Convex Optimization

El texto de referencia sobre optimización convexa, la matemática detrás de cómo se entrenan los modelos.

ÁreaFundamentos Matemáticos
TemaOptimización
NivelAvanzado
Publicación2004

Autor(es): Stephen Boyd, Lieven Vandenberghe

Versión gratuita disponible

¿Qué puedes lograr leyendo este libro?

  • Entender formalmente por qué el descenso de gradiente converge (o no)
  • Reconocer cuándo un problema de optimización tiene una solución garantizada
  • Aplicar formulaciones convexas a problemas de regresión regularizada y SVM

Descripción

Boyd y Vandenberghe cubren la teoría y práctica de la optimización convexa: qué la hace tratable, cómo formular problemas del mundo real como problemas convexos, y los algoritmos para resolverlos. Es la base matemática formal detrás de gran parte del machine learning clásico.

Para quién es ideal

  • Quien quiere entender la teoría formal detrás del entrenamiento de modelos
  • Estudiantes de posgrado en ML, estadística o ingeniería
  • Práctica de formular problemas de negocio como optimización matemática
  • Complemento riguroso a un curso aplicado de machine learning

Contenido destacado

  • Conjuntos y funciones convexas
  • Problemas de optimización convexa (LP, QP, SDP)
  • Dualidad de Lagrange
  • Algoritmos de punto interior
  • Aplicaciones a mínimos cuadrados, regresión regularizada y control

Ventajas y limitaciones

Ventajas

  • Disponible gratis y legalmente en PDF desde la web de Stanford
  • Rigor matemático que explica el 'por qué' detrás de los algoritmos de ML
  • Autores son referentes mundiales en el tema

Limitaciones

  • Requiere una base sólida de cálculo multivariable y álgebra lineal
  • Notación matemática densa, poco orientado a la implementación práctica

Libros relacionados