- Конспект Функции многих переменных: частные производные и градиент, градиент в задачах оптимизации, производная по направлению, касательная плоскость и линейное приближение, направление наискорейшего роста
- Конспект Методы оптимизации: оптимизация негладких функций, метод имитации отжига, генетические алгоритмы, метод Нелдера-Мида
Assignment Оптимизация в Python: глобальная оптимизация и оптимизация негладкой функции
В этом задании вы научитесь решать задачи оптимизации с помощью библиотеки SciPy. Сначала вы решите задачу поиска минимума гладкой функции с помощью одного из градиентных методов оптимизации (поиск локального минимума), затем увидите отличия в работе градиентного метода и одного из методов глобальной оптимизации (генетический алгоритм: дифференциальная эволюция). А в заключение – найдете глобальный минимум негладкой функции, т.е. функции, у которой не всегда определен градиент. В этом случае не работают градиентные методы.
- Конспект Сингулярное разложение матриц: матричные разложения, приближение матрицей меньшего ранга, сингулярное разложение и низкоранговое приближение