Introduit l'optimisation convexe à travers des ensembles et des fonctions, couvrant les intersections, exemples, opérations, gradient, Hessian, et applications du monde réel.
Explore le transport optimal, les flux de gradient, le schéma implicite d'Euler et l'équation de la chaleur dans le contexte de la fonction d'énergie de Dirichlet.
Explore l'estimation des erreurs dans les méthodes numériques pour résoudre les équations différentielles ordinaires, en mettant l'accent sur l'impact des erreurs sur la précision et la stabilité de la solution.
Explore l'application de l'algèbre linéaire en mécanique quantique, mettant l'accent sur les espaces vectoriels, les espaces Hilbert et le théorème spectral.
Discute des techniques d'optimisation dans l'apprentissage automatique, en se concentrant sur la descente de gradient stochastique et ses applications dans les problèmes contraints et non convexes.
Explore la longueur de la courbe, la définition de la fonction, la continuité, les dérivées, les intégrales et les représentations graphiques des fonctions dans deux variables.
