Analyse des régions de confiance avec des étapes de Cauchy

À propos
Confidentialité
Mentions légales

Graph Chatbot

Séances de cours associées (28)

Page 2 sur 3

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.

Méthodes d'optimisation

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

Analyse du degré de liberté

Explore le degré d'analyse de la liberté, la redondance et la réconciliation des données dans la modélisation et l'optimisation des processus.

Optimisation non linéaire

Couvre la recherche en ligne, la méthode de Newton, BFGS et le gradient conjugué en optimisation non linéaire.

Faire confiance aux méthodes de la région: framework & algorithmes

Couvre les méthodes de la région de confiance, en se concentrant sur le cadre et les algorithmes.

Méthode locale de Newton : l'interprétation géométrique

Explore l'interprétation géométrique de la méthode de Newton dans les problèmes d'optimisation.

Gradient Descent: Optimisation et contraintes

Discute de la descente en gradient pour l'optimisation avec des contraintes d'égalité et des critères itératifs de convergence.

Descente de gradient stochastique : analyse d’optimisation et de convergence

Explore la descente de gradient stochastique pour les fonctions non fortement convexes et l'impact de la taille des pas sur la convergence.

Méthodes de recherche de racines: méthodes de Secant et Newton

Couvre les méthodes numériques de recherche de racines, en se concentrant sur les méthodes de Newton et de la sécante.

Primal-dual Optimization: Algorithmes et Convergence

Explore les algorithmes d'optimisation primal-dual pour les problèmes de minimax convexe-concave, en discutant des propriétés de convergence et des applications.