#C08 · 微分積分・解析学 (Calculus) · Lv.33Dマインドマップで見る

偏微分と勾配ベクトル (∇f 多変数微分)

Euler, Hamilton & Lagrange · 1846년

\nabla f = \left(\frac{\partial f}{\partial x_1}, \frac{\partial f}{\partial x_2}, \dots, \frac{\partial f}{\partial x_n}\right)

D_{\mathbf{u}}f = \nabla f \cdot \mathbf{u},\quad \Delta f = \nabla^2 f

多変数関数の各軸方向の偏微分を並べた勾配ベクトル∇fは、多次元地形において「最も急激に増加する方向」を指し示す羅針盤です。

🧮 即時公式計算機 & グラフプロッター

座標 x

座標 y

f(x,y)=x^2+2y^2 \implies \nabla f(2,1.5) = (4.0,\; 6.0)

그래디언트 ∇f = (2x, 4y)

(4.0, 6.0)

최대 경사 크기 ||∇f||

7.211

경사하강 방향 -∇f

(-4.0, -6.0)

前提概念ルート (Prerequisite Path) (12 STEP)

ルート解析機

順番にクリックすると基礎から目標公式までの3Dネオン経路を辿れます。

STEP 1#A02乗法公式と因数分解の恒等式

(a+b)^2 = a^2 + 2ab + b^2

STEP 2#A03指数法則と累乗根

a^m \cdot a^n = a^{m+n}

STEP 3#A01等式の性質と一次方程式

ax + b = 0 \implies x = -\frac{b}{a}

STEP 4#G01ピタゴラスの定理 (三平方の定理)

a^2 + b^2 = c^2 \implies c = \sqrt{a^2 + b^2}

STEP 5#L01ベクトルの演算と L1・L2 ノルム・正規化

\|\mathbf{v}\|_2 = \sqrt{\sum_{i=1}^{n} v_i^2}

STEP 6#A06対数の定義と底の変換公式

\log_a(xy) = \log_a x + \log_a y

STEP 7#A08二項定理とパスカルの三角形

(a+b)^n = \sum_{k=0}^{n} \binom{n}{k} a^{n-k} b^k

STEP 8#C01極限の定義とネイピア数 e の誕生

e = \lim_{n \to \infty} \left(1 + \frac{1}{n}\right)^n \approx 2.718281828

STEP 9#G022D・3D座標空間のユークリッド距離公式

d(P

STEP 10#C02微分係数と導関数 (瞬間変化率と接線)

f'(x) = \frac{df}{dx} = \lim_{h \to 0} \frac{f(x+h) - f(x)}{h}

STEP 11#C03積の微分法と合成関数の連鎖律 (Chain Rule)

\frac{dy}{dx} = \frac{dy}{du} \cdot \frac{du}{dx}

STEP 12#C08偏微分と勾配ベクトル (∇f 多変数微分)

\nabla f = \left(\frac{\partial f}{\partial x_1}

🚀 この公式から派生する上位公式 (2)

#P08相関係数と最小二乗線形回帰 (OLS)#P10ソフトマックス関数 (Softmax) と確率的勾配降下法 (SGD)

幾何学的・直観的解説

안개 낀 산에서 가장 빨리 정상으로 올라가려면 발밑의 x축 경사(∂f/∂x)와 y축 경사(∂f/∂y)를 합친 벡터 ∇f 방향으로 걸으면 되고, 가장 빨리 골짜기(오차 최소점)로 내려가려면 반대 방향 -∇f 로 걸으면 됩니다!

ステップ別数式導出

Step 1.1단계: 다변수 함수 f(x, y)에서 y를 상수로 고정하고 x에 대해서만 미분한 값을 편미분 ∂f/∂x 라 합니다.
Step 2.2단계: 단위벡터 u 방향으로의 방향도함수는 연쇄법칙에 의해 D_u f = (∂f/∂x)u_x + (∂f/∂y)u_y = ∇f · u 입니다.
Step 3.3단계: 내적 공식 ∇f · u = ‖∇f‖ cos θ 에 의해 θ = 0° (즉 u가 ∇f와 같은 방향)일 때 변화율이 최대가 됩니다.

AI・プログラミング実戦活用

大規模AIモデルの勾配降下法(-∇L)学習および画像処理のエッジ検出(Sobel勾配フィルタ)

#Gradient Descent -∇L#Computer Vision Sobel#Physics Field ∇

const grad2D = (a:number, b:number, x:number, y:number) => ({ gx: 2*a*x, gy: 2*b*y });

微分積分・解析学 (Calculus) — 同分野の関連公式

極限の定義とネイピア数 e の誕生

Lv.2 · Sigmoid & Softmax

微分係数と導関数 (瞬間変化率と接線)

Lv.2 · Numerical Differentiation

積の微分法と合成関数の連鎖律 (Chain Rule)

Lv.3 · Deep Learning Backprop

微分積分学の基本定理と定積分

Lv.3 · Physics RK4 Integrator

置換積分法と部分積分法

Lv.3 · FEM Physics Sim

テイラー級数とマクローリン展開

Lv.4 · XGBoost 2nd-Order Loss