Explore les gradients conjugués tronqués pour résoudre le sous-problème de la région de confiance dans l'optimisation sur les collecteurs efficacement.
Couvre la méthode de Newton sur les variétés riemanniennes, en se concentrant sur les conditions d'optimalité du second ordre et la convergence quadratique.
Couvre le concept de descente de gradient dans les cas scalaires, en se concentrant sur la recherche du minimum d'une fonction en se déplaçant itérativement dans la direction du gradient négatif.
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.
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.
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 les méthodes de recherche de ligne de gradient et les techniques d'optimisation en mettant l'accent sur les conditions Wolfe et la définition positive.
