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.
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.
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 concepts fondamentaux de l'optimisation et de la recherche opérationnelle, en explorant des exemples du monde réel et des sujets clés sur un semestre.
Couvre les techniques d'allocation des registres, y compris les exemples de graphiques d'interférence, la coloration, le déversement et la coalescence.
Explore les problèmes d'optimisation, les régions réalisables et les fonctions objectives en mettant l'accent sur les multiplicateurs de Lagrange et la convexité.
Explore l'optimisation de la programmation linéaire avec des contraintes, l'algorithme de Dijkstra et les formulations LP pour trouver des solutions réalisables.
Explore les fonctions convexes, y compris la convexité, les transformations, les exemples, la minimisation, l'intuition géométrique, le lemme de Schur, la fonction de distance, la fonction de perspective et l'entropie relative.
