Optimisation convexe pour l'apprentissage automatique

Optimisation convexe pour l'apprentissage automatique (Changho Suh)

Titre original :

Convex Optimization for Machine Learning

Contenu du livre :

Ce livre présente une introduction à l'optimisation convexe, l'un des problèmes d'optimisation les plus puissants et les plus faciles à résoudre sur ordinateur. L'objectif de ce livre est d'aider à développer un sens de ce qu'est l'optimisation convexe, et comment elle peut être utilisée dans un éventail de plus en plus large de contextes pratiques, avec un accent particulier sur l'apprentissage automatique.

La première partie du livre couvre les concepts fondamentaux des ensembles convexes, des fonctions convexes et des définitions de base connexes qui permettent de comprendre l'optimisation convexe et ses modèles correspondants. La deuxième partie traite d'une théorie très utile, appelée dualité, qui nous permet : (1) d'acquérir des connaissances algorithmiques ; et (2) d'obtenir une solution approximative à des problèmes d'optimisation non convexe qui sont souvent difficiles à résoudre. La dernière partie se concentre sur les applications modernes de l'apprentissage automatique et de l'apprentissage profond.

L'une des caractéristiques de ce livre est qu'il raconte succinctement l'histoire du rôle de l'optimisation convexe, à l'aide d'exemples historiques et d'applications d'apprentissage automatique en vogue. Une autre caractéristique clé est qu'il inclut la mise en œuvre de la programmation d'une variété d'algorithmes d'apprentissage automatique inspirés par les principes fondamentaux de l'optimisation, ainsi qu'un bref tutoriel sur les outils de programmation utilisés.

L'implémentation est basée sur Python, CVXPY et TensorFlow. Ce livre ne suit pas une organisation traditionnelle de type manuel, mais se présente sous la forme d'une série de notes de cours intimement liées, centrées sur des thèmes et des concepts cohérents.

Il sert de manuel principalement pour un cours de premier cycle de niveau supérieur, mais convient également pour un cours de deuxième cycle de première année. Les lecteurs ont intérêt à avoir une bonne connaissance de l'algèbre linéaire, une certaine exposition aux probabilités et une familiarité de base avec Python.

Autres informations sur le livre :

ISBN :9781638280521
Auteur :
Éditeur :
Langue :anglais
Reliure :Relié
Année de publication :2022
Nombre de pages :350

Achat:

Actuellement disponible, en stock.

Je l'achète!

Autres livres de l'auteur :

Optimisation convexe pour l'apprentissage automatique - Convex Optimization for Machine...
Ce livre présente une introduction à l'optimisation convexe,...
Optimisation convexe pour l'apprentissage automatique - Convex Optimization for Machine Learning
Théorie de l'information pour la science des données - Information Theory for Data Science
La théorie de l'information traite des lois mathématiques qui...
Théorie de l'information pour la science des données - Information Theory for Data Science
Principes de communication pour la science des données - Communication Principles for Data...
L'une des caractéristiques de ce livre est d'établir...
Principes de communication pour la science des données - Communication Principles for Data Science

Les œuvres de l'auteur ont été publiées par les éditeurs suivants :

© Book1 Group - tous droits réservés.
Le contenu de ce site ne peut être copié ou utilisé, en tout ou en partie, sans l'autorisation écrite du propriétaire.
Dernière modification: 2024.11.14 07:32 (GMT)