Stanford EE364A: Convex Optimization¶
课程简介¶
- 先修要求：线性代数，高等数学
- 参考材料：
- Convex Optimization：参考教材
- EE364a：斯坦福大学的凸优化课程，由 Stephen P. Boyd 讲授
- 主要内容：
- 凸集、凸函数、凸问题定义及基础性质
- 凸优化算法，包括梯度下降、牛顿迭代法及其衍生算法
在当下的深度学习中，梯度下降几乎是无处不在的。如果你不满足于仅仅是调用 pytorch 等框架中的 API 而是想要深入了解梯度下降背后的原理，例如梯度下降在凸问题中为什么一定会收敛、收敛速度如何分析等，那么我推荐你学习一下凸优化这门课程。
另外，虽然这门课名字较为“高大上”，但是其实只是线性代数和高等数学在凸问题上的应用罢了，如果你有这两门先修课程较好的基础，那么学习这门课也并不会很难。