內容簡介
最佳化和機器學習之間的相互作用是現代計算科學的最重要的發展之一。最佳化配方和方法被證明是至關重要的設計算法，從大量的數據中提取必要的知識。機器學習，然而，不僅是一個消費者的最佳化技術，而是一個快速發展的領域，本身產生新的最佳化思路。這本書抓住了最佳化的一種方式，是在機器學習領域的研究人員可以互動的藝術狀態。最佳化方法有著突出的機器學習由於其廣泛的適用性和吸引力的理論特性。日益增加的複雜性，大小和各種今天的機器學習模型要求重新評估現有的假設。這本書開始重新評估的過程。它描述了復甦的新背景下建立的框架，如一階方法，隨機逼近，凸鬆弛，內點方法，近端方法。它還致力於關注新的主題，如正則化最佳化，魯棒最佳化，分裂技術梯度和梯度的方法，，和二階方法。許多這些技術的靈感來源於其他領域，包括運籌學、計算機科學理論、和子域最佳化。這本書將豐富機器學習社區和其他領域之間，以及在更廣泛的最佳化社區正在進行的交叉施肥。
作者簡介
Suvrit Sra是一位研究科學家馬克斯普朗克生物控制論研究所，Tü賓根、德國。
Sebastian Nowozin是在微軟研究院，劍橋的一位博士後研究員，英國。
Stephen J. Wright是威斯康星大學計算機科學系的教授
