質問日時: 2004/02/20 01:15 回答数: 3 件 稚拙な質問ですいません。 有機物の定義とはなんでしょうか? 無機物とどこで線が引かれるのでしょうか? 有機化学と無機化学の違いはなんですか? 有機物と無機物の違い 中学生. 髪の毛は有機物?無機物? ご教授ください No. 1 ベストアンサー 回答者: daito 回答日時: 2004/02/20 01:26 有機物とは基本的に生物が作るもので炭素原子を含む物質です。 また、それらから派生するような人工的で炭素を含む化合物も有機物です。ただ、一酸化炭素や二酸化炭素は炭素原子を含みますが無機物に分類されます。 無機物とは水や空気や金属など生物に由来しない物質です。 242 件 この回答へのお礼 ご回答有り難うございました 参考になりました お礼日時:2004/02/20 01:32 #2です。 訂正。燃やせば、最低でも水(水蒸気)と二酸化炭素ができる化合物(又はそれのあつまり、髪の毛もできます)です。 本当は#1さんの方がいいかもしれませんがこういう考え方もあるよということで。 74 有機物は、ものすごく単純に言えば、燃やせば水(水蒸気)と二酸化炭素が最低でもできるものです。 髪の毛には硫黄が入っているので有機物ですが燃やせば二酸化硫黄ができます(だから燃やしたらくさいです>_< )。 有機化学と無機化学の違いは単純です。有機化学は無機化学の一分野だと思っていただければいいです。 68 この回答へのお礼 とても良く分かりました ありがとうございました お礼日時:2004/02/20 01:34 お探しのQ&Aが見つからない時は、教えて! gooで質問しましょう!
質問日時: 2012/02/06 18:33 回答数: 3 件 有機物と無機物の違いは 有機物…加熱すると火が付く 無機物…加熱しても燃えない で合ってるでしょうか? また有機物と無機物の物質の例をお願いします! (有機物…砂糖・木 などこんな感じで) No. 1 ベストアンサー 回答者: nezusuke 回答日時: 2012/02/06 20:02 有機物は 燃えると二酸化炭素を発生する物質、加熱すると黒くこげて炭になる物質です。 無機物は それ以外の物質です。 無機物でも 燃えます。 分かりやすい例では スチールウール、マグネシウムリボンは 激しく燃えますが無機物です。 水素も爆発的に燃えますが無機物ですね。 有機物の例、、、砂糖・ろう・プラスチック・エタノール・木・紙・プロパンなど 無機物の例、、、ガラス・鉄・アルミニウム・水・食塩・二酸化炭素・水素・酸素など ご参考になれば幸いです。 9 件 この回答へのお礼 いっぱいありがとうございます!! 助かります^^ 分かりやすかったです★ これでテスト頑張れそうです♪ お礼日時:2012/02/06 20:19 No. 有機物と無機物の違い 簡単に. 3 yespanyong 回答日時: 2012/02/06 21:07 元々の意味合いは、 有機物……生物に由来する物質 無機物……鉱物に由来する物質 でした。 石油、石炭、天然ガスなどは生物由来ではないように思うかもしれませんが、化石燃料という呼び名がある通り太古の動植物の化石がもとになっている有機物です。 とある化学者が、あるときシアン酸アンモニウム(無機物)を加熱するだけで尿素(有機物)を作り出してしまった瞬間から、この定義は必ずしも正しいものではなくなってしまいましたが、大抵の場合はこの判断基準がそのまま当てはまることが多いのではないでしょうか。 そういうわけで、もし迷うことがあったら、 有機物←動植物由来の物質(石油、石炭、天然ガスおよびそれらに由来する物質も含む) 無機物←それ以外の物質 のどちらに分類されるかをよく考えてみればいいのではないかと思います。 4 いろいろありがとうございます^^ 有機物と無機物の区別 なんとか出来そうです!! お礼日時:2012/02/06 21:16 No. 2 K-MC 回答日時: 2012/02/06 20:04 どのレベルの質問なのかが微妙ですが、中学校の教育レベルで言えば、有機物は炭素を含む化合物(例外あり)で、無機物はそれ以外。 例外というのは、二酸化炭素とか一酸化炭素のような単純構造の分子です。 木が有機物というより、有機物で構成されているという方が正しいかな。 燃える燃えないは関係ないです。 2 中学生レベルです!
