Explique le processus de recherche d'une solution réalisable de base initiale pour les problèmes d'optimisation linéaire à l'aide de l'algorithme Simplex.
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 robuste en radiothérapie, en mettant l'accent sur l'optimisation de la dose et les compromis entre les solutions nominales et robustes.
Discute des méthodes du noyau dans l'apprentissage automatique, en se concentrant sur la régression du noyau et les machines vectorielles de support, y compris leurs formulations et applications.
Explore l'optimisation des modèles d'intégration de mots, y compris la minimisation de la fonction de perte et la descente de gradient, et introduit des techniques comme Fasttext et Byte Pair Encoding.
Explore l'optimisation robuste par l'approximation polynôme et les ensembles d'incertitude, y compris des programmes linéaires robustes et des astuces d'optimisation.
Introduit les principes fondamentaux de l'optimisation convexe, en soulignant l'importance des fonctions convexes dans la simplification du processus de minimisation.
Explore l'optimisation de portefeuille robuste sur le plan de la distribution et compare différentes approches et méthodes d'estimation pour l'évaluation de portefeuille.