在线凸优化：概念、架构及核心算法
全新正版 极速发货
￥ 37.4 5.4折 ￥ 69 全新
库存5件
广东广州
认证卖家担保交易快速发货售后保障
作者[美]伊兰德·卡赞（EladHazan）著,张文博,张丽静 译
出版社机械工业出版社
ISBN9787111690221
出版时间2021-09
装帧平装
开本16开
定价69元
货号1202488468
上书时间2024-06-15
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
埃拉德·哈赞（EladHazan）普林斯顿大学计算机科学教授，谷歌人工智能普林斯顿公司的联合创始人和董事。他专注于机器学习和优化中基本问题的算法设计和分析的研究，曾获得贝尔实验室奖、2008年度和2012年度IBMGoldberg最佳论文奖、欧洲研究理事会奖、玛丽·居里奖学金和谷歌研究奖。他曾在计算学习协会指导委员会任职，并担任COLT2015程序委员会主席，2017年与他人共同创建了致力于高效优化和控制的In8公司。
目录
前言<br/>致谢<br/>第1章 导论 1<br/>1.1 在线凸优化模型 2<br/>1.2 可以用OCO建模的例子 3<br/>1.3 一个温和的开始: 从专家建议中学习 8<br/>1.3.1 加权多数算法 10<br/>1.3.2 随机加权多数算法 12<br/>1.3.3 对冲 14<br/>1.4 习题 16<br/>1.5 文献点评 17<br/>第2章 凸优化的基本概念 18<br/>2.1 基本定义和设定 18<br/>2.1.1 在凸集上的投影 20<br/>2.1.2 最优条件简介 21<br/>2.2 梯度、次梯度下降法 23<br/>2.3 非光滑和非强凸函数的归约 27<br/>2.3.1 光滑非强凸函数的归约 28<br/>2.3.2 强凸非光滑函数的归约 29<br/>2.3.3 一般凸函数的归约 32<br/>2.4 例子: 支持向量机训练 33<br/>2.5 习题 35<br/>2.6 文献点评 37<br/>第3章 在线凸优化的一阶算法 38<br/>3.1 在线梯度下降法 39<br/>3.2 下界 42<br/>3.3 对数遗憾 43<br/>3.4 应用: 随机梯度下降法 45<br/>3.5 习题 49<br/>3.6 文献点评 50<br/>第4章 二阶方法 51<br/>4.1 动机: 通用投资组合选择 51<br/>4.1.1 主流投资组合理论 51<br/>4.1.2 通用投资组合理论 52<br/>4.1.3 持续再平衡投资组合 54<br/>4.2 exp-凹函数 55<br/>4.3 在线牛顿步算法 57<br/>4.4 习题 63<br/>4.5 文献点评 64<br/>第5章 正则化 66<br/>5.1 正则函数 67<br/>5.2 RFTL 算法及其分析 69<br/>5.2.1 元算法的定义 70<br/>5.2.2 遗憾界 70<br/>5.3 在线镜像下降法 74<br/>5.3.1 迟缓型OMD算法与RFTL 算法的等价性 75<br/>5.3.2 镜像下降的遗憾界 76<br/>5.4 应用及特殊情形 78<br/>5.4.1 在线梯度下降法的导出 79<br/>5.4.2 乘法更新的导出 79<br/>5.5 随机正则化 81<br/>5.5.1 对凸代价函数的扰动 82<br/>5.5.2 对线性代价函数的扰动 86<br/>5.5.3 专家建议中的扰动领袖追随算法 87<br/>5.6 最优正则化（选学） 90<br/>5.7 习题 96<br/>5.8 文献点评 98<br/>第6章 Bandit凸优化 100<br/>6.1 BCO设定 100<br/>6.2 多臂赌博机问题 101<br/>6.3 从有限信息到完整信息的归约 107<br/>6.3.1 第1部分: 使用无偏估计 107<br/>6.3.2 第2部分: 点点梯度估计 110<br/>6.4 不需要梯度的在线梯度下降算法 113<br/>6.5 BLO最优遗憾算法（选学） 116<br/>6.5.1 自和谐障碍 116<br/>6.5.2 一个近优算法 118<br/>6.6 习题 121<br/>6.7 文献点评 122<br/>第7章 无投影算法 123<br/>7.1 回顾: 与线性代数相关的概念 123<br/>7.2 动机: 矩阵补全与推荐系统 124<br/>7.3 条件梯度法 126<br/>7.4 投影与线性优化 131<br/>7.5 在线条件梯度算法 133<br/>7.6 习题 138<br/>7.7 文献点评 139<br/>第8章 博弈、对偶性和遗憾 140<br/>8.1 线性规划和对偶性 141<br/>8.2 零和博弈与均衡 142<br/>8.3 冯·诺伊曼定理的证明 146<br/>8.4 近似线性规划 148<br/>8.5 习题 150<br/>8.6 文献点评 150<br/>第9章 学习理论、泛化和OCO 152<br/>9.1 统计学习理论的设定 152<br/>9.1.1 过拟合 153<br/>9.1.2 没有免费的午餐 154<br/>9.1.3 学习问题的例子 156<br/>9.1.4 泛化和可学习性的定义 157<br/>9.2 使用OCO的不可知学习 159<br/>9.2.1 余项: 度量集中和鞅 160<br/>9.2.2 对归约的分析 162<br/>9.3 习题 165<br/>9.4 文献点评 166<br/>参考文献 167
内容摘要
本书可作为在线凸优化大量理论的导论教程。第2~5章主要介绍在线凸优化的基本概念、架构和核心算法。本书其余部分则处理更为高级的算法、更为困难的设定和与著名的机器学习范式之间的关系。
主编推荐
本书可作为在线凸优化大量理论的导论教程。第2~5章主要介绍在线凸优化的基本概念、架构和核心算法。本书其余部分则处理更为不错的算法、更为困难的设定和与有名的机器学习范式之间的关系。
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价