎#9】Jupiter Lab環境の構築
■【Dockerの基礎#8】LAMP環境の構築
■【Dockerの基礎#7】Docker Compose
■【Dockerの基礎#6】Dockerfile
■【Dockerの基礎#5】Network
■【Dockerの基礎#4】マウントとVolume
■【Dockerの基礎#3】コンテナのライフサイクル
■【Dockerの基礎#2】Dockerの概要
■【Dockerの基礎#1】Dockerと仮想環境
■【ゼロから始めるGitとGithub#9】Githubの基礎知識
■【ゼロから始めるGitとGithub#8】Githubでチーム開発
■【ゼロから始めるGitとGithub#7】README.md
■【ゼロから始めるGitとGithub#6】Githubの基礎
■【ゼロから始めるGitとGithub#5】Gitの開発フロー
■【ゼロから始めるGitとGithub#4】ブランチとマージ
■【ゼロから始めるGitとGithub#3】ファイルの状態とgitignore
■【ゼロから始めるGitとGithub#2】Gitの基礎
■【ゼロから始めるGitとGithub#1】GitとGithubの基礎
■【BootstrapでWebアプリデザイン#7】BootstrapでWebアプリデザイン
■【BootstrapでWebアプリデザイン#6】さまざまなデザイン
■【BootstrapでWebアプリデザイン#5】Formのデザイン
■【BootstrapでWebアプリデザイン#4】ボタンのデザイン
■【BootstrapでWebアプリデザイン#3】表示のデザイン
■【BootstrapでWebアプリデザイン#2】テキストのデザイン
■【BootstrapでWebアプリデザイン#1】Bootstrapの基礎
■【FlaskでWebアプリ作成#11】画像生成アプリ
■【FlaskでWebアプリ作成#10】物体検知アプリ
■【FlaskでWebアプリ作成#9】単回帰分析アプリ
■【FlaskでWebアプリ作成#8】偏差値計算アプリ
■【FlaskでWebアプリ作成#7】簡単なWebアプリ作成
■【FlaskでWebアプリ作成#6】画像とプロットの利用
■【FlaskでWebアプリ作成#5】関数の利用
■【FlaskでWebアプリ作成#4】Formの利用
■【FlaskでWebアプリ作成#3】HTMLとCSS
■【FlaskでWebアプリ作成#2】Flaskの導入
■【FlaskでWebアプリ作成#1】Flaskの概要
■【強化学習⑩】DQN
■【強化学習⑨】SARSA
■【強化学習⑧】Q-learning
■【強化学習⑦】モンテカルロ法（実装）
■【強化学習⑥】モンテカルロ法とTD法（理論）
■【強化学習⑤】価値反復法
■【強化学習④】方策反復法
■【強化学習③】ベルマン方程式と動的計画法
■【強化学習②】環境とエージェント
■【強化学習①】強化学習の概要
■【統計的因果推論⑩】欠損データ処理と因果推論
■【統計的因果推論⑨】機械学習と因果推論
■【統計的因果推論⑧】DIDとCausal Impact
■【統計的因果推論⑦】回帰不連続デザイン（RDD）
■【研究室あるある】すぐホワイトボードを使って説明する奴 #Shorts
■【統計的因果推論⑥】操作変数法とノンコンプライアンス
■【研究室あるある】入りたてと1年後、眠い時の違い #Shorts
■【統計的因果推論⑤】傾向スコア
■【統計的因果推論④】回帰分析の利用
■【統計的因果推論③】反事実モデルと因果効果
■【統計的因果推論②】因果推論で扱う確率の基礎
■【統計的因果推論①】統計的因果推論とは？
■【Rでベイズ統計モデリング#22】DGLM（ポアソン分布）
■【Rでベイズ統計モデリング#21】DGLM（ベルヌーイ分布）
■【Rでベイズ統計モデリング#20】周期性のモデル化
■【Rでベイズ統計モデリング#19】ローカル線形トレンドモデル
■【Rでベイズ統計モデリング#18】時変系数モデル
■【Rでベイズ統計モデリング#17】ローカルレベルモデル
■【Rでベイズ統計モデリング#16】Rで状態空間モデルの概要
■【初心者でも分かるデータサイエンス⑥】学習のロードマップ
■【初心者でも分かるデータサイエンス⑤】データから見るデータサイエンス
■【初心者でも分かるデータサイエンス④】タスクから見るデータサイエンス
