Mathematical Optimization for Machine Learning

Proceedings of the MATH+ Thematic Einstein Semester 2023
1. Auflage 2025
ISBN: 978-3-11-137585-4
Verlag: De Gruyter

Buch, Englisch, 202 Seiten, Format (B × H): 170 mm x 240 mm, Gewicht: 485 g

Reihe: De Gruyter proceedings in mathematics

Mathematical optimization and machine learning are closely related. This proceedings volume of the Thematic Einstein Semester 2023 of the Berlin Mathematics Research Center MATH+ collects recent progress on their interplay in topics such as discrete optimization, nonlinear programming, optimal control, first-order methods, multilevel optimization, machine learning in optimization, physics-informed learning, and fairness in machine learning.

Zielgruppe

Researchers, practitioners and PhD students, interested in machin

Autoren/Hrsg.

Kannan, Aswin

Fackeldey, Konstantin

Pokutta, Sebastian

Sharma, Kartikey

Walter, Daniel

Walther, Andrea

Weiser, Martin

Fachgebiete

• Naturwissenschaften Physik Physik Allgemein Theoretische Physik, Mathematische Physik, Computerphysik
• Mathematik | Informatik Mathematik Numerik und Wissenschaftliches Rechnen Optimierung
• Mathematik | Informatik EDV | Informatik Informatik Künstliche Intelligenz Maschinelles Lernen
• Mathematik | Informatik Mathematik Numerik und Wissenschaftliches Rechnen Angewandte Mathematik, Mathematische Modelle

Über Autor(innen)

M. Weiser, S. Pokutta, K. Sharma, ZIB, Germany; K. Fackeldey, TU Berlin; A. Kannan, D. Walter, A. Walther, Humboldt-Univ. Germany.