دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Algorithms for Convex Optimization
دانلود کتاب الگوریتم های بهینه سازی محدب
مشخصات کتاب
Algorithms for Convex Optimization
ویرایش: 1
نویسندگان: Nisheeth K. Vishnoi
سری:
ISBN (شابک) : 1108482023, 9781108482028
ناشر: Cambridge University Press
سال نشر: 2021
تعداد صفحات: 0
زبان: English
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 5 مگابایت
قیمت کتاب (تومان) : 34,000
در صورت تبدیل فایل کتاب Algorithms for Convex Optimization به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب الگوریتم های بهینه سازی محدب نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
توضیحاتی در مورد کتاب الگوریتم های بهینه سازی محدب
در چند سال اخیر، الگوریتم‌های بهینه‌سازی محدب انقلابی در طراحی الگوریتم، هم برای مسائل بهینه‌سازی گسسته و هم برای مسائل پیوسته ایجاد کرده‌اند. برای مسائلی مانند حداکثر جریان، حداکثر تطبیق، و کمینه سازی تابع زیر مدولار، سریع ترین الگوریتم ها شامل روش های ضروری مانند نزول گرادیان، فرود آینه، روش های نقطه داخلی و روش های بیضی است. هدف این کتاب مستقل این است که محققان و متخصصان علوم کامپیوتر، علوم داده و یادگیری ماشین را قادر سازد تا درک عمیقی از این الگوریتم‌ها به دست آورند. این متن بر چگونگی استخراج الگوریتم‌های کلیدی برای بهینه‌سازی محدب از اصول اولیه و چگونگی ایجاد محدودیت‌های زمانی دقیق تاکید دارد. این متن مدرن موفقیت این الگوریتم‌ها را در مسائل بهینه‌سازی گسسته و همچنین چگونگی پیشرفت چشمگیر این روش‌ها در هنر بهینه‌سازی محدب توضیح می‌دهد.
توضیحاتی درمورد کتاب به خارجی
In the last few years, Algorithms for Convex Optimization have revolutionized algorithm design, both for discrete and continuous optimization problems. For problems like maximum flow, maximum matching, and submodular function minimization, the fastest algorithms involve essential methods such as gradient descent, mirror descent, interior point methods, and ellipsoid methods. The goal of this self-contained book is to enable researchers and professionals in computer science, data science, and machine learning to gain an in-depth understanding of these algorithms. The text emphasizes how to derive key algorithms for convex optimization from first principles and how to establish precise running time bounds. This modern text explains the success of these algorithms in problems of discrete optimization, as well as how these methods have significantly pushed the state of the art of convex optimization itself.
