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 des méthodes de descente de gradient plus rapides et une descente de gradient projetée pour une optimisation contrainte dans l'apprentissage automatique.
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.
Explore la dualité LP dans des jeux à somme nulle d'un point de vue économique, en mettant l'accent sur des stratégies et une prise de décision optimales.
Couvre l'optimisation logicielle, l'efficacité du cache, la planification parallèle et les stratégies de distribution de travail pour les programmes parallèles rapides.
Explore l'efficacité des commérages dans les systèmes décentralisés, en mettant l'accent sur la réduction des doubles emplois et la réduction du trafic grâce à de meilleures techniques de commérages.