Optimization: A Bootcamp for Machine Learning, Inverse Problems, and Control
Steven L. Brunton
Edição: Cambridge University Press, 2026
Capítulo 1 — Optimization Bootcamp
- Nota 1 — 1.1 Anatomia de um problema de otimização
- Nota 2 — 1.2 Convexidade em otimização (prevista)
- Nota 3 — 1.3 Gradientes e a geometria da otimização; 1.4 Restrições e multiplicadores de Lagrange (prevista)
- Nota 4 — 1.5 Aplicações da otimização (prevista)
Capítulo 2 — Gradient Based Optimization
- Nota 5 — 2.1 Gradiente descendente (prevista)
- Nota 6 — 2.2 Métodos de momento; 2.3 Gradiente descendente estocástico e ADAM (prevista)
- Nota 7 — 2.4 Método de Newton; 2.5 Busca em linha (prevista)
- Nota 8 — 2.6 Métodos quasi-Newton e BFGS; 2.7 Identidades de cálculo vetorial para gradientes (prevista)
Capítulo 3 — Linear Programming
- Nota 9 — 3.1 Formulação e exemplos; 3.2 Politopos, vértices e geometria em alta dimensão (prevista)
- Nota 10 — 3.3 Método simplex de Dantzig; 3.4 Método do tableau simplex (prevista)
- Nota 11 — 3.5 Dualidade em programação linear; 3.6 Programação inteira e problemas NP-difíceis (prevista)