Metodi Di Ottimizzazione Per Big Data 2015/2016

Introduzione all'ottimizzazione: approccio modellistico

Problemi di ottimizzazione: classificazione

Problemi di Programmazione Matematica: condizioni di esistenza della soluzione .

Ottimizzazione non vincolata: condizioni di ottimo, algoritmi di soluzione: condizioni di convergenza globale  Convergenza di metodi con ricerche unidimensionali , Ricerca unidimensionale. Metodo del gradiente. Metodi di decomposizione: introduzione, algoritmi sequenziali e paralleli. Metodo di Gauss Seidel, metodo di Gauss Soutwell, metodo di discesa a blocchi, cenni su decomposizione con sovrapposizione dei blocchi. Metodo di Jacobi.

Ottimizzazione non vincolata: addestramento di reti neurali . Dimostrazione di convergenza dell'algoritmo del perceptron.

Ottimizzazione vincolata: Ottimizzazione vincolata: condizioni di ottimo e algoritmi di soluzione . Condizioni di ottimo analitiche: condizioni di Fritz John, qualificazione dei vincoli (solo indipendenza lineare gradienti vincoli di eguaglianza e vincoli attivi) .

Duale di Wolfe e SVM.