Séance de cours
Transport optimal: fractionnement vers l'avant-arrière
Séances de cours associées (32)
KKT et optimisation convexe
Couvre les conditions KKT et l'optimisation convexe, en discutant des qualifications de contraintes et des cônes tangents des ensembles convexes.
PCA : Dérivation et optimisation
Couvre la dérivation de la projection PCA, la minimisation des erreurs et l'optimisation du vecteur propre.
Propriétés thermodynamiques : équations et modèles
Explique les propriétés thermodynamiques, les équations d'état et les règles de mélange pour la modélisation des systèmes énergétiques.
Modèles probabilistes pour la régression linéaire
Couvre le modèle probabiliste de régression linéaire et ses applications dans la résonance magnétique nucléaire et l'imagerie par rayons X.
Principes d'optimisation
Couvre les principes d'optimisation, y compris l'optimisation linéaire, les réseaux et les exemples de recherche concrets dans le transport.
Simplex Algorithme: Bases
Introduit l'algorithme Simplex pour résoudre les problèmes de flux et gérer les cycles de coûts négatifs.
Matrices de projection: Min-Cut et Gradient Descente
Explore les matrices de projection dans le contexte d'algorithmes de déclivité et de coupe-minute, en mettant l'accent sur leur rôle dans l'optimisation.
Chaîne Monte Carlo: Motivation et Algorithme
Explore la motivation et l'algorithme derrière la méthode Monte Carlo Chain.
Contrôle optimal : Conditions KKT
Explore les conditions optimales de contrôle et de KKT pour une optimisation non linéaire avec des contraintes.
Descente progressive prévue
Explore l'optimisation convexe contrainte grâce à Projected Gradient Descent, se concentrant sur l'espace tangent et la minimisation itérative.