Déplacez-vous dans la deuxième phase de la méthode simplex, en mettant l'accent sur les opérations matricielles pour résoudre les problèmes d'optimisation avec des contraintes.
Explore la méthode lagrangienne augmentée avec des contraintes d'égalité et d'inégalité dans l'optimisation, en soulignant l'importance des variables slack.
Se penche sur la formulation d'optimisation linéaire, l'expansion de la capacité, l'investissement sous fiscalité et la gestion des revenus dans diverses industries.
Couvre la régression quantile, en se concentrant sur l'optimisation linéaire pour prédire les résultats et discuter de la sensibilité aux valeurs aberrantes, de la formulation des problèmes et de la mise en œuvre pratique.
Explore les flux réseau, la méthode simplex, la programmation linéaire, les solutions arborescentes et les solutions doubles dans les problèmes d'optimisation.
Explore l'optimisation robuste par l'approximation polynôme et les ensembles d'incertitude, y compris des programmes linéaires robustes et des astuces d'optimisation.
Explore les conditions KKT dans l'optimisation convexe, couvrant les problèmes doubles, les contraintes logarithmiques, les moindres carrés, les fonctions matricielles et la sous-optimalité de la couverture des ellipsoïdes.
Couvre le débruitage et la reconstruction d'images en utilisant une minimisation totale des variations et discute des effets visuels des différentes forces de régularisation.
Introduit l'optimisation convexe, couvrant les ensembles convexes, les concepts de solution et les méthodes numériques efficaces en optimisation mathématique.