Couvre les concepts fondamentaux de l'optimisation et de la recherche opérationnelle, en explorant des exemples du monde réel et des sujets clés sur un semestre.
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 de l'optimisation, y compris les perspectives historiques, les formulations mathématiques et les applications pratiques dans les problèmes de prise de décision.
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 processus stochastiques contrôlés, en se concentrant sur l'analyse, le comportement et l'optimisation, en utilisant la programmation dynamique pour résoudre les problèmes du monde réel.
Explore les défis dans la résolution des entités dans les flux de données et propose des optimisations pour améliorer le débit de résolution et gérer les distributions déséquilibrées.
Discute de l'optimisation de joint accéléré GPU efficace pour les requêtes complexes, visant à améliorer les temps d'optimisation et la qualité du plan heuristique.
Couvre les optimisations logicielles pour améliorer les performances du programme en maximisant les succès de cache et en optimisant la distribution du travail.
Couvre les fondamentaux de l'optimisation d'entier, y compris la programmation d'entier, la programmation dynamique et les algorithmes d'approximation.
Couvre les concepts essentiels de l'algèbre linéaire pour l'optimisation convexe, y compris les normes vectorielles, la décomposition des valeurs propres et les propriétés matricielles.
Explore la régression logistique, les fonctions de coût, la descente en gradient et la modélisation de probabilité à l'aide de la fonction sigmoïde logistique.