Introduit Manopt, une boîte à outils pour l'optimisation sur les collecteurs, en se concentrant sur la résolution des problèmes d'optimisation sur les collecteurs lisses à l'aide de la version Matlab.
Couvre la définition de la rétraction, des sous-groupes ouverts, des fonctions de définition locales, des espaces tangents et des métriques riemanniennes.
Couvre des méthodes de descente de gradient plus rapides et une descente de gradient projetée pour une optimisation contrainte dans l'apprentissage automatique.
Couvre la méthode des gradients conjugués pour résoudre les systèmes linéaires itérativement avec la convergence quadratique et souligne l'importance de l'indépendance linéaire entre les directions conjuguées.
Discute des techniques de réduction de la variance dans la simulation stochastique, en se concentrant sur les stratégies d'allocation et les algorithmes de génération de répliques.
Introduit les bases de l'algèbre linéaire, du calcul et de l'optimisation dans les espaces euclidien, en mettant l'accent sur la puissance de l'optimisation en tant qu'outil de modélisation.
Fournit un aperçu des techniques d'optimisation, en se concentrant sur la descente de gradient et les propriétés des fonctions convexes dans l'apprentissage automatique.
