Séances de cours associées à Opérateurs proximaux et optimisation contrainte

Principes de base de l'optimisation : normes, convexité, différentiabilité

Explore les bases de l'optimisation telles que les normes, la convexité et la différentiabilité, ainsi que les applications pratiques et les taux de convergence.

Structures dans l'optimisation non convexe

Se penche sur les structures en optimisation non convexe, en mettant l'accent sur l'optimisation évolutive pour le deep learning.

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.

Proximal Gradient Descent: Techniques d'optimisation dans l'apprentissage automatique

Discute de la descente du gradient proximal et de ses applications dans l'optimisation des algorithmes d'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.

Optimisation non convexe : techniques et applications

Couvre les techniques d'optimisation non convexes et leurs applications dans l'apprentissage automatique.