Séance de cours
Sparsity structurée : normes atomiques et optimisation convexe
Séances de cours associées (31)
Gradient Descent Methods: Théorie et calcul
Explore les méthodes de descente de gradient pour les problèmes convexes lisses et non convexes, couvrant les stratégies itératives, les taux de convergence et les défis d'optimisation.
L’optimisation primal-dual : les fondamentaux
Explore l'optimisation primal-dual, les problèmes minimax et les méthodes de montée en pente pour les algorithmes d'optimisation.
Gradient Descent Méthodes
Couvre les méthodes de descente de gradient pour les problèmes convexes et non convexes, y compris la minimisation convexe lisse sans contrainte, lestimation de la vraisemblance maximale, et des exemples comme la régression de crête et la classification dimage.
Méthodes d'optimisation: convergence et compromis
Couvre les méthodes d'optimisation, les garanties de convergence, les compromis et les techniques de réduction de la variance en optimisation numérique.
Optimisation du double primaire: méthode extra-gradient
Explore la méthode Extra-Gradient pour l'optimisation Primal-dual, couvrant les problèmes non convexes, les taux de convergence et les performances pratiques.
Le paysage d'optimisation de Convex caché des réseaux neuronaux profonds
Explore le paysage d'optimisation convexe caché des réseaux neuronaux profonds, montrant la transition des modèles non convexes aux modèles convexes.
Modèles de signaux concis et détection compressive
Explore les modèles de signaux concis, la détection compressive, la parcimonie, les normes atomiques et la minimisation non lisse en utilisant la descente de sous-gradient.
Adversarial Machine Learning: Fondamentaux et techniques
Explore l'apprentissage machine contradictoire, couvrant la génération d'exemples contradictoires, les défis de robustesse et des techniques telles que la méthode Fast Gradient Sign.
Régularisation L1 : Solutions sparmées et réduction de dimensionnalité
Déplacez-vous dans la régularisation L1, les solutions éparses et la réduction de dimensionnalité dans le contexte de l'apprentissage automatique.
De la descente progressive stochastique à l'optimisation non lissée
Couvre l'optimisation stochastique, la sparsité et la minimisation non lisses par descente subgradielle.