Explore l'optimisation des polynômes, en mettant l'accent sur les polynômes de somme de carrés et leurs applications, y compris la représentation monomiale et les preuves de théorème.
Explore l'apprentissage de la solution du noyau en optimisation convexe, en se concentrant sur la prédiction des sorties à l'aide d'un classificateur linéaire et en abordant les problèmes numériques possibles.
Couvre le débruitage et la reconstruction d'images en utilisant une minimisation totale des variations et discute des effets visuels des différentes forces de régularisation.
Explore l'optimisation des polynômes, en mettant l'accent sur les polynômes SOS et non négatifs, y compris la représentation des polynômes en tant que fonctions quadratiques des monômes.
Explore la somme des polynômes carrés et la programmation semi-définie dans l'optimisation polynomiale, permettant l'approximation des polynômes non convexes avec SDP convexe.
Explore l'optimisation de portefeuille robuste sur le plan de la distribution et compare différentes approches et méthodes d'estimation pour l'évaluation de portefeuille.
Explore l'optimisation des polynômes, y compris l'écriture de polynômes en tant que produits matriciels et la résolution d'équations linéaires pour la non-négativité.
Explore l'optimisation robuste en radiothérapie, en mettant l'accent sur l'optimisation de la dose et les compromis entre les solutions nominales et robustes.
Couvre l'optimisation de portefeuille robuste sur le plan de la distribution pour maximiser l'utilité attendue avec des rendements d'actifs incertains.
Explore les modèles et les stratégies d'optimisation de portefeuille sous l'incertitude, en mettant l'accent sur des critères de décision tels que la valeur à risque et la variance moyenne fonctionnelle.
Couvre la stabilité de Lyapunov dans les systèmes dynamiques, en se concentrant sur la stabilité asymptotique globale et la mise en œuvre pratique grâce à une programmation semi-définie.
