Introduit des réseaux de flux, couvrant la structure du réseau neuronal, la formation, les fonctions d'activation et l'optimisation, avec des applications en prévision et finance.
Explore les résultats élémentaires en optimisation convexe, y compris les coques affines, convexes et coniques, les cônes appropriés et les fonctions convexes.
Explore l'optimisation convexe, les fonctions convexes et leurs propriétés, y compris la convexité stricte et la convexité forte, ainsi que différents types de fonctions convexes comme les fonctions et les normes affines linéaires.
Explore l'amélioration des prédictions d'apprentissage automatique en raffinant les mesures d'erreur et en appliquant des contraintes pour améliorer la précision des prédictions de densité électronique.
Couvre la régression polynôme, la descente en gradient, le surajustement, le sous-ajustement, la régularisation et la mise à l'échelle des caractéristiques dans les algorithmes d'optimisation.
Introduit l'optimisation convexe, couvrant les ensembles convexes, les concepts de solution et les méthodes numériques efficaces en optimisation mathématique.
Explore l'optimisation accélérée de l'ordre de jointage GPU dans les grands espaces de recherche, en tirant parti de la topologie graphique pour réduire les frais généraux de calcul.
Discute des modèles de coefficients constants et aléatoires, de l'optimisation des facteurs et de l'estimation des interactions dans l'analyse des performances.