توضیحات
This book, developed through class instruction at MIT over the last 15 years, provides an accessible, concise, and intuitive presentation of algorithms for solving convex optimization problems. It relies on rigorous mathematical analysis, but also aims at an intuitive exposition that makes use of visualization where possible. This is facilitated by the extensive use of analytical and algorithmic concepts of duality, which by nature lend themselves to geometrical interpretation. The book places particular emphasis on modern developments, and their widespread applications in fields such as large-scale resource allocation problems, signal processing, and machine learning.
Among its features, the book:
* Develops comprehensively the theory of descent and approximation methods, including gradient and subgradient projection methods, cutting plane and simplicial decomposition methods, and proximal methods
* Describes and analyzes augmented Lagrangian methods, and alternating direction methods of multipliers
* Develops the modern theory of coordinate descent methods, including distributed asynchronous convergence analysis
* Comprehensively covers incremental gradient, subgradient, proximal, and constraint projection methods
* Includes optimal algorithms based on extrapolation techniques, and associated rate of convergence analysis
* Describes a broad variety of applications of large-scale optimization and machine learning
* Contains many examples, illustrations, and exercises
* Is structured to be used conveniently either as a standalone text for a class on convex analysis and optimization, or as a theoretical supplement to either an applications/convex optimization models class or a nonlinear programming class
————————————————————–
ترجمه ماشینی :
این کتاب که از طریق آموزش کلاسی در MIT طی 15 سال گذشته توسعه یافته است، ارائه ای در دسترس، مختصر و شهودی از الگوریتم ها برای حل مسائل بهینه سازی محدب را ارائه می دهد. این بر تجزیه و تحلیل دقیق ریاضی متکی است، اما همچنین به یک توضیح شهودی میپردازد که در صورت امکان از تجسم استفاده میکند. این با استفاده گسترده از مفاهیم تحلیلی و الگوریتمی دوگانگی، که طبیعتاً خود را به تفسیر هندسی میرسانند، تسهیل میشود. این کتاب تاکید ویژه ای بر پیشرفت های مدرن و کاربردهای گسترده آنها در زمینه هایی مانند مشکلات تخصیص منابع در مقیاس بزرگ، پردازش سیگنال و یادگیری ماشین دارد.
از جمله ویژگی های آن، کتاب:
* تئوری روش های نزول و تقریب را به طور جامع توسعه می دهد، از جمله روش های پیش بینی گرادیان و زیر گرادیان، روش های برش سطح و تجزیه ساده، و روش های پروگزیمال
* روش های لاگرانژی تقویت شده، و روش های جهت متناوب ضرب کننده ها را توصیف و تجزیه و تحلیل می کند.
* نظریه مدرن روشهای نزول مختصات، از جمله تجزیه و تحلیل همگرایی ناهمزمان توزیع شده را توسعه می دهد
* به طور جامع روش های پیش بینی گرادیان، زیرگرید، پروگزیمال و محدودیت را پوشش می دهد
* شامل الگوریتم های بهینه مبتنی بر در مورد تکنیک های برون یابی و نرخ تحلیل همگرایی مرتبط
* طیف گسترده ای از کاربردهای بهینه سازی در مقیاس بزرگ و یادگیری ماشین را توصیف می کند
* شامل مثال ها، تصاویر و تمرین های زیادی است
br>* برای استفاده راحت به عنوان یک متن مستقل برای یک کلاس در مورد تجزیه و تحلیل محدب و بهینهسازی، یا به عنوان یک مکمل نظری برای کلاس برنامهها/مدلهای بهینهسازی محدب یا یک کلاس برنامهنویسی غیرخطی ساخته شده است.
tag : دانلود کتاب الگوریتم های بهینه سازی محدب , Download الگوریتم های بهینه سازی محدب , دانلود الگوریتم های بهینه سازی محدب , Download Convex Optimization Algorithms Book , الگوریتم های بهینه سازی محدب دانلود , buy الگوریتم های بهینه سازی محدب , خرید کتاب الگوریتم های بهینه سازی محدب , دانلود کتاب Convex Optimization Algorithms , کتاب Convex Optimization Algorithms , دانلود Convex Optimization Algorithms , خرید Convex Optimization Algorithms , خرید کتاب Convex Optimization Algorithms ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.