Passer au contenu principal

Recherche

Afficher tous les résultats pour

Accueil

Séance de cours

Méthode Newton : Convergence et soins quadratiques

À propos
Confidentialité
Mentions légales

Copyright © 2025 EPFL, tous droits réservés

Graph Chatbot

Description

Cette séance de cours couvre la méthode de Newton, en se concentrant sur ses propriétés de convergence lorsque la solution est proche du point optimal. Il traite également des soins quadratiques et de l'importance de la continuité de Lipschitz dans le processus de convergence.

Source officielle

https://mediaspace.epfl.ch/media/0_ludjha89

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Dans cours

DEMO: adipisicing laborum nisi veniam

Fugiat elit sunt esse laborum. Nostrud incididunt ipsum mollit commodo elit tempor aliquip velit commodo incididunt magna. Sit officia est officia do non consequat velit deserunt veniam ex cupidatat ea excepteur laborum. Elit nisi nulla ad officia id nostrud irure occaecat dolor sunt sint id velit do. Adipisicing magna laborum esse labore ad elit veniam mollit. Exercitation amet amet ut sunt sunt elit officia. Quis nostrud laborum quis eu laborum commodo officia exercitation.

Enseignant

magna excepteur commodo elit

Esse dolore irure cupidatat ex velit. Enim minim ea eiusmod cillum consectetur do est commodo culpa minim. Adipisicing amet dolor eiusmod tempor. Irure aute incididunt pariatur incididunt. Exercitation officia aute proident occaecat mollit. Amet ut fugiat cupidatat sit.

Séances de cours associées (26)

Méthodes d'optimisation

Couvre les méthodes d'optimisation sans contraintes, y compris la recherche de gradient et de ligne dans le cas quadratique.

Descente de gradient plus rapide: Techniques d'optimisation projetées

Couvre des méthodes de descente de gradient plus rapides et une descente de gradient projetée pour une optimisation contrainte dans l'apprentissage automatique.

Méthodes numériques : critères d'arrêt, SciPy et Matplotlib

Discute des méthodes numériques, en se concentrant sur les critères d'arrêt, SciPy pour l'optimisation et la visualisation des données avec Matplotlib.

Numerics: projet de semestre

Couvre le projet de semestre sur les chiffres, en se concentrant sur les algorithmes adaptatifs et les méthodes multi-étapes.

Résoudre les équations : la méthode de Newton

Couvre les conditions et la convergence de la méthode de Newton, l'extension à de multiples variables et les modèles linéaires.