Introduit l'optimisation convexe, couvrant les ensembles convexes, les concepts de solution et les méthodes numériques efficaces en optimisation mathématique.
Explore les problèmes variationnels, en mettant l'accent sur les conditions de convexité et de coercivité dans les fonctions avec des contraintes latérales intégrales.
Explore les matrices de projection dans le contexte d'algorithmes de déclivité et de coupe-minute, en mettant l'accent sur leur rôle dans l'optimisation.
Couvre l'interpolation de Lagrange et son application dans les techniques d'intégration numérique, en se concentrant à la fois sur les méthodes non composites et composites de quadrature.
Couvre les effets de transfert de chaleur internes dans des réactions hétérogènes, en mettant l'accent sur les nombres sans dimension et les effets de transport.
Discute des techniques d'intégration, en mettant l'accent sur l'intégration par parties et les méthodes de substitution, avec des exemples pratiques et des idées théoriques.
Explore l'optimisation des réseaux neuronaux en utilisant la descente de gradient stochastique (SGD) et le concept de risque double par rapport au risque empirique.
Couvre les modèles stochastiques de communication, se concentrant sur les variables aléatoires, les chaînes Markov, les processus Poisson et les calculs de probabilité.
Explore les relations entre les événements, les contraintes disjonctives et la modélisation avec des variables binaires dans les problèmes d'optimisation.