Explore les transporteurs comme une alternative pratique au transport parallèle, en discutant des exigences minimales, des exemples avec des matrices, des choix pragmatiques et des algorithmes d'optimisation.
Explore les gradients conjugués tronqués pour résoudre le sous-problème de la région de confiance dans l'optimisation sur les collecteurs efficacement.
Explore les conditions d'optimalité nécessaires et suffisantes pour les minima locaux sur les collecteurs, en mettant l'accent sur les points critiques de deuxième ordre.
Explore l'optimisation pratique en utilisant Manopt pour les collecteurs, couvrant les contrôles de gradient, les erreurs d'approximation, et les calculs Hessian.
Explore la convexité géodésique et son extension à l'optimisation sur les collecteurs, soulignant la préservation du fait clé que les minima locaux impliquent des minima globaux.
Explore les méthodes de descente des gradients pour optimiser les fonctions sur les collecteurs, en mettant l'accent sur les petites garanties de gradient et la convergence globale.
Explore la méthode de Newton pour optimiser les fonctions sur les collecteurs à l'aide d'informations de deuxième ordre et discute de ses inconvénients et de ses corrections.
Explore des méthodes d'optimisation telles que la descente de gradient et les sous-gradients pour la formation de modèles d'apprentissage automatique, y compris des techniques avancées telles que l'optimisation d'Adam.
Discute de la descente de gradient stochastique et de son application dans l'optimisation non convexe, en se concentrant sur les taux de convergence et les défis de l'apprentissage automatique.
Explore les connexions sur les collecteurs, en mettant l'accent sur la définition axiomatique et les propriétés des dérivés dans les champs vectoriels de différenciation.
Couvre les concepts d'homéomorphismes locaux et de couvertures en multiples, en mettant l'accent sur les conditions dans lesquelles une carte est considérée comme un homéomorphisme local ou une couverture.
