Couvre des méthodes de descente de gradient plus rapides et une descente de gradient projetée pour une optimisation contrainte dans l'apprentissage automatique.
Explore la programmation dynamique du problème Knapsack, en discutant des stratégies, des algorithmes, de la dureté du NP et de l'analyse de la complexité temporelle.
Introduit les bases de l'algèbre linéaire, du calcul et de l'optimisation dans les espaces euclidien, en mettant l'accent sur la puissance de l'optimisation en tant qu'outil de modélisation.
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.
Couvre les modèles stochastiques de communication, en mettant l'accent sur la théorie de la file d'attente avec une analyse approfondie de la file d'attente M/G/1.
S'oriente vers l'optimisation des files d'attente prioritaires purement fonctionnelles, l'exploration des files d'attente binomiales et biaisées, des racines mondiales et des implémentations pratiques.
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 la programmation dynamique pour optimiser les processus de prise de décision au fil du temps, en utilisant des exemples concrets tels que l'extraction de pétrole et la négociation d'actions.