Couvre l'approche de programmation linéaire de l'apprentissage par renforcement, en se concentrant sur ses applications et ses avantages dans la résolution des processus décisionnels de Markov.
Couvre l'optimisation de portefeuille robuste sur le plan de la distribution pour maximiser l'utilité attendue avec des rendements d'actifs incertains.
Explore les programmes entiers, l'optimisation non convexe, les contraintes et les aspects géométriques de la programmation linéaire pour des solutions optimales.
Explore l'optimisation de portefeuille robuste sur le plan de la distribution et compare différentes approches et méthodes d'estimation pour l'évaluation de portefeuille.
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.
Explore les relations entre les événements, les contraintes disjonctives et la modélisation avec des variables binaires dans les problèmes d'optimisation.
Explore les modèles et les stratégies d'optimisation de portefeuille sous l'incertitude, en mettant l'accent sur des critères de décision tels que la valeur à risque et la variance moyenne fonctionnelle.
Explore les problèmes d'optimisation convexe, les critères d'optimalité, les problèmes équivalents et les applications pratiques dans le transport et la robotique.
Fournit une analyse approfondie de l'investissement factoriel, y compris les actions de valeur et de croissance, les petites et grandes actions et l'anomalie de momentum.
Explore l'apprentissage actif dans la théorie de groupe, en mettant l'accent sur les produits, les coproduits, les adjonctions et les transformations naturelles.
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.