Departamento de Matemáticas UAM

  • Inicio
  • Inicio (2)
  • Presentación
  • Directorio
  • Organigrama
  • Intranet
  • Convocatoria de plazas

Estudios

  • Grado
  • Posgrado
  • Aula Abierta
  • Facultad de Ciencias

Investigación

  • Ayudas para investigación
  • Departamento
  • Grupos de investigación
  • Institutos de investigación
  • Seminarios
  • Joint Mathematics Colloquium ICMAT-UAM-UC3M-UCM
  • Memorial Rubio de Francia
  • Coloquio Premio Rubio de Francia
  • Coloquios Departamento

Divulgación

  • Semana de la Ciencia
  • Campamento de Verano
  • Matemáticas en La Corrala
  • Canal Youtube
  • Revista Qed
  • Otras Actividades
  • Blogs Divulgativos

Noticias Destacadas

       Agenda del Departamento

 

  • Información (provisional) sobre grupos y horarios de las asignaturas impartidas por el Departamento de Matemáticas, para el curso 2023-2024.

  • Propuestas de Trabajos de Fin de Grado para el curso 2023-2024.


 


Canal @matematicasuam

 

Enlace al canal del Departamento en youtube.

 


 


PIM (Pequeño Instituto de Matemáticas)

Con el objetivo de fomentar el interés por las matemáticas y dirigido a jóvenes entre 14 y 18 años, nace este proyecto de Instituto de Ciencias Matemáticas (ICMAT) en colaboración con nuestro Departamento, la Universidad Autónoma de Madrid y la Real Sociedad Matemática Española.

El proyecto comienzó en el curso académico 2022-2023. Ampliar información en su página web.

 

Mes anteior Día anterior
Anual
Mensual
Semanal
Diario
Buscar
Ir al mes específico
Día siguiente Mes siguiente
Anual Mensual Semanal Hoy Buscar Ir al mes específico
SEMINARIO DE ESTADISTICA

Seminario de estadística.

Título: Large-time asymptotics in deep learning

Conferenciante: ‪ Borjan Geshkovski, University of Deusto y Universidad Autónoma de Madrid

Fecha y hora: viernes 23 de octubre a las 10:30 horas
‬
Resumen: It is by now well-known that practical deep supervised learning may roughly be cast as an optimal control problem for a specific discrete-time, nonlinear dynamical system called an artificial neural network. In this talk, we consider the continuous-time formulation of the deep supervised learning problem. We will present, using an analytical approach, this problem's behavior when the final time horizon increases, a fact that can be interpreted as increasing the number of layers in the neural network setting. We show qualitative and quantitative estimates of the convergence to the zero training error regime depending on the functional to be minimised.

Enlace Teams:

https://teams.microsoft.com/l/channel/19%3a0d91b40bd3754bab980f363f3ca16d3b%40thread.tacv2/General?groupId=6a0b708e-988d-4808-99fc-8b6171b98d43&tenantId=fc6602ef-8e88-4f1d-a206-e14a3bc19af2

Localización  Fecha y hora: viernes 23 de octubre a las 10:30 horas
CSS Valid | XHTML Valid | Top | + | - | reset
Copyright © Eximium 2025 All rights reserved. Custom Design by Youjoomla.com
Inicio