جلد سخت سیاه و سفید
Product details
- Publisher : Springer; 1st ed. 2022 edition (June 16, 2022)
- Language : English
- Hardcover : 286 pages
- ISBN-10 : 9811698392
- ISBN-13 : 978-9811698392
کتاب Alternating Direction Method of Multipliers for Machine Learning
Machine learning heavily relies on optimization algorithms to solve its learning models. Constrained problems constitute a major type of optimization problem, and the alternating direction method of multipliers (ADMM) is a commonly used algorithm to solve constrained problems, especially linearly constrained ones. Written by experts in machine learning and optimization, this is the first book providing a state-of-the-art review on ADMM under various scenarios, including deterministic and convex optimization, nonconvex optimization, stochastic optimization, and distributed optimization. Offering a rich blend of ideas, theories and proofs, the book is up-to-date and self-contained. It is an excellent reference book for users who are seeking a relatively universal algorithm for constrained problems. Graduate students or researchers can read it to grasp the frontiers of ADMM in machine learning in a short period of time.
منابع کتاب کتاب Alternating Direction Method of Multipliers for Machine Learning
یادگیری ماشینی برای حل مدل های یادگیری خود به شدت به الگوریتم های بهینه سازی متکی است. مسائل محدود یک نوع اصلی از مسائل بهینه‌سازی را تشکیل می‌دهند، و روش جهت متناوب ضرب‌کننده‌ها (ADMM) یک الگوریتم متداول برای حل مسائل محدود، به‌ویژه مسائل با محدودیت خطی است. این کتاب که توسط متخصصان یادگیری ماشین و بهینه‌سازی نوشته شده است، اولین کتابی است که بررسی پیشرفته‌ای را در مورد ADMM تحت سناریوهای مختلف از جمله بهینه‌سازی قطعی و محدب، بهینه‌سازی غیر محدب، بهینه‌سازی تصادفی و بهینه‌سازی توزیع شده ارائه می‌کند. این کتاب با ارائه ترکیبی غنی از ایده ها، نظریه ها و شواهد، به روز و مستقل است. این یک کتاب مرجع عالی برای کاربرانی است که به دنبال یک الگوریتم نسبتاً جهانی برای مشکلات محدود هستند.
ارسال نظر درباره کتاب Alternating Direction Method of Multipliers for Machine Learning