Оптимизация — это чрезвычайно богатый на приложения раздел математики.

В экономике и бизнесе существенная часть используемых моделей для принятия решений формализируются именно в виде оптимизационных моделей.

В анализе данных и статистике процесс оценки параметров статистической модели или же, в терминологии ML, «обучения» модели сводится к решению задачи оптимизации. При этом скорость решения напрямую зависит от используемых методов. В стандартных курсах по машинному обучению обычно говорят о градиентном спуске или его стохастическом аналоге, в более продвинутых упоминаются быстрые градиентные методы, однако это лишь небольшая часть инструментария, который может дать современная оптимизация.

Наши курсы в той или иной степени охватят все эти области.

Часть 1:

Основной курс по оптимизации, основанный на материалах курса «Выпуклый анализ и оптимизация», который читается в Школе анализа данных Яндекс.

Первые лекции курса посвящены выпуклому анализу и выпуклой оптимизации, что соответствует материалу первых глав книги «Convex Optimization» S. Boyd & L. Vanderberghe.

Вторая часть курса является сравнительно глубоким введением в современные (численные) методы выпуклой оптимизации.

Часть 2:

Это продолжение Части 1. Фокус этого курса приходится на оптимизационное моделирование, включающее в том или ином виде неопределенность.

К данному разделу относятся как достаточно хорошо изученная и нашедшая бесконечное количество применений стохастическая оптимизация, так и сравнительно новые и активно развивающиеся подходы: робастная оптимизация и онлайн-оптимизация.

Как и предыдущая часть курса, в этой мы стараемся держать баланс между теорией, приложениями и алгоритмами.