Couvre des méthodes de descente de gradient plus rapides et une descente de gradient projetée pour une optimisation contrainte dans l'apprentissage automatique.
Fournit un aperçu des techniques d'optimisation, en se concentrant sur la descente de gradient et les propriétés des fonctions convexes dans l'apprentissage automatique.
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.
Explore les fonctions convexes, les transformations d'affines, le maximum pointu, la minimisation, le Lemma de Schur et l'entropie relative dans l'optimisation mathématique.
Introduit l'optimisation convexe à travers des ensembles et des fonctions, couvrant les intersections, exemples, opérations, gradient, Hessian, et applications du monde réel.
Explore les jeux en plusieurs étapes, en se concentrant sur la forme et les stratégies de rétroaction, y compris les équilibres de Nash et les méthodes d'induction en arrière.
Explore la dualité lagrangienne dans l'optimisation convexe, transformant les problèmes en formulations min-max et discutant de l'importance des solutions doubles.