■【初心者でも分かるデータサイエンス概論③】データサイエンスのさまざまな分野
■【初心者でも分かるデータサイエンス概論②】データサイエンティストとは？？
■【初心者でも分かるデータサイエンス概論①】データサイエンスとは？？？
■【Rでベイズ統計モデリング♯15】ランダム係数モデル（brms）
■【Rでベイズ統計モデリング♯14】ランダム係数モデル
■【Rでベイズ統計モデリング#13】ランダム切片モデル2（brms）
■【Rでベイズ統計モデリング#12】ランダム切片モデル2
■【Rでベイズ統計モデリング#11】ランダム切片モデル1（brms）
■【Rでベイズ統計モデリング#10】ランダム切片モデル1
■【Rでベイズ統計モデリング#9】RでGLMMの概要
■【Rでベイズ統計モデリング#8】ロジスティック回帰（brms）
■【Rでベイズ統計モデリング#7】ロジスティック回帰モデル
■【Rでベイズ統計モデリング#6】ポアソン回帰モデル（brms）
■【Rでベイズ統計モデリング#5】ポアソン回帰モデル
■【Rでベイズ統計モデリング#4】正規線形モデル（brms）
■【Rでベイズ統計モデリング#3】正規線形モデル
■【Rでベイズ統計モデリング#2】RでGLMの概要
■【Rでベイズ統計モデリング#1】Stanのインストールと基礎
■【Rでベイズ統計学#10】多次元ガウス分布のベイズ推定（μ,Λ）
■【Rでベイズ統計学#9】多次元ガウス分布のベイズ推定（Λ）
■【Rでベイズ統計学#8】多次元ガウス分布のベイズ推定（μ）
■【Rでベイズ統計学#7】ガウス分布のベイズ推定（μ,λ）
■【Rでベイズ統計学#6】ガウス分布のベイズ推定（λ）
■【Rでベイズ統計学#5】ガウス分布のベイズ推定（μ）
■【Rでベイズ統計学#4】ポアソン分布のベイズ推定
■【Rでベイズ統計学#3】カテゴリ分布のベイズ推定
■【Rでベイズ統計#2】ベルヌーイ分布のベイズ推定
■【Rでベイズ統計学#1】Rでベイズ統計学概要
■【pytorchで深層生成モデル#13】学習テクニックのまとめ（DCGAN）
■【pytorchで深層生成モデル#12】画像データセットの作成（DCGAN）
■【pytorchで深層生成モデル#11】画像データの保存（DCGAN）
■【pytorchで深層生成モデル#10】モデルの保存（DCGAN）
■【pytorchで深層生成モデル#9】モデルの確認（DCGAN）
■【pytorchで深層生成モデル#8】pytorchでCGAN
■【pytorchで深層生成モデル#7】pytorchでDCGAN
■【pytorchで深層生成モデル#6】pytorchでGAN
■【pytorchで深層生成モデル#5】pytorchでVAE
■【pytorchで深層生成モデル#4】pytorchでAE
■【pytorchで深層生成モデル#3】Google colaboratoryの概要と制限
■【pytorchで深層生成モデル#2】GPUの種類と性能
■【pytorchで深層生成モデル#1】概要
■【深層生成モデル#7】CGAN
■【深層生成モデル#6】DCGAN
■【深層生成モデル#5】敵対的生成ネットワーク（GAN）
■【深層生成モデル#4】変分オートエンコーダ（VAE）
■【深層生成モデル#3】オートエンコーダ（AE）
■【深層生成モデル#2】概要（理論編）
■【深層生成モデル#1】概要
■【pytorchでニューラルネットワーク#11】GPUの利用方法（CNN）
■【pytorchでニューラルネットワーク#10】CNN
■【pytorchでニューラルネットワーク#9】正則化
■【pytorchでニューラルネットワーク#8】クラス
■【pytorchでニューラルネットワーク#7】ニューラルネットワーク（Sequential）
■【pytorchでニューラルネットワーク#6】DatasetとDateLoaderの扱い
■【pytorchでニューラルネットワーク#5】単回帰分析（pytorch）
■【pytorchでニューラルネットワーク#4】パラメータ更新（optimizer）
■【pytorchでニューラルネットワーク#3】自動微分（backward）
■【pytorchでニューラルネットワーク#2】テンソルの基礎
■【pytorchでニューラルネットワーク#1】概要
■【PythonでCNN#9】CNN
