Distancia de Fermat y geodésicas en percolación euclídea : teoría y aplicaciones en Machine Learning

Autores
Sapienza, Facundo Fabián
Año de publicación
2018
Idioma
español castellano
Tipo de recurso
tesis de grado
Estado
versión publicada
Colaborador/a o director/a de tesis
Groisman, Pablo José
Descripción
En la presente tesis se introduce la distancia de Fermat junto con su estimador. Dado un conjunto de puntos con densidad ƒ soportada sobre una variedad M, la distancia de Fermat contempla tanto ƒ como M, captando la estructura intrínseca de los puntos y haciéndola una excelente candidata para muchos problemas de estadística y Machine Learning. Mas aún, la convergencia del estimador de la distancia de Fermat se contextualiza dentro de la teoría de percolación euclídea de primera pasada. A lo largo de la tesis veremos aplicaciones así como demostraciones rigurosas pertinentes a la distancia de Fermat. El presente trabajo está basado en las siguientes publicaciones: Weighted Geodesic Distance Following Fermat’s Principle (2018); F. Sapienza, P. Groisman, M. Jonckheere; 6th International Conference on Learing Representations. Geodesics in First Passage Percolation and Distance Learning (2018); P. Groisman, M. Jonckeheere, F. Sapienza; en preparación.
Fil: Sapienza, Facundo Fabián. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.
Nivel de accesibilidad
acceso abierto
Condiciones de uso
https://creativecommons.org/licenses/by-nc-sa/2.5/ar
Repositorio
Biblioteca Digital (UBA-FCEN)
Institución
Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
OAI Identificador
seminario:seminario_nMAT000741_Sapienza
Acceder
id BDUBAFCEN_d029df59c0142d5163233ab72f89ce5e
oai_identifier_str seminario:seminario_nMAT000741_Sapienza
network_acronym_str BDUBAFCEN
repository_id_str 1896
network_name_str Biblioteca Digital (UBA-FCEN)
spelling Distancia de Fermat y geodésicas en percolación euclídea : teoría y aplicaciones en Machine LearningSapienza, Facundo FabiánEn la presente tesis se introduce la distancia de Fermat junto con su estimador. Dado un conjunto de puntos con densidad ƒ soportada sobre una variedad M, la distancia de Fermat contempla tanto ƒ como M, captando la estructura intrínseca de los puntos y haciéndola una excelente candidata para muchos problemas de estadística y Machine Learning. Mas aún, la convergencia del estimador de la distancia de Fermat se contextualiza dentro de la teoría de percolación euclídea de primera pasada. A lo largo de la tesis veremos aplicaciones así como demostraciones rigurosas pertinentes a la distancia de Fermat. El presente trabajo está basado en las siguientes publicaciones: Weighted Geodesic Distance Following Fermat’s Principle (2018); F. Sapienza, P. Groisman, M. Jonckheere; 6th International Conference on Learing Representations. Geodesics in First Passage Percolation and Distance Learning (2018); P. Groisman, M. Jonckeheere, F. Sapienza; en preparación.Fil: Sapienza, Facundo Fabián. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.Universidad de Buenos Aires. Facultad de Ciencias Exactas y NaturalesGroisman, Pablo José2018-08-24info:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_7a1finfo:ar-repo/semantics/tesisDeGradoapplication/pdfhttps://hdl.handle.net/20.500.12110/seminario_nMAT000741_Sapienzaspainfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/2.5/arreponame:Biblioteca Digital (UBA-FCEN)instname:Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturalesinstacron:UBA-FCEN2026-04-16T09:50:38Zseminario:seminario_nMAT000741_SapienzaInstitucionalhttps://digital.bl.fcen.uba.ar/Universidad públicaNo correspondehttps://digital.bl.fcen.uba.ar/cgi-bin/oaiserver.cgiana@bl.fcen.uba.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:18962026-04-16 09:50:39.549Biblioteca Digital (UBA-FCEN) - Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturalesfalse
dc.title.none.fl_str_mv Distancia de Fermat y geodésicas en percolación euclídea : teoría y aplicaciones en Machine Learning
title Distancia de Fermat y geodésicas en percolación euclídea : teoría y aplicaciones en Machine Learning
