Gallery — Math

A homework template for UConn's CSE-3500 Algorithms & Complexity course.

Mathe KIT

Under a partly linear model we study a family of robust estimates for the regression parameter and the regression function when some of the predictors take values on a Riemannian manifold. We obtain the consistency and the asymptotic normality of the proposed estimators. Simulations and an application to a real dataset show the good performance of our proposal under small samples and contamination.

Beamer Presentation LaTeX Template Version 1.0 (10/11/12) This template has been downloaded from: http://www.LaTeXTemplates.com License: CC BY-NC-SA 3.0 (http://creativecommons.org/licenses/by-nc-sa/3.0/)

El análisis estadístico de alta dimensión y tamaño de muestra pequeño (HDLSS) se está aplicando cada vez más en una amplia gama de contextos. En tales situaciones, se ve que el popular método de la Máquina de Vectores Soporte (SVM) sufre de ''Acumulación de datos'' en el margen, lo que puede disminuir la capacidad de generalización del modelo. Esto conduce al desarrollo de la Distance Weighted Discrimination para encontrar un hiperplano separador . En el presente trabajo se revisa y reproduce, con detalle en la derivación y solución de la función de pérdida que se resuelve usando SOCP, del método desarrollado en e implementado en el entorno R\cite{R}. Basado en el trabajo e implementación de se aplica y comparan resultados a conjuntos de datos reales y simulados (en medida de lo posible los mismos conjuntos de datos utilizados que en) Palabras clave: SVM, kernel, R (el ambiente de cómputo estadístico) y datos de alta dimensión con tamaño de muestra pequeño (data High Dimension Low Sample Size).

It's easy to find out how many combinations you can have if you know the total number of items, and the number of items you are combining. It's a little harder to do that in reverse. This document shows how to find the total number of items if you know how many are combined at a time, and the total number of combinations.

Proof of a function's representation with Taylor Series

Chapitre 2, Peip2, Polytech'Nice Sophia, sans les sch\'emas et applications sch\'ematis\'ees

Vaje