Explore les compromis entre les données et le temps dans les problèmes de calcul, en mettant l'accent sur les rendements décroissants et les compromis continus.
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.
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.
