Couvre des méthodes de descente de gradient plus rapides et une descente de gradient projetée pour une optimisation contrainte dans l'apprentissage automatique.
Explore les problèmes d'optimisation convexe, les critères d'optimalité, les problèmes équivalents et les applications pratiques dans le transport et la robotique.
Introduit l'optimisation convexe à travers des ensembles et des fonctions, couvrant les intersections, exemples, opérations, gradient, Hessian, et applications du monde réel.
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.
Sur Convex Optimization couvre l'organisation des cours, les problèmes d'optimisation mathématique, les concepts de solution et les méthodes d'optimisation.
Introduit les bases de la programmation linéaire, y compris les problèmes d'optimisation, les fonctions de coût, l'algorithme simplex, la géométrie des programmes linéaires, les points extrêmes et la dégénérescence.
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 l'optimisation non linéaire, en se concentrant sur la méthode de Newton et les méthodes de descente pour trouver des solutions optimales efficacement.
Couvre les techniques d'allocation des registres, y compris les exemples de graphiques d'interférence, la coloration, le déversement et la coalescence.
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.