Explore la méthode Conjugate Gradient pour résoudre les systèmes linéaires et introduit les méthodes Quasi-Newton et les mises à jour de rang 2.
Couvre le projet de semestre sur les chiffres, en se concentrant sur les algorithmes adaptatifs et les méthodes multi-étapes.
Introduit une théorie de contrôle optimale, couvrant les modèles, la discrétisation, les mesures, les conditions lagrangiennes, KKT et l'invertibilité.
Couvre les techniques d'optimisation, les quiz et les exercices de notation dans les applications mathématiques.
Explore l'optimisation Conjugate Gradient, couvrant les cas quadratiques et non linéaires, les conditions Wolfe, BFGS, les algorithmes CG et la symétrie matricielle.
Couvre les méthodes multi-étapes pour résoudre les équations différentielles, en se concentrant sur les conditions de stabilité et des exemples.
Explique les méthodes Runge-Kutta, en particulier le schéma explicite d'ordre 4 (ERK4), et comment optimiser les paramètres pour la précision.
Couvre le concept de formulation équivalente en optimisation contrainte et explore le cône tangent.
Couvre les méthodes d'optimisation, en se concentrant sur les méthodes de gradient et les techniques de recherche de ligne.
Couvre la méthode Runge-Kutta et ses variations, en discutant de la minimisation des erreurs et de la stabilité dans les systèmes non linéaires.
Couvre la convergence de la méthode et l'importance d'adapter les pas de temps pour des approximations précises.
Couvre des sujets d'analyse numérique avancés, y compris les réseaux neuronaux profonds et les méthodes d'optimisation.
Couvre l'optimisation sans contrainte et contrainte, le contrôle optimal, les réseaux neuronaux et les méthodes d'optimisation globales.
Couvre les méthodes d'optimisation sans contraintes, y compris la recherche de gradient et de ligne dans le cas quadratique.
Couvre les méthodes de recherche de ligne de gradient et les techniques d'optimisation en mettant l'accent sur les conditions Wolfe et la définition positive.
Couvre la recherche en ligne, la méthode de Newton, BFGS et le gradient conjugué en optimisation non linéaire.
