Êtes-vous un étudiant de l'EPFL à la recherche d'un projet de semestre?
Travaillez avec nous sur des projets en science des données et en visualisation, et déployez votre projet sous forme d'application sur Graph Search.
Cette séance de cours couvre la méthode d'optimisation de Newton sur les collecteurs, en mettant l'accent sur l'exploitation de l'information de deuxième ordre pour minimiser une fonction en douceur sur un collecteur. L'instructeur explique le choix de la rétractation, Riemannian métrique, et le point initial, et itérer des algorithmes pour trouver la solution optimale. En utilisant les extensions Taylor de deuxième ordre et Hessians, une meilleure direction de recherche est déterminée. La séance de cours souligne l'importance de choisir les bons paramètres pour une convergence efficace et discute des inconvénients de la méthode de Newton en termes de comportement global. Diverses corrections telles que les méthodes de trust-region et les méthodes de régularisation cubique sont présentées pour améliorer les performances de l'algorithme.