機器學習中的一階與隨機優(yōu)化方法

定　價：￥169.00

作　者：	（美）藍光輝（Guanghui Lan）
出版社：	機械工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787111724254	出版時間：	2023-06-01	包裝：	平裝
開本：	16開	頁數(shù)：		字數(shù)：

內容簡介

　　本書對優(yōu)化算法的理論和研究進展進行了系統(tǒng)的梳理，旨在幫助讀者快速了解該領域的發(fā)展脈絡，掌握必要的基礎知識，進而推進前沿研究工作。本書首先介紹流行的機器學習模式，對重要的優(yōu)化理論進行回顧，接著重點討論已廣泛應用于優(yōu)化的算法，以及有潛力應用于大規(guī)模機器學習和數(shù)據(jù)分析的算法，包括一階方法、隨機優(yōu)化方法、隨機和分布式方法、非凸隨機優(yōu)化方法、無投影方法、算子滑動和分散方法等。本書適合對機器學習、人工智能和數(shù)學編程感興趣的讀者閱讀參考。

作者簡介

　　藍光輝（Guanghui Lan）佐治亞理工學院工業(yè)與系統(tǒng)工程學院教授，之前曾任教于佛羅里達大學工業(yè)與系統(tǒng)工程系。研究方向為隨機優(yōu)化和非線性規(guī)劃的理論、算法與應用。曾獲NSF CAREER獎、INFORMS青年教師論文獎一等獎、INFORMS Computing Society（ICS）獎等。目前擔任Computational Optimization and Applications、Mathematical Programming和SIAM Journal on Optimization等期刊的副主編。博士畢業(yè)于佐治亞理工學院。

圖書目錄

目　錄Firstorder and Stochastic Optimization Methods for Machine Learning譯者序
前言第1章　機器學習模型 1　1.1　線性回歸1
　1.2　邏輯回歸3
　1.3　廣義線性模型5
　　1.3.1　指數(shù)分布族5
　　1.3.2　模型構建5
　1.4　支持向量機8
　1.5　正則化、Lasso回歸和
嶺回歸11
　1.6　群體風險最小化11
　1.7　神經網絡12
　1.8　練習和注釋14第2章　凸優(yōu)化理論15　2.1　凸集15
　　2.1.1　定義和例子15
　　2.1.2　凸集上的投影16
　　2.1.3　分離定理17
　2.2　凸函數(shù)20
　　2.2.1　定義和例子20
　　2.2.2　可微凸函數(shù)21
　　2.2.3　不可微凸函數(shù)21
　　2.2.4　凸函數(shù)的Lipschitz
連續(xù)性23
　　2.2.5　凸優(yōu)化的最優(yōu)性條件24
　　2.2.6　表示定理與核25
　2.3　拉格朗日對偶26
　　2.3.1　拉格朗日函數(shù)與
對偶性26
　　2.3.2　強對偶性的證明27
　　2.3.3　鞍點29
　　2.3.4　KarushKuhnTucker
條件29
　　2.3.5　對偶支持向量機31
　2.4　LegendreFenchel共軛對偶32
　　2.4.1　凸函數(shù)的閉包32
　　2.4.2　共軛函數(shù)33
　2.5　練習和注釋35第3章　確定性凸優(yōu)化37　3.1　次梯度下降法37
　　3.1.1　一般非光滑凸問題38
　　3.1.2　非光滑強凸問題39
　　3.1.3　光滑凸問題41
　　3.1.4　光滑強凸問題42
　3.2　鏡面下降法43
　3.3　加速梯度下降法46
　3.4　加速梯度下降法的博弈論
解釋50
　3.5　非光滑問題的光滑方案52
　3.6　鞍點優(yōu)化的原始-對偶方法54
　　3.6.1　一般雙線性鞍點問題57
　　3.6.2　光滑雙線性鞍點問題57
　　3.6.3　光滑強凸雙線性鞍點
問題58
　　3.6.4　線性約束問題59
　3.7　乘子交替方向法61
　3.8　變分不等式的鏡面-鄰近
方法63
　　3.8.1　單調變分不等式64
　　3.8.2　廣義單調變分不等式66
　3.9　加速水平法68
　　3.9.1　非光滑、光滑和弱光滑
問題68
　　3.9.2　鞍點問題76
　3.10　練習和注釋81第4章　隨機凸優(yōu)化83　4.1　隨機鏡面下降法83
　　4.1.1　一般非光滑凸函數(shù)84
　　4.1.2　光滑凸問題87
　　4.1.3　準確性證書90
　4.2　隨機加速梯度下降法95
　　4.2.1　無強凸性問題100
　　4.2.2　非光滑強凸問題103
　　4.2.3　光滑強凸問題104
　　4.2.4　準確性證書109
　4.3　隨機凹凸鞍點問題111
　　4.3.1　通用算法框架112
　　4.3.2　極小極大隨機問題115
　　4.3.3　雙線性矩陣博弈117
　4.4　隨機加速原始-對偶方法119
　　4.4.1　加速原始-對偶方法121
　　4.4.2　隨機雙線性鞍點問題129
　4.5　隨機加速鏡面-鄰近方法140
　　4.5.1　算法框架141
　　4.5.2　收斂性分析142
　4.6　隨機塊鏡面下降方法154
　　4.6.1　非光滑凸優(yōu)化155
　　4.6.2　凸復合優(yōu)化164
　4.7　練習和注釋171第5章　凸有限和及分布式
優(yōu)化173　5.1　隨機原始-對偶梯度法173
　　5.1.1　多人共軛空間博弈的
重新表述176
　　5.1.2　梯度計算的隨機化177
　　5.1.3　強凸問題的收斂性179
　　5.1.4　隨機化方法的復雜度
下界189
　　5.1.5　對非強凸性問題的
推廣193
　5.2　隨機梯度外插法197
　　5.2.1　梯度外插方法198
　　5.2.2　確定性有限和問題204
　　5.2.3　隨機有限和問題213
　　5.2.4　分布式實現(xiàn)218
　5.3　降低方差的鏡面下降法220
　　5.3.1　無強凸性的光滑問題223
　　5.3.2　光滑和強凸問題225
　5.4　降低方差加速梯度下降法226
　　5.4.1　無強凸性的光滑問題229
　　5.4.2　光滑和強凸問題233
　　5.4.3　滿足錯誤界條件的
問題238
　5.5　練習和注釋240第6章　非凸優(yōu)化241　6.1　無約束非凸隨機優(yōu)化法241
　　6.1.1　隨機一階方法243
　　6.1.2　隨機零階方法251
　6.2　非凸隨機復合優(yōu)化法260
　　6.2.1　鄰近映射的一些性質261
　　6.2.2　非凸鏡面下降法263
　　6.2.3　非凸隨機鏡面下降法264
　　6.2.4　復合問題的隨機零階
方法275
　6.3　非凸隨機塊鏡面下降法279
　6.4　非凸隨機加速梯度下降法286
　　6.4.1　非凸加速梯度下降法287
　　6.4.2　隨機加速梯度下降法298
　6.5　非凸降低方差鏡面下降法310
　　6.5.1　確定性問題的基本
求解方案310
　　6.5.2　隨機優(yōu)化問題的推廣313
　6.6　隨機化加速鄰近點方法316
　　6.6.1　非凸有限和問題317
　　6.6.2　非凸多塊問題327
　6.7　練習和注釋337第7章　無投影方法 338　7.1　條件梯度法338
　　7.1.1　經典條件梯度