■【PythonでCNN#8】Pooling層
■【PythonでCNN#7】Convolutional層（逆伝播）
■【PythonでCNN#6】col2im関数
■【PythonでCNN#5】Convolutional層（順伝播）
■【PythonでCNN#4】im2col関数（チャンネル数とバッチサイズ）
■【PythonでCNN#3】im2col関数（paddingとstride）
■【PythonでCNN#2】im2col関数
■【PythonでCNN#1】PythonでCNN概要
■【Pythonでニューラルネットワーク#12】ニューラルネットワーク（batchNormalization）
■【Pythonでニューラルネットワーク#11】ニューラルネットワーク（Dropout）
■【Pythonでニューラルネットワーク#10】ニューラルネットワーク（多値分類）
■【Pythonでニューラルネットワーク#9】線形変換と活性化関数と損失関数
■【Pythonでニューラルネットワーク#8】単回帰分析（trainデータとtestデータ）
■【Pythonでニューラルネットワーク#7】単回帰分析（クラスの利用）
■【Pythonでニューラルネットワーク#6】単回帰分析（パラメータ更新）
■【Pythonでニューラルネットワーク#5】単回帰分析（誤差逆伝播）
■【Pythonでニューラルネットワーク#4】単回帰分析（ミニバッチ・SGD）
■【Pythonでニューラルネットワーク#3】単回帰分析（勾配降下法）
■【Pythonでニューラルネットワーク#2】単回帰分析
■【Pythonでニューラルネットワーク#1】概要
■【Pythonの基礎#5】クラス
■【Pythonの基礎#4】for文とif文と自作関数
■【Pythonの基礎#3】データの可視化（matplotlib）
■【Pythonの基礎#2】データの扱い（numpy）
■【Pythonの基礎#1】pythonのインストールと基本
■【Rで多変量解析#14】構造方程式モデリング（SEM）
■【Rで多変量解析#13】パス解析
■【Rで多変量解析#12】確認的因子分析
■【Rで多変量解析#11】探索的因子分析
■【Rで多変量解析#10】数量化3類
■【Rで多変量解析#9】数量化2類
■【Rで多変量解析#8】数量化1類
■【Rで多変量解析#7】クラスター分析（k-means法）
■【Rで多変量解析#6】クラスター分析（階層型クラスタリング）
■【Rで多変量解析#5】主成分分析
■【Rで多変量解析#4】マハラノビスの距離
■【Rで多変量解析#3】判別分析（線形判別分析）
■【Rで多変量解析#2】重回帰分析
■【Rで多変量解析#1】単回帰分析
■【多変量解析#15】構造方程式モデリング（SEM）
■【多変量解析#14】パス解析
■【多変量解析#13】確認的因子分析
■【多変量解析#12】探索的因子分析
■【多変量解析#11】数量化3類
■【多変量解析#10】数量化2類
■【多変量解析#9】数量化1類
■【多変量解析#8】クラスター分析（k-means法）
■【多変量解析#7】クラスター分析（階層型クラスタリング）
■【多変量解析#6】主成分分析
■【多変量解析#5】判別分析（マハラノビスの距離）
■【多変量解析#4】判別分析（線形判別分析）
■【多変量解析#3】重回帰分析
■【多変量解析#2】単回帰分析
■【多変量解析#1】多変量解析の概要
■【RStudioで自動レポート作成#9】pdfの利用
■【RStudioで自動レポート作成#8】インタラクティブの使用
■【RStudioで自動レポート作成#7】テンプレートの作成
■【RStudioで自動レポート作成#6】Rコードの利用
■【RStudioで自動レポート作成#5】Tex（テフ）コードの利用
■【対談#5】データサイエンスのややこしさについて
■【RStudioで自動レポート作成#4】CSSコードの利用
■【RStudioで自動レポート作成#3】HTMLコードの利用
■【RStudioで自動レポート作成#2】マークダウン記法
■【RStudioで自動レポート作成#1】RMarkdownの基本
■【Rで統計学#9】相関係数の検定と独立性の検定
■【Rで統計学#8】分散分析
■【Rで統計学#7】母平均の差の検定
■【Rで統計学#6】区間推定
■【対談4】RとPythonどちらを使うべきなのか？
