Couvre des méthodes de descente de gradient plus rapides et une descente de gradient projetée pour une optimisation contrainte dans l'apprentissage automatique.
Explore les modèles linéaires, la régression, la prédiction multi-sorties, la classification, la non-linéarité et l'optimisation basée sur le gradient.
Explore les résultats élémentaires en optimisation convexe, y compris les coques affines, convexes et coniques, les cônes appropriés et les fonctions convexes.
Introduit le but de la maîtrise des mathématiques et des outils de calcul pour les ingénieurs, en soulignant la nécessité de penser méthodiquement et rigoureusement.
Couvre les bases de l'optimisation convexe, y compris les problèmes mathématiques, les minimiseurs et les concepts de solution, en mettant l'accent sur des méthodes efficaces et des applications pratiques.
Discute de la série Taylor et de la méthode sécante, en se concentrant sur leurs applications dans les techniques d'analyse numérique et de recherche de racines.
Explore l'analyse stochastique de la descente et du champ moyen dans les réseaux neuraux à deux couches, en mettant l'accent sur leurs processus itératifs et leurs fondements mathématiques.
Explore les propriétés géométriques des paraboles et des hyperboloïdes en architecture, en mettant l'accent sur leurs implications de conception et leurs applications pratiques.
