Optimisation pour l'apprentissage automatique : non convexe

Cette séance de cours couvre l'optimisation non convexe dans le contexte de l'apprentissage automatique, se concentrant sur la descente en gradient sur les fonctions lisses, l'analyse de trajectoire, les modèles linéaires avec des sorties multiples, et minimisant l'erreur des moindres carrés. L'instructeur explique les fondements théoriques et les implications pratiques de ces concepts, fournissant des informations sur les propriétés de convergence et les défis des algorithmes d'optimisation.