カテゴリ:一般 発行年月:2010.8 出版社: コロナ社 サイズ:21cm/211p 利用対象:一般 ISBN:978-4-339-02751-8 国内送料無料 紙の本 著者 高村 大也 (著), 奥村 学 (監修) 機械学習を用いた言語処理技術を理解するための基礎的な知識や考え方を解説。クラスタリング、分類、系列ラベリング、実験の仕方などを取り上げ、章末問題も掲載する。【「TRC M... もっと見る 言語処理のための機械学習入門 (自然言語処理シリーズ) 税込 3, 080 円 28 pt あわせて読みたい本 この商品に興味のある人は、こんな商品にも興味があります。 前へ戻る 対象はありません 次に進む このセットに含まれる商品 商品説明 機械学習を用いた言語処理技術を理解するための基礎的な知識や考え方を解説。クラスタリング、分類、系列ラベリング、実験の仕方などを取り上げ、章末問題も掲載する。【「TRC MARC」の商品解説】 著者紹介 高村 大也 略歴 〈高村大也〉奈良先端科学技術大学院大学情報科学研究科博士課程修了(自然言語処理学専攻)。博士(工学)。東京工業大学准教授。 この著者・アーティストの他の商品 みんなのレビュー ( 11件 ) みんなの評価 4. 0 評価内訳 星 5 ( 3件) 星 4 星 3 ( 2件) 星 2 (0件) 星 1 (0件)
分類で出てくるので重要! 1. 2, 1. 3の補足 最尤推定の簡単な例(本書とは無関係) (例)あるコインを5回投げたとして、裏、表、裏、表、表と出ました。このコインの表が出る確率をpとして、pを推定せよ。 (解答例)単純に考えて、5回投げて3回表が出るのだから、$p = 3/5$である。これを最尤推定を用いて推定する。尤度$P(D)$は P(D) &= (1 - p) \times p \times (1-p) \times p \times p \\ &= p^3(1-p)^2 $P(D) = p^3(1-p)^2$が0から1の間で最大となるpを求めれば良い。 そのまま微分すると$dP(D)/dp = p^2(5p^2 - 8p + 3)$ 計算が大変なので対数をとれば$log(P(D)) = 3logp + 2log(1-p)$となり、計算がしやすくなる。 2. 文書および単語の数学的表現 基本的に読み物。 語句の定義や言語処理に関する説明なので難しい数式はない章。 勉強会では唯一1回で終わった章。 3. クラスタリング 3. 2 凝集型クラスタリング ボトムアップクラスタリングとも言われる。 もっとも似ている事例同士を同じクラスタとする。 類似度を測る方法 単連結法 完全連結法 重心法 3. 3 k-平均法 みんな大好きk-means 大雑把な流れ 3つにクラスタリングしたいのであれば、最初に適当に3点(クラスタの代表点)とって、各事例がどのクラスタに属するかを決める。(類似度が最も近い代表点のクラスタに属するとする) クラスタの代表点を再計算する(重心をとるなど) 再度各事例がどのクラスタに属するかを計算する。 何回かやるとクラスタに変化がなくなるのでクラスタリング終わり。 最初の代表点の取り方によって結果が変わりうる。 3. 4 混合正規分布によるクラスタリング k-平均法では、事例が属するクラスタは定まっていた。しかし、クラスタの中間付近に存在するような事例においては、代表点との微妙な距離の違いでどちらかに分けられてしまう。混合正規分布によるクラスタリングでは、確率的に所属するクラスタを決める。 例えば、ある事例はAというクラスタに20%の確率で属し、Bというクラスタに80%の確率で属する・・など。 3. 5 EMアルゴリズム (追記予定) 4. 分類 クラスタリングはどんなクラスタができるかは事前にはわからない。 分類はあらかじめ決まったグループ(クラス)に分けることを分類(classification, categorization)と呼ぶ。クラスタリングと分類は異なる意味なので注意する。 例) 単語を名詞・動詞・形容詞などの品詞に分類する ここでの目的はデータから自動的に分類気を構築する方法。 つまり、ラベル付きデータ D = {(d (1), c (1)), (d (2), c (2)), ・・・, (d (|D|), c (|D|))} が与えられている必要がある。(教師付き学習) 一方、クラスタリングのようにラベルなしデータを用いて行う学習を教師無し学習とよぶ。 4.
4 連続確率変数 連続確率分布の例 正規分布(ガウス分布) ディレクレ分布 各値が互いに近い場合、比較的高い確率を持ち、各値が離れている(偏っている)場合には非常に低い確率を持つ分布。 最大事後確率推定(MAP推定)でパラメータがとる確率分布として仮定されることがある。 p(\boldsymbol{x};\alpha) = \frac{1}{\int \prod_i x_i^{\alpha_i-1}d\boldsymbol{x}} \prod_{i} x_i^{\alpha_i-1} 1. 5 パラメータ推定法 データが与えられ、このデータに従う確率分布を求めたい。何も手がかりがないと定式化できないので、大抵は何らかの確率分布を仮定する。離散確率分布ならベルヌーイ分布や多項分布、連続確率分布なら正規分布やポアソン分布などなど。これらの分布にはパラメータがあるので、確率分布が学習するデータにもっともフィットするように、パラメータを調整する必要がある。これがパラメータ推定。 (補足)コメントにて、$P$と$p$の違いが分かりにくいというご指摘をいただきましたので、補足します。ここの章では、尤度を$P(D)$で、仮定する確率関数(ポアソン分布、ベルヌーイ分布等)を$p(\boldsymbol{x})$で表しています。 1. 5. 1. i. d. と尤度 i. とは独立に同一の確率分布に従うデータ。つまり、サンプルデータ$D= { x^{(1)}, ・・・, x^{(N)}}$の生成確率$P(D)$(尤度)は確率分布関数$p$を用いて P(D) = \prod_{x^{(i)}\in D} p(x^{(i)}) と書ける。 $p(x^{(i)})$にベルヌーイ分布や多項分布などを仮定する。この時点ではまだパラメータが残っている。(ベルヌーイ分布の$p$、正規分布の$\sigma$、ポアソン分布の$\mu$など) $P(D)$が最大となるようにパラメーターを決めたい。 積の形は扱いにくいので対数を取る。(対数尤度) 1. 2. 最尤推定 対数尤度が最も高くなるようにパラメータを決定。 対数尤度$\log P(D) = \sum_x n_x\log p(x)$を最大化。 ここで$n_x$は$x$がD中で出現した回数を表す。 1. 3 最大事後確率推定(MAP推定) 最尤推定で、パラメータが事前にどんな値をとりやすいか分かっている場合の方法。 事前確率も考慮し、$\log P(D) = \log P(\boldsymbol{p}) + \sum_x n_x\log p(x)$を最大化。 ディリクレ分布を事前分布に仮定すると、最尤推定の場合と比較して、各パラメータの値が少しずつマイルドになる(互いに近づきあう) 最尤推定・MAP推定は4章.