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.
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.
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.