Séances de cours associées à Accélération de suite

Différenciation numérique : Richardson Extrapolation

Couvre l'extrapolation de Richardson pour la différenciation numérique afin de réduire l'erreur.

Explore le rôle de la convexité forte dans les taux de convergence plus rapides pour les algorithmes d'optimisation.

Méthodes optimistes généralisées pour les problèmes de point de selle convex-concave

Présente un cadre optimiste généralisé pour résoudre les problèmes de point de selle concave-convexe, s'étendant aux méthodes d'ordre supérieur.

Équations différentielles stochastiques : Inférence moyenne sur le terrain

Explore l'inférence pour les équations différentielles stochastiques, en se concentrant sur les méthodes numériques et l'analyse de convergence.

Les chaînes de Markov : convergence et écart spectral

Explore la convergence de la chaîne de Markov, l'écart spectral et les techniques d'accélération pour une convergence plus rapide.

Optimisation du taux de convergence : accélération de la descente en gradient

Explore l'optimalité du taux de convergence dans les techniques de descente de gradient et d'accélération pour les problèmes convexes et non convexes.

Algorithmes accélérés pour les inclusions monotones

Par Quoc Tran-Dinh explore les algorithmes accélérés pour les inclusions monotone, couvrant les modèles d'optimisation, les défis et les nouveaux algorithmes.

Méthodes de convergence : corrections et précision

Discute des corrections apportées aux anciennes vidéos sur les méthodes de convergence et la précision.

Série Taylor: Convergence et applications

Explore le développement de la série Taylor, les critères de convergence et les applications numériques.

Méthodes Momentum et CG non linéaire

Explore la descente en gradient avec la mémoire, les méthodes d'impulsion, les gradients conjugués et le CG non linéaire sur les collecteurs.

Équation des ondes : méthodes numériques

Explore les méthodes numériques pour résoudre l'équation des vagues, en discutant des conditions de stabilité et des taux de convergence.

Convergence de Langevin adaptatif en utilisant l'hypocoercivité

Couvre la convergence de la dynamique adaptative Langevin à l'aide de techniques hypocoercives et explore le Théorème Central Limit.

Méthode de Newton: Convergence et Convergence Quadratique MOOC: Analyse Numérique pour Ingénieurs

Explore les propriétés de convergence de la méthode Newton et de convergence quadratique dans le théorème 8.4.

Accélération de l'itération de valeur : fractionnement de l'opérateur et de l'IDP

Explore l'accélération de l'algorithme d'itération de valeur en utilisant la théorie de contrôle et les techniques de fractionnement de matrice pour atteindre une convergence plus rapide.

Intégration numérique : Lagrange Interpolation, Simpson Rules

Explique l'interpolation de Lagrange pour l'intégration numérique et introduit les règles de Simpson.

Optimisation des taux de convergence: descente progressive accélérée

Explore l'optimalité des taux de convergence dans les problèmes de minimisation convexe en utilisant des méthodes de descente accélérée des gradients.

Écart spectral dans les chaînes de Markov

Explore l'écart spectral dans les chaînes de Markov et son impact sur la vitesse de convergence.

Bases d'optimisation: Algèbre linéaire, Analyse, Convexité

Introduit des bases d'optimisation, couvrant l'algèbre linéaire, l'analyse et les principes de convexité.

Gradient Descent Methods: Théorie et calcul

Explore les méthodes de descente de gradient pour les problèmes convexes lisses et non convexes, couvrant les stratégies itératives, les taux de convergence et les défis d'optimisation.

Optimisation conjuguée des gradients

Explore l'optimisation Conjugate Gradient, couvrant les cas quadratiques et non linéaires, les conditions Wolfe, BFGS, les algorithmes CG et la symétrie matricielle.