Couvre les techniques d'optimisation dans l'apprentissage automatique, en se concentrant sur la convexité et ses implications pour une résolution efficace des problèmes.
Explore l'optimisation dans la modélisation des systèmes énergétiques, couvrant les variables de décision, les fonctions objectives et les différentes stratégies avec leurs avantages et leurs inconvénients.
Introduit des contraintes déclenchées par l'état pour la manipulation non préhensile et présente des performances améliorées grâce au contrôle de rétroaction.
Explore les problèmes d'optimisation résolus avec des algorithmes gourmands et prouve l'optimalité de l'algorithme du caissier pour les pièces de monnaie américaines.
Explore l'optimisation primaire-duelle, la conjugaison des fonctions, la dualité forte, et les méthodes de pénalité quadratique en mathématiques de données.
Explore les relations d'agence, les contrats, les incitations, les préférences de risque et les résultats optimaux dans les interactions entre le principal et l'agent.
Explore les conditions KKT dans l'optimisation convexe, couvrant les problèmes doubles, les contraintes logarithmiques, les moindres carrés, les fonctions matricielles et la sous-optimalité de la couverture des ellipsoïdes.
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.
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.
Explique le processus de recherche d'une solution réalisable de base initiale pour les problèmes d'optimisation linéaire à l'aide de l'algorithme Simplex.
Plonge dans la prise de décision sous le risque, la rationalité limitée, la théorie des prospects et le cadrage, avec des idées de l'économie comportementale.