spellingShingle Distancia de Fermat y geodésicas en percolación euclídea : teoría y aplicaciones en Machine Learning
Sapienza, Facundo Fabián
title_short Distancia de Fermat y geodésicas en percolación euclídea : teoría y aplicaciones en Machine Learning
title_full Distancia de Fermat y geodésicas en percolación euclídea : teoría y aplicaciones en Machine Learning
title_fullStr Distancia de Fermat y geodésicas en percolación euclídea : teoría y aplicaciones en Machine Learning
title_full_unstemmed Distancia de Fermat y geodésicas en percolación euclídea : teoría y aplicaciones en Machine Learning
title_sort Distancia de Fermat y geodésicas en percolación euclídea : teoría y aplicaciones en Machine Learning
dc.creator.none.fl_str_mv Sapienza, Facundo Fabián
author Sapienza, Facundo Fabián
author_facet Sapienza, Facundo Fabián
author_role author
dc.contributor.none.fl_str_mv Groisman, Pablo José
dc.description.none.fl_txt_mv En la presente tesis se introduce la distancia de Fermat junto con su estimador. Dado un conjunto de puntos con densidad ƒ soportada sobre una variedad M, la distancia de Fermat contempla tanto ƒ como M, captando la estructura intrínseca de los puntos y haciéndola una excelente candidata para muchos problemas de estadística y Machine Learning. Mas aún, la convergencia del estimador de la distancia de Fermat se contextualiza dentro de la teoría de percolación euclídea de primera pasada. A lo largo de la tesis veremos aplicaciones así como demostraciones rigurosas pertinentes a la distancia de Fermat. El presente trabajo está basado en las siguientes publicaciones: Weighted Geodesic Distance Following Fermat’s Principle (2018); F. Sapienza, P. Groisman, M. Jonckheere; 6th International Conference on Learing Representations. Geodesics in First Passage Percolation and Distance Learning (2018); P. Groisman, M. Jonckeheere, F. Sapienza; en preparación.
Fil: Sapienza, Facundo Fabián. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.
description En la presente tesis se introduce la distancia de Fermat junto con su estimador. Dado un conjunto de puntos con densidad ƒ soportada sobre una variedad M, la distancia de Fermat contempla tanto ƒ como M, captando la estructura intrínseca de los puntos y haciéndola una excelente candidata para muchos problemas de estadística y Machine Learning. Mas aún, la convergencia del estimador de la distancia de Fermat se contextualiza dentro de la teoría de percolación euclídea de primera pasada. A lo largo de la tesis veremos aplicaciones así como demostraciones rigurosas pertinentes a la distancia de Fermat. El presente trabajo está basado en las siguientes publicaciones: Weighted Geodesic Distance Following Fermat’s Principle (2018); F. Sapienza, P. Groisman, M. Jonckheere; 6th International Conference on Learing Representations. Geodesics in First Passage Percolation and Distance Learning (2018); P. Groisman, M. Jonckeheere, F. Sapienza; en preparación.
publishDate 2018
dc.date.none.fl_str_mv 2018-08-24
dc.type.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_7a1f
info:ar-repo/semantics/tesisDeGrado
format bachelorThesis
status_str publishedVersion
dc.identifier.none.fl_str_mv https://hdl.handle.net/20.500.12110/seminario_nMAT000741_Sapienza
url https://hdl.handle.net/20.500.12110/seminario_nMAT000741_Sapienza
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
https://creativecommons.org/licenses/by-nc-sa/2.5/ar
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-sa/2.5/ar
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales
publisher.none.fl_str_mv Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales
dc.source.none.fl_str_mv reponame:Biblioteca Digital (UBA-FCEN)
instname:Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
instacron:UBA-FCEN
reponame_str Biblioteca Digital (UBA-FCEN)
collection Biblioteca Digital (UBA-FCEN)
instname_str Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
instacron_str UBA-FCEN
institution UBA-FCEN
repository.name.fl_str_mv Biblioteca Digital (UBA-FCEN) - Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales
repository.mail.fl_str_mv ana@bl.fcen.uba.ar
_version_ 1862634773388722176
score 13.203462

Publicaciones similares