课程评价_最优化方法导论
关于老师
由 AI 学院的张立军老师授课,老师本人方向偏向机器学习理论,跟课程内容还算比较对口。
前置知识
线性代数(范数、矩阵求导等)
课程内容
凸优化相关的基础内容,包括:
- 数学基础
- 凸性判断
- 对偶问题与拉格朗日乘数法
- KTT 条件
- 梯度下降
- 线性规划
都是凸优化中最基础的内容,主要难点来自于矩阵运算(求导、取极值等)的规则。对偶问题和 KTT 条件的推导比较省略,需要背公式。
笔者上这门课时,全程都在怀疑自己学习/做题的动机:在每一个阶段都无法理解为什么要学习这些技巧和操作;在后面的章节中才会实际应用到之前看似无用的炫技操作。所以听不太明白是正常的,对着 ppt 能理清逻辑即可。
作业、考试与得分
基本为上述每两章对应一次作业。单次作业包含一些基础的题目,耗时约 5 小时。
考试难度远低于作业,会考察一些来自于作业的概念和技巧(和密码学原理感觉很相似)。
本博客所有文章除特别声明外,均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来自 IAD's Blog!