Explore l'histoire, la théorie et les applications du transport optimal dans différents domaines, montrant son importance dans la résolution de problèmes mathématiques complexes.
Explore les courbes de double descente et la surparamétrisation dans les modèles d'apprentissage automatique, en soulignant les risques et les avantages.
Introduit les polynômes de Taylor pour approximer les fonctions autour d'un point, mettant en évidence leur importance dans la représentation précise des fonctions.
Couvre les techniques de réduction de la variance dans l'optimisation, en mettant l'accent sur la descente en gradient et les méthodes de descente en gradient stochastique.
Couvre les méthodes d'optimisation, les garanties de convergence, les compromis et les techniques de réduction de la variance en optimisation numérique.
Couvre les bases de l'optimisation, y compris les métriques, les normes, la convexité, les gradients et la régression logistique, en mettant l'accent sur les forts taux de convexité et de convergence.