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.
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.
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.
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.