Ottimizzazione convessa per l'apprendimento automatico

Titolo originale:

Convex Optimization for Machine Learning

Contenuto del libro:

Questo libro è un'introduzione all'ottimizzazione convessa, uno dei problemi di ottimizzazione più potenti e trattabili che possono essere risolti in modo efficiente al computer. L'obiettivo del libro è quello di aiutare a sviluppare un'idea di cosa sia l'ottimizzazione convessa e di come possa essere utilizzata in una vasta gamma di contesti pratici, con particolare attenzione all'apprendimento automatico.

La prima parte del libro tratta i concetti fondamentali degli insiemi convessi, delle funzioni convesse e delle relative definizioni di base che servono a comprendere l'ottimizzazione convessa e i modelli corrispondenti. La seconda parte tratta una teoria molto utile, chiamata dualità, che ci permette di: (1) ottenere intuizioni algoritmiche; (2) ottenere una soluzione approssimata a problemi di ottimizzazione non convessi, spesso difficili da risolvere. L'ultima parte si concentra sulle moderne applicazioni dell'apprendimento automatico e del deep learning.

Una caratteristica distintiva di questo libro è che racconta in modo sintetico la "storia" del ruolo dell'ottimizzazione convessa, attraverso esempi storici e applicazioni di apprendimento automatico di tendenza. Un'altra caratteristica fondamentale è che include l'implementazione di programmazione di una serie di algoritmi di apprendimento automatico ispirati ai fondamenti dell'ottimizzazione, insieme a un breve tutorial sugli strumenti di programmazione utilizzati.

L'implementazione è basata su Python, CVXPY e TensorFlow. Questo libro non segue un'organizzazione tradizionale in stile libro di testo, ma è semplificato da una serie di appunti di lezioni che sono intimamente correlati, incentrati su temi e concetti coerenti.

È un libro di testo principalmente per un corso di laurea di livello superiore, ma è adatto anche per un corso di laurea del primo anno. I lettori possono trarre vantaggio da una buona preparazione in algebra lineare, da una certa esposizione alla probabilità e da una familiarità di base con Python.