Explore la définition de solutions de conception, l'optimisation multidisciplinaire et les défis liés à l'optimisation de la conception des systèmes, y compris les racines et la motivation derrière l'optimisation de la conception multidisciplinaire.
Explore l'optimisation dans la modélisation des systèmes énergétiques, couvrant les variables de décision, les fonctions objectives et les différentes stratégies avec leurs avantages et leurs inconvénients.
Introduit l’approche d’apprentissage par projet de l’EPFL pour optimiser les systèmes énergétiques à travers la théorie, les tâches de projet et les outils.
Explore le transport optimal, la transformation de la lumière, l'optimisation de la conception inverse et l'analyse de sensibilité pour l'optimisation de la forme.
Explore l'optimisation de l'énergie dans les systèmes de mémoire, en soulignant l'importance des hiérarchies de mémoire et des compromis entre fiabilité et actualité.
Explore l'optimisation de la conception des capteurs et des protéines bioluminescentes pour la surveillance des médicaments et la visualisation des métabolites.
Couvre l'optimisation non convexe, les problèmes d'apprentissage profond, la descente stochastique des gradients, les méthodes d'adaptation et les architectures réseau neuronales.
Sur Convex Optimization couvre l'organisation des cours, les problèmes d'optimisation mathématique, les concepts de solution et les méthodes d'optimisation.
Couvre les bases d'optimisation, y compris l'optimisation sans contrainte et les méthodes de descente de gradient pour trouver des solutions optimales.
Explore l'optimisation non linéaire, en se concentrant sur la méthode de Newton et les méthodes de descente pour trouver des solutions optimales efficacement.
Explore les défis de conception et les avantages des CRF hybrides, en mettant l'accent sur la faible perte et l'optimisation simultanée pour améliorer les performances.
Couvre les techniques d'optimisation dans l'apprentissage automatique, en se concentrant sur la convexité, les algorithmes et leurs applications pour assurer une convergence efficace vers les minima mondiaux.
Discute des techniques d'optimisation dans l'apprentissage automatique, en se concentrant sur la descente de gradient stochastique et ses applications dans les problèmes contraints et non convexes.
