Sur Convex Optimization couvre l'organisation des cours, les problèmes d'optimisation mathématique, les concepts de solution et les méthodes d'optimisation.
Explore l'optimisation de la programmation linéaire avec des contraintes, l'algorithme de Dijkstra et les formulations LP pour trouver des solutions réalisables.
Explore l'apprentissage automatique en chimie, se concentrant sur l'optimisation de la réaction bayésienne et le transfert du fardeau expérimental des humains aux machines.
Explore l'optimisation de la modélisation neuronale, en abordant les paramètres sous-constraintes, les fonctions de conditionnement physique et l'adaptation réussie des modèles de tir.
Explore la transition des algorithmes aux programmes par la compilation, en mettant l'accent sur les contraintes et les pratiques de codage compréhensibles par la machine.
Explore le compromis entre la complexité et le risque dans les modèles d'apprentissage automatique, les avantages de la surparamétrisation et le biais implicite des algorithmes d'optimisation.
