在人工智能与大数据时代，优化算法已成为机器学习与数据科学的核心支柱。本书以独特的应用视角，将抽象的数学理论与实际工程问题紧密结合，为读者架起了一座从理论到实践的桥梁。 本书由优化领域权威学者Stephen J. Wright和Benjamin Recht撰写，旨在为读者提供一本条理清晰、系统全面的优化技术指南，尤其聚焦数据科学与机器学习领域的核心优化技术。书中详细阐述了基本优化算法，并分析了它们的收敛性和复杂度。全书共11章，第1章通过典型案例阐释优化在现代数据分析中的应用；第2～10章深入剖析多种核心算法，包括加速梯度法、随机梯度法（机器学习的核心算法）、坐标下降法（高效处理高维问题的利器）、简单约束问题的梯度法、具有非平滑项的凸优化问题的理论和算法，以及约束优化问题的对偶方法；第11章拓展至深度学习与控制领域的梯度计算方法（如自动微分、反向传播的优化视角）。
在人工智能与大数据时代，优化算法已成为机器学习与数据科学的核心支柱。本书以独特的应用视角，将抽象的数学理论与实际工程问题紧密结合，为读者架起了一座从理论到实践的桥梁。 本书由优化领域权威学者Stephen J. Wright和Benjamin Recht撰写，旨在为读者提供一本条理清晰、系统全面的优化技术指南，尤其聚焦数据科学与机器学习领域的核心优化技术。书中详细阐述了基本优化算法，并分析了它们的收敛性和复杂度。全书共11章，第1章通过典型案例阐释优化在现代数据分析中的应用；第2～10章深入剖析多种核心算法，包括加速梯度法、随机梯度法（机器学习的核心算法）、坐标下降法（高效处理高维问题的利器）、简单约束问题的梯度法、具有非平滑项的凸优化问题的理论和算法，以及约束优化问题的对偶方法；第11章拓展至深度学习与控制领域的梯度计算方法（如自动微分、反向传播的优化视角）。
