Explore la dynamique hamiltonienne sur les polytopes convexes, couvrant les capacités symlectiques, la capacité EHZ et les maximisateurs de ratio systolique.
Couvre les méthodes de solution pour réduire au minimum les convexes composites et explore des exemples comme les moindres carrés régularisés et la récupération de phase.
Explore l'optimalité des taux de convergence dans l'optimisation convexe, en mettant l'accent sur la descente accélérée des gradients et les méthodes d'adaptation.
Explore la descente de gradient stochastique, couvrant les taux de convergence, l'accélération et les applications pratiques dans les problèmes d'optimisation.
Couvre le théorème de Doignon en programmation entière, indiquant qu'un ensemble est minimalement irréalisable si la suppression de toute contrainte le rend réalisable.
Explore les conditions KKT dans l'optimisation convexe, couvrant les cônes doubles, les propriétés, les inégalités généralisées et les conditions d'optimisation.
Couvre la régression MAE, la coque convexe, les avantages de la reformulation et les problèmes pratiques liés aux variables et aux contraintes de décision.