Introducción a la geometría riemanniana y la estadística geométrica: de la teoría básica a la implementación con Geomstats

Dado que los datos son un recurso predominante en las aplicaciones, la geometría riemanniana es un marco natural para modelar y unificar fuentes de datos no lineales complejas. Sin embargo, el desarrollo de herramientas computacionales a partir de la teoría básica de la geometría riemanniana es laborioso. En esta monografía, los autores presentan una exposición autocontenida de los conceptos básicos de la geometría riemanniana desde un punto de vista computacional, proporcionando ilustraciones y ejemplos en cada paso. Luego demuestran cómo estos conceptos se implementan en el proyecto de código abierto Geomstats, explicando las decisiones que se tomaron y las convenciones elegidas. Así, el lector aprende en un solo volumen autocontenido la teoría de la geometría de Riemann y la estadística geométrica y su implementación para realizar estadísticas y aprendizaje automático en variedades. Esta monografía, que contiene muchos ejemplos prácticos de Python, es un recurso valioso tanto para matemáticos como para científicos aplicados para aprender la teoría de la geometría de Riemann y su uso en la práctica implementado con el paquete Geomstats, donde la mayoría de las dificultades se ocultan bajo funciones de alto nivel.

Autor: Nicolas Guigui, Nina Miolane, Xavier Pennec
Editorial: Now Publishers
Publicado: 22/02/2023
Páginas: 182
Tipo de encuadernación: Tapa blanda
Peso: 0.59lbs
Tamaño: 9.21h x 6.14w x 0.39d
ISBN13: 9781638281542
ISBN10: 1638281548
Categorías BISAC:
- Informática | Teoría de la máquina
- Informática | Ciencia de datos | Aprendizaje automático