Opis predmeta:
U ovom kolegiju daje se pregled suvremenih metoda optimizacije za primjene u strojnom učenju i znanosti o podacima. U uvodnom dijelu kolegija studenti se upoznaju sa osnovnim pojmovima iz konveksne analize. Daje se pregled konveksnih optimizacijskih problema pri čemu se posebna pažnja posvećuje primjerima konveksnih problema koji se javljaju u strojnom učenju. Prvi dio kolegija posvećen je gradijentnim metodama (gradijentni spust, subgradijentni spust, stohastički gradijentni spust, konjugirani gradijenti; Newtonova metoda, kvazi-Newtonove metode, Levenberg-Marquard metoda). Centralni dio kolegija bavi se pojmom dualnosti i njegovim primjenama. U završnom dijelu kolegija obrađuju se odabrani algoritmi uvjetne optimizacije (metoda barijere; primarno-dualne metode unutrašnje točke). Implementacija programskih rješenja vrši se korištenjem programskog paketa Python.
Plan predavanja:
Predavanje 1:
- Uvod (LP, QP).
- Osnove treniranja modela strojnog učenja.
Predavanje 2:
- Osnove bezuvjetne minimizacije. Konveksnost.
- Uvjetna optimizacija. Karush-Kuhn-Tuckerovi uvjeti.
- Konveksni optimizacijski problemi (CP).
Predavanje 3:
- Dualnost.
Predavanje 4:
- Line-search metode (gradijentni spust, metode Newtonovog tipa).
- Metoda konjugiranih gradijenata.
- Nelinearni najmanji kvadrati.
- Subgradijentni spust. Stohastički gradijentni spust.
Predavanje 5:
- Metoda barijere. Metode unutrašnje točke.
- "Black-box" optimizacija (Derivative-free optimization).
- Physics-Informed Machine Learning.
- Odabrani primjeri u Pythonu.