Couvre des exercices sur l'optimisation convexe, en se concentrant sur la formulation et la résolution de problèmes d'optimisation en utilisant YALMIP et des solveurs comme GUROBI et MOSEK.
Couvre les fonctions, la différenciation, les extensions Taylor et les intégrales, fournissant des concepts fondamentaux et des applications pratiques.
Introduit des bases de programmation et des structures de contrôle, mettant l'accent sur la pratique pratique pratique pour la préparation des examens et le travail de projet.
Explore des techniques d'optimisation telles que la descente de gradient, la recherche de lignes et la méthode de Newton pour une résolution efficace des problèmes.
Explore l'apprentissage de la solution du noyau en optimisation convexe, en se concentrant sur la prédiction des sorties à l'aide d'un classificateur linéaire et en abordant les problèmes numériques possibles.
Explore de nouvelles techniques de compilation pour les appareils analogiques reconfigurables, se concentrant sur la résolution différentielle-équation et les systèmes dynamiques.
Explore la dualité lagrangienne dans l'optimisation convexe, en discutant de la dualité forte, des solutions duales et des applications pratiques dans les programmes de cônes de second ordre.
Explore l'apprentissage de la fonction du noyau en optimisation convexe, en se concentrant sur la prédiction des sorties à l'aide d'un classificateur linéaire et en sélectionnant les fonctions optimales du noyau par validation croisée.
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.