■【Rで統計学#5】点推定
■【Rで統計学#4】データの標準化と偏差値
■【Rで統計学#3】確率分布
■【紹介動画】データサイエンス研究所ではどんなことをしているのか？
■【Rで統計学#2】2次元データの記述統計
■【Rの統計学#1】1次元データの記述統計
■【R言語の基礎#5】データの結合（join系とbind系）
■【R言語の基礎#4】データの可視化（ggplot）
■【R言語の基礎#3】データの整理（dplyr）
■【対談3】データサイエンスを学ぶ上で知っておきたい知識
■【R言語の基礎#2】データの作成と保存
■【R言語の基礎#1】RとRstudioの基本
■【データサイエンスで使う統計学#16】相関係数の検定と独立性の検定
■【データサイエンスで使う統計学#15】分散分析
■【データサイエンスで使う統計学#14】母平均の差の検定
■【データサイエンスで使う統計学#13】統計的仮説検定
■【データサイエンスで使う統計学#12】区間推定
■【対談#2】データサイエンスを知ったきっかけ？
■【データサイエンスで使う統計学#11】点推定（不偏推定量と最尤推定法）
■【データサイエンスで使う統計学#10】推測統計学の概要
■【データサイエンスで使う統計学#9】いろいろ確率分布
■【データサイエンスで使う統計学#8】データの標準化と偏差値
■【データサイエンスで使う統計学#7】2変数の確率変数の性質
■【データサイエンスで使う統計学#6】確率変数の期待値と分散
■【データサイエンスで使う統計学#5】確率変数と確率分布
■【統計学#4】確率の基礎
■【統計学#3】2次元データの記述統計
■【統計学#2】データの種類と1次元データの記述統計
■【データサイエンスで使う統計学#1】統計学の概要
■【微積分と最適化数学#16】いろいろな積分と統計学
■【微積分と最適化数学#15】積分と統計学
■【微積分と最適化数学#14】ラグランジュの未定乗数法とKKT条件
■【微積分と最適化数学#13】ニュートン・ラフソン法
■【微積分と最適化数学#12】勾配降下法
■【微積分と最適化数学#11】偏微分と勾配
■【微積分と最適化数学#10】テイラー展開とマクローリン展開
■【微積分と最適化数学#9】関数の増減と極大・極小
■【微積分と最適化数学#8】積と商と合成関数の微分
■【微積分と最適化数学#7】指数関数・対数関数の微分
■【微積分と最適化数学#6】ネイピア数とその性質
■【微積分と最適化数学#5】指数関数・対数関数の微分
■【微積分と最適化数学#4】多項式とその微分
■【微積分と最適化数学#3】極限と連続と微分
■【微積分と最適化数学#2】いろいろな関数
■【微積分と最適化数学#1】概要
■【データサイエンスで使う線形代数#12】主成分分析
■【データサイエンスで使う線形代数#11】単回帰分析と重回帰分析
■【データサイエンスで使う線形代数】二次形式と単位固有ベクトル
■【データサイエンスで使う線形代数#9】一次形式と二次形式
■【データサイエンスに使う線形代数#8】直交行列と対称行列
■【データサイエンスで使う線形代数#7】固有値と固有ベクトル
■【データサイエンスで使う線形代数#6】一次変換
■【対談1】「なぜYouTubeを始めようと思ったのか？」
■【データサイエンスで使う線形代数#5】連立方程式の解と行基本変形
■【データサイエンスで使う線形代数#4】行列と連立方程式
■【データサイエンスで使う線形代数#3】データと行列の基礎
■【データサイエンスで使う線形代数#2】データとベクトルの基礎
■【データサイエンスで使う線形代数#1】データサイエンスに使う線形代数概要
■【ベイズ機械学習#16】変分オートエンコーダ（VAE)
■【ベイズ機械学習#15】ベイズニューラルネットワーク
■【ベイズ機械学習#14】多項ロジスティック回帰
■【ベイズ機械学習#13】テンソル分解
■【ベイズ機械学習#12】トピックモデル（LDA）
■【ベイズ機械学習#11】隠れマルコフモデル（HMM）
■【ベイズ機械学習#10】非負値行列因子分解（NMF）
■【ベイズ機械学習#9】線形次元削減
■【ベイズ機械学習#8】混合ガウスモデルと変分推論
■【ベイズ機械学習#7】混合ガウスモデルとギブスサンプリング
■【ベイズ機械学習#6】EMアルゴリズムと変分下界と変分推論
