دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: نویسندگان: Ernest K. Ryu, Wotao Yin سری: ISBN (شابک) : 1009160850, 9781009160858 ناشر: Cambridge University Press سال نشر: 2022 تعداد صفحات: 317 [319] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 3 Mb
در صورت تبدیل فایل کتاب Large-Scale Convex Optimization: Algorithms & Analyses via Monotone Operators 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 بهینه سازی محدب در مقیاس بزرگ: الگوریتم ها و تجزیه و تحلیل ها از طریق عملگرهای یکنواخت 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.
از جایی که اولین دوره در بهینهسازی محدب شروع میشود، این متن یک تحلیل یکپارچه از روشهای بهینهسازی مرتبه اول - از جمله الگوریتمهای توزیع موازی - را از طریق انتزاع عملگرهای یکنواخت ارائه میکند. با افزایش قدرت محاسباتی و در دسترس بودن داده های بزرگ در دهه گذشته، رشته های کاربردی خواستار حل مشکلات بهینه سازی بزرگتر و بزرگتر شده اند. این متن روشهای بهینهسازی محدب مرتبه اول را پوشش میدهد که به طور منحصربهفردی در حل این مسائل بهینهسازی در مقیاس بزرگ مؤثر هستند. خوانندگان این فرصت را خواهند داشت که بسیاری از الگوریتمهای کلاسیک و مدرن شناخته شده را با استفاده از عملگرهای یکنواخت بسازند و تحلیل کنند و با درک کاملی از الگوریتمهای بهینهسازی متنوع از آنجا دور شوند. دانشجویان فارغ التحصیل و محققان در بهینه سازی ریاضی، تحقیق در عملیات، مهندسی برق، آمار و علوم کامپیوتر از این مقدمه مختصر بر نظریه الگوریتم های بهینه سازی محدب قدردانی خواهند کرد.
Starting from where a first course in convex optimization leaves off, this text presents a unified analysis of first-order optimization methods – including parallel-distributed algorithms – through the abstraction of monotone operators. With the increased computational power and availability of big data over the past decade, applied disciplines have demanded that larger and larger optimization problems be solved. This text covers the first-order convex optimization methods that are uniquely effective at solving these large-scale optimization problems. Readers will have the opportunity to construct and analyze many well-known classical and modern algorithms using monotone operators, and walk away with a solid understanding of the diverse optimization algorithms. Graduate students and researchers in mathematical optimization, operations research, electrical engineering, statistics, and computer science will appreciate this concise introduction to the theory of convex optimization algorithms.