Couvre l'optimisation de portefeuille robuste sur le plan de la distribution pour maximiser l'utilité attendue avec des rendements d'actifs incertains.
Introduit des opérateurs proximaux et des méthodes de gradient conditionnel pour les problèmes convexes composites de minimisation dans l'optimisation des données.
Explore les conditions KKT dans l'optimisation convexe, couvrant les cônes doubles, les propriétés, les inégalités généralisées et les conditions d'optimisation.
Explore l'optimisation robuste dans la radiothérapie et les machines vectorielles de soutien, en mettant l'accent sur les scénarios les plus défavorables et l'utilisation de règles de décision linéaires.
Explore l'optimisation convexe dans la réduction de la dimensionnalité non linéaire, en présentant des applications pratiques dans les tâches de traitement du signal et de régression.