■【ベイズ機械学習#5】混合ガウスモデルとEMアルゴリズム（多次元）
■【ベイズ機械学習#4】エントロピーとKLダイバージェンス
■【ベイズ機械学習#3】近似推論
■【ベイズ機械学習#2】線形回帰
■【ベイズ機械学習#1】ベイズ機械学習の概要
■【ベイズ統計学#17】多次元ガウス分布のベイズ推定(μ,Λ)
■【ベイズ統計学#16】多次元ガウス分布のベイズ推定(Λ)
■【ベイズ統計学#15】多次元ガウス分布のベイズ推定(μ)
■【ベイズ統計モデリング#20】動的一般化線形モデル（ポアソン分布）
■【ベイズ統計モデリング#19】動的一般化線形モデル（ベルヌーイ分布）
■【ベイズ統計モデリング#18】周期性のモデル化
■【ベイズ統計モデリング#17】ローカル線形トレンドモデル
■【ベイズ統計モデリング#16】時変係数モデル
■【ベイズ統計モデリング#15】ローカルレベルモデル
■【ベイズ統計モデリング#14】状態空間モデル
■【ベイズ統計モデリング#13】ランダム係数モデル
■【ベイズ統計モデリング#12】ランダム切片モデル2
■【ベイズ統計モデリング#11】ランダム切片モデル
■【ベイズ統計モデリング#10】一般線形混合モデル（GLMM）の概要
■【ベイズ統計モデリング#9】ロジスティック回帰モデル
■【ベイズ統計モデリング#8】ポアソン回帰
■【ベイズ統計モデリング#7】重回帰モデル
■【ベイズ統計モデリング#6】分散分析モデル
■【ベイズ統計モデリング#5】単回帰モデル
■【ベイズ統計モデリング#4】一般化線形モデル（GLM）の概要
■【ベイズ統計モデリング#3】MCMCサンプルの扱いについて
■【ベイズ統計モデリング#2】MCMC法
■【ベイズ統計モデリング#1】概要
■【ニューラルネットワーク#12】畳み込みニューラルネットワーク（CNN）チャンネルありver
■【ニューラルネットワーク#11】畳み込み（CNN）ニューラルネットワーク
■【ニューラルネットワーク#10】過学習と正則化
■【ニューラルネットワーク#9】モデルの表現力と勾配消失
■【ニューラルネットワーク#8】最適化手法の種類
■【ニューラルネットワーク#7】ミニバッチ学習と確率的勾配降下法
■【ニューラルネットワーク#6】誤差逆伝播法
■【ニューラルネットワーク#5】勾配法
■【ニューラルネットワーク#4】多値分類
■【ニューラルネットワーク#3】2値分類
■【ニューラルネットワーク#2】ニューラルネットワーク（回帰）
■【ニューラルネットワーク#1】ニューラルネットワークの概要
■【機械学習#10】混合ガウスモデルとEMアルゴリズム
■【機械学習#9】階層型クラスタリング
■【機械学習#8】k-means法
■【機械学習#7】主成分分析
■【機械学習#6】k最近傍法
■【機械学習#5】サポートベクタマシン
■【機械学習#4】ロジスティック回帰
■【機械学習#3】単回帰分析
■【機械学習#2】機械学習モデル概要
■【機械学習#1】AI・機械学習の概要
■【ベイズ統計学#14】ガウス分布のベイズ推定(μ,λ)
■【ベイズ統計学#13】ガウス分布のベイズ推定(λ)
■【ベイズ統計学#12】ガウス分布のベイズ推定(μ)
■【ベイズ統計学#11】ポアソン分布のベイズ推定
■【ベイズ統計学#10】カテゴリ分布のベイズ推定
■【ベイズ統計学#9】ベルヌーイ分布のベイズ推定
■【ベイズ統計学#8】予測分布について
■【ベイズ統計学#7】グラフィカルモデルとベイズの定理
■【ベイズ統計学#6】共役事前分布と無情報事前分布
■【ベイズ統計学#5】ベイズ推定と事前分布の設定について
■【ベイズ統計学#4】ベイズ推定とMAP推定と最尤推定法
■【ベイズ統計学#3】ベイズ推定について
■【ベイズ統計学#2】ベイズ統計学と推測統計学は何が違うの？
■【ベイズ統計学#1】ベイズ統計学の歴史と基本的な考え方
■【統計学#12】検定について
■【統計学#11】最尤推定法
■【統計学#10】推定について
■【統計学#9】正規分布について
■【統計学#8】二項分布について
■【統計学#7】ベルヌーイ分布について
■【統計学#6】離散一様分布と連続一様分布
■【統計学#5】データの標準化
■【統計学#4】確率変数の期待値と分散
■【統計学#3】確率変数と確率分布の極意
■【統計学#2】データを正しく読むための記述統計学
■【統計学#1】今話題の統計学について

