Couvre les méthodes primal-dual pour la minimisation composite, les algorithmes stochastiques, les problèmes non convexes et les techniques de pénalité quadratique.
Couvre le rôle des modèles et des données dans lapprentissage statistique et les formulations doptimisation, avec des exemples de problèmes de classification, de régression et destimation de la densité.
Couvre les modèles d'estimation statistique, les estimateurs de ML, les machines d'apprentissage, les problèmes pratiques et les défis de l'estimation.
Introduit les bases de l'optimisation, couvrant les normes, la convexité, la différentiabilité, et plus encore, en mettant l'accent sur les métriques, les normes vectorielles, les normes matricielles et la continuité.
Couvre les méthodes de descente de gradient pour les problèmes convexes et non convexes, y compris la minimisation convexe lisse sans contrainte, lestimation de la vraisemblance maximale, et des exemples comme la régression de crête et la classification dimage.
Explore les bases de l'optimisation telles que les normes, la convexité et la différentiabilité, ainsi que les applications pratiques et les taux de convergence.
