Explore les relations entre les événements, les contraintes disjonctives et la modélisation avec des variables binaires dans les problèmes d'optimisation.
Couvre les bases de la programmation linéaire et de la méthode simplex, en se concentrant sur la recherche de solutions optimales et la manipulation de la dégénérescence.
Couvre les techniques d'optimisation dans l'apprentissage automatique, en se concentrant sur la convexité, les algorithmes et leurs applications pour assurer une convergence efficace vers les minima mondiaux.
Couvre les bases de l'optimisation, y compris les perspectives historiques, les formulations mathématiques et les applications pratiques dans les problèmes de prise de décision.
Explore les doubles traductions en programmation linéaire, en mettant l'accent sur les formulations primaires et doubles et l'importance des matrices subversives inversible.
Explore la dualité lagrangienne dans l'optimisation convexe, transformant les problèmes en formulations min-max et discutant de l'importance des solutions doubles.
Explore la dualité dans la programmation linéaire, la dualité forte, le relâchement complémentaire et l'interprétation économique des variables doubles en tant que prix.
Introduit l'optimisation convexe à travers des ensembles et des fonctions, couvrant les intersections, exemples, opérations, gradient, Hessian, et applications du monde réel.
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 modèles et les stratégies d'optimisation de portefeuille sous l'incertitude, en mettant l'accent sur des critères de décision tels que la valeur à risque et la variance moyenne fonctionnelle.