よろずやマルシェの［A5判コピー用紙］10束１箱

■よろずやマルシェ本店 | 【送料無料】コピー用紙 スーパーエコー A5 5000枚【他商品と同時購入不可】: 文房具・オフィス用品 －食品・日用品から百均まで個人向け通販
■よろずやマルシェ本店 | 【送料無料】キラット コピー用紙 スーパーホワイトペーパー 高白色 A5 5000枚（500枚×10冊）【他商品と同時購入不可】: 文房具・オフィス用品 －食品・日用品から百均まで個人向け通販

よろずやマルシェのクレジット決済はデビットカード（15歳以上で発行可能）

高校1年生（15歳～16歳）以上なら、デビットカード（15歳以上で発行可能）がつくれる。

デビットカードの引落先となる［自分の銀行口座（ネット銀行）］と［デビットカード（VISAまたはMastercardがよい）］をつくろう。

低スペックPCでも、アルゴリズムによって、パワフルな機能が実現できる｜マネジメントと現場

■「組織の作り方とは」第1294話 #shi3zさんと本音トーク
■【宮﨑駿ブチギレ】宮﨑駿がドワンゴ川上に大激怒
■『アニメ職人』
■ひきこもりおさん

■清水 亮 - Google 検索
■樋口真嗣 - Google 検索
■【IT】Ryo Shimizu
／▼／■【RSS】【IT】Ryo Shimizu

■山下いくと - Google 検索

経済原則としては［人材としての稀少きしょう性が高いこと］≈［代替だいたい（replaceableリプレイサブルである）可能性が低いこと］［参入障壁が高いこと］が解雇されづらい人材

最も大きなトレンドは、星回りが決める。 つまり、占星学をよく学び、いまというこの時代が、どのような天体的トレンドにあるのかを、よくわきまえて、その中で人生展開を考えていく必要がある。

［古い時代］は、ピラミッド構造の組織をつくって支配する者たちが活躍した時代であった。

そして、現在私たちが経験している、［新しい時代］は、上下関係のない、フラットでイーヴンな人間関係が基調となる時代である。