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
Introduction to Linear Algebra
Álgebra LinealEl libro de álgebra lineal más citado para entender la estructura matemática detrás del machine learning.
Mathematics for Machine Learning
Matemáticas para MLEl puente directo entre las matemáticas universitarias y su aplicación concreta en machine learning.