Couvre les techniques d'optimisation dans l'apprentissage automatique, en se concentrant sur la convexité, les algorithmes et leurs applications pour assurer une convergence efficace vers les minima mondiaux.
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.
Couvre des exercices sur l'optimisation convexe, en se concentrant sur la formulation et la résolution de problèmes d'optimisation en utilisant YALMIP et des solveurs comme GUROBI et MOSEK.
Explore la dualité lagrangienne dans l'optimisation convexe, en discutant de la dualité forte, des solutions duales et des applications pratiques dans les programmes de cônes de second ordre.
Explore la dualité forte, le relâchement complémentaire, l'interprétation économique et les scénarios de problèmes stochastiques dans la programmation linéaire.
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 transformation des voitures pare-chocs en voitures sans collision grâce à des algorithmes d'évitement des collisions et aux défis rencontrés lors de la mise en œuvre de fonctions de barrière ellipsoïde.
Couvre les bases d'optimisation, y compris l'optimisation sans contrainte et les méthodes de descente de gradient pour trouver des solutions optimales.
Explore les défis à relever pour réduire au minimum le temps d'achèvement de l'emploi dans l'informatique distribuée, en mettant l'accent sur l'impact des données biaisées et le traitement efficace.
Couvre trouver le chemin le plus court dans les graphiques dirigés efficacement en utilisant des approches algorithmiques et en discutant des problèmes connexes de NP-complet.
