Séances de cours associées à Fonctions de convex

Méthodes d'optimisation: convergence et compromis

Couvre les méthodes d'optimisation, les garanties de convergence, les compromis et les techniques de réduction de la variance en optimisation numérique.

Mathématiques des données: Optimisation des bases

Couvre les bases de l'optimisation, y compris les métriques, les normes, la convexité, les gradients et la régression logistique, en mettant l'accent sur les forts taux de convexité et de convergence.

Gradient Descent Methods: Théorie et calcul

Explore les méthodes de descente de gradient pour les problèmes convexes lisses et non convexes, couvrant les stratégies itératives, les taux de convergence et les défis d'optimisation.

Théorie de l'information: Capacité du canal et fonctions convexes

Explore la capacité des canaux et les fonctions convexes dans la théorie de l'information, en soulignant l'importance de la convexité.

Principes de base de l'optimisation : normes, convexité, différentiabilité

Explore les bases de l'optimisation telles que les normes, la convexité et la différentiabilité, ainsi que les applications pratiques et les taux de convergence.

Techniques d'optimisation : Convexity in Machine Learning

Couvre les techniques d'optimisation dans l'apprentissage automatique, en se concentrant sur la convexité et ses implications pour une résolution efficace des problèmes.

Optimisation du double primaire: méthode extra-gradient

Explore la méthode Extra-Gradient pour l'optimisation Primal-dual, couvrant les problèmes non convexes, les taux de convergence et les performances pratiques.

Primal-dual Optimization III: Méthodes de gradient lagrangien

Explore les méthodes d'optimisation primal-dual, en mettant l'accent sur les techniques de gradient lagrangien et leurs applications dans l'optimisation des données.

Opérateurs proximaux et optimisation contrainte

Introduit des opérateurs proximaux, des méthodes de gradient et une optimisation contrainte, explorant leur convergence et leurs applications pratiques.

Adversarial Machine Learning: Fondamentaux et techniques

Explore l'apprentissage machine contradictoire, couvrant la génération d'exemples contradictoires, les défis de robustesse et des techniques telles que la méthode Fast Gradient Sign.

Descente proximale et sous-gradiente : techniques d’optimisation

Discute des méthodes de descente proximale et sous-gradiente pour l'optimisation dans l'apprentissage automatique.

Descente de gradient stochastique : optimisation et convergence

Explore la descente de gradient stochastique, couvrant les taux de convergence, l'accélération et les applications pratiques dans les problèmes d'optimisation.

Optimisation convexe : Fonctions convexes Connectez-vous à Mediaspace pour regarder cette vidéo

Couvre le concept de fonctions convexes et leurs applications dans les problèmes d'optimisation.

Transport optimal : théorème de Rockafellar Connectez-vous à Mediaspace pour regarder cette vidéo

Explore le théorème de Rockafellar dans un transport optimal, en se concentrant sur la monotonicité c-cyclique et les fonctions convexes.

Convexité géodésique : théorie et applications Connectez-vous à Mediaspace pour regarder cette vidéo

Explore la convexité géodésique dans les espaces métriques et ses applications, en discutant des propriétés et de la stabilité des inégalités.

Ensembles convexes : théorie et applications Connectez-vous à Mediaspace pour regarder cette vidéo

Explore les ensembles convexes, leurs propriétés et leurs applications en optimisation.

Fonctions de convex Connectez-vous à Mediaspace pour regarder cette vidéo

Couvre les propriétés et les opérations des fonctions convexes.

Optimisation convexe: descente de gradient Connectez-vous à Mediaspace pour regarder cette vidéo

Explore la dimension VC, la descente de gradient, les ensembles convexes et les fonctions Lipschitz en optimisation convexe.

Programmes d'optimisation : Fonctions de coûts linéaires par pièce Connectez-vous à Mediaspace pour regarder cette vidéo

Couvre la formulation de programmes d'optimisation pour minimiser les fonctions de coûts linéaires à la pièce.

KKT et optimisation convexe Connectez-vous à Mediaspace pour regarder cette vidéo

Couvre les conditions KKT et l'optimisation convexe, en discutant des qualifications de contraintes et des cônes tangents des ensembles convexes.