Explore les algorithmes d'optimisation primal-dual pour les problèmes de minimax convexe-concave, en discutant des propriétés de convergence et des applications.
Discute des techniques de réduction de la variance dans la simulation stochastique, en se concentrant sur les stratégies d'allocation et les algorithmes de génération de répliques.
Explore l'analyse de flux de données pour l'optimisation, y compris la résolution d'équations, les variables en direct, l'atteinte de définitions et les expressions très occupées.
Couvre la logistique générale, la justification des cours, les conditions préalables, l'organisation, les crédits, la charge de travail, le classement et le contenu des cours, y compris les renseignements sur les essaims, les stratégies de recherche de nourriture et les phénomènes collectifs.
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.
Couvre les bases d'optimisation, y compris l'optimisation sans contrainte et les méthodes de descente de gradient pour trouver des solutions optimales.
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.
