ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Optimization

دانلود کتاب بهینه سازی

Optimization

مشخصات کتاب

Optimization

ویرایش: 2nd ed. 2013 
نویسندگان:   
سری: Springer Texts in Statistics 
ISBN (شابک) : 1461458374, 9781461458371 
ناشر: Springer 
سال نشر: 2013 
تعداد صفحات: 539 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 4 مگابایت 

قیمت کتاب (تومان) : 41,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 7


در صورت تبدیل فایل کتاب Optimization به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب بهینه سازی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.


توضیحاتی در مورد کتاب بهینه سازی

مسائل بهینه سازی با ابعاد محدود در سراسر علوم ریاضی رخ می دهد. اکثر این مشکلات را نمی توان به صورت تحلیلی حل کرد. این مقدمه برای بهینه سازی تلاش می کند تا تعادلی بین ارائه نظریه ریاضی و توسعه الگوریتم های عددی ایجاد کند. این متن با تکیه بر مهارت های دانش آموزان در حساب دیفرانسیل و انتگرال و جبر خطی، توضیحی دقیق و بدون انتزاع بی مورد ارائه می کند. تاکید آن بر کاربردهای آماری به ویژه برای دانشجویان تحصیلات تکمیلی آمار و آمار زیستی جذاب خواهد بود. مخاطبان مورد نظر همچنین شامل دانش آموزانی در ریاضیات کاربردی، زیست شناسی محاسباتی، علوم کامپیوتر، اقتصاد و فیزیک هستند که می خواهند ریاضیات دقیق را با برنامه های کاربردی واقعی ببینند. در این ویرایش دوم، تاکید بر بهینه‌سازی ابعاد محدود باقی می‌ماند. مواد جدیدی بر روی الگوریتم MM، فرود و صعود بلوک، و حساب تغییرات اضافه شده است. حساب محدب اکنون در عمق بسیار بیشتری مورد بررسی قرار می گیرد. موضوعات پیشرفته مانند مزدوج فنچل، زیردیفرانسیل ها، دوگانگی، امکان سنجی، پیش بینی های متناوب، روش های گرادیان پیش بینی شده، روش های جریمه دقیق، و تکرار برگمن، دانش آموزان را با موارد ضروری برای درک تکنیک های داده کاوی مدرن در ابعاد بالا مجهز می کند.


توضیحاتی درمورد کتاب به خارجی

Finite-dimensional optimization problems occur throughout the mathematical sciences. The majority of these problems cannot be solved analytically. This introduction to optimization attempts to strike a balance between presentation of mathematical theory and development of numerical algorithms. Building on students’ skills in calculus and linear algebra, the text provides a rigorous exposition without undue abstraction. Its stress on statistical applications will be especially appealing to graduate students of statistics and biostatistics. The intended audience also includes students in applied mathematics, computational biology, computer science, economics, and physics who want to see rigorous mathematics combined with real applications. In this second edition the emphasis remains on finite-dimensional optimization. New material has been added on the MM algorithm, block descent and ascent, and the calculus of variations. Convex calculus is now treated in much greater depth.  Advanced topics such as the Fenchel conjugate, subdifferentials, duality, feasibility, alternating projections, projected gradient methods, exact penalty methods, and Bregman iteration will equip students with the essentials for understanding modern data mining techniques in high dimensions.  



فهرست مطالب

Cover......Page 1
Optimization......Page 4
Preface to the Second Edition......Page 8
Preface to the First Edition......Page 10
Contents......Page 14
1.2 Univariate Optimization......Page 19
1.3 Multivariate Optimization......Page 25
1.4 Constrained Optimization......Page 28
1.5 Problems......Page 35
2.2 Vector and Matrix Norms......Page 40
2.3 Convergence and Completeness......Page 43
2.4 The Topology of Rn......Page 47
2.5 Continuous Functions......Page 51
2.6 Semicontinuity......Page 59
2.7 Connectedness......Page 61
2.8 Uniform Convergence......Page 63
2.9 Problems......Page 64
3.1 Introduction......Page 70
3.2 Gauge Functions and -Fine Partitions......Page 71
3.3 Definition and Basic Properties of the Integral......Page 74
3.4 The Fundamental Theorem of Calculus......Page 79
3.5 More Advanced Topics in Integration......Page 83
3.6 Problems......Page 88
4.2 Univariate Derivatives......Page 92
4.3 Partial Derivatives......Page 96
4.4 Differentials......Page 98
4.5 Multivariate Mean Value Theorem......Page 105
4.6 Inverse and Implicit Function Theorems......Page 106
4.7 Differentials of Matrix-Valued Functions......Page 110
4.8 Problems......Page 115
5.1 Introduction......Page 123
5.2 The Multiplier Rule......Page 124
5.3 Constraint Qualification......Page 130
5.4 Taylor-Made Higher-Order Differentials......Page 133
5.5 Applications of Second Differentials......Page 139
5.6 Problems......Page 144
6.1 Introduction......Page 152
6.2 Convex Sets......Page 153
6.3 Convex Functions......Page 157
6.4 Continuity, Differentiability, and Integrability......Page 164
6.5 Minimization of Convex Functions......Page 167
6.6 Moment Inequalities......Page 174
6.7 Problems......Page 177
7.1 Introduction......Page 186
7.2 Examples of Block Relaxation......Page 187
7.3 Problems......Page 195
8.1 Introduction......Page 199
8.2 Philosophy of the MM Algorithm......Page 200
8.3 Majorization and Minorization......Page 201
8.4 Allele Frequency Estimation......Page 203
8.5 Linear Regression......Page 205
8.6 Bradley-Terry Model of Ranking......Page 207
8.8 Geometric and Signomial Programs......Page 208
8.9 Poisson Processes......Page 211
8.10 Transmission Tomography......Page 212
8.11 Poisson Multigraphs......Page 216
8.12 Problems......Page 218
9.1 Introduction......Page 234
9.2 Definition of the EM Algorithm......Page 235
9.3 Missing Data in the Ordinary Sense......Page 237
9.4 Allele Frequency Estimation......Page 238
9.5 Clustering by EM......Page 239
9.6 Transmission Tomography......Page 241
9.7 Factor Analysis......Page 243
9.8 Hidden Markov Chains......Page 247
9.9 Problems......Page 249
10.1 Introduction......Page 258
10.2 Newton\'s Method and Root Finding......Page 259
10.3 Newton\'s Method and Optimization......Page 261
10.4 MM Gradient Algorithm......Page 263
10.5 Ad Hoc Approximations of d2f()......Page 265
10.6 Scoring and Exponential Families......Page 267
10.7 The Gauss-Newton Algorithm......Page 270
10.8 Generalized Linear Models......Page 271
10.9 Accelerated MM......Page 272
10.10 Problems......Page 275
11.1 Introduction......Page 286
11.2 Centers of Spheres and Centers of Ellipsoids......Page 287
11.3 The Conjugate Gradient Algorithm......Page 288
11.4 Line Search Methods......Page 291
11.5 Stopping Criteria......Page 293
11.6 Quasi-Newton Methods......Page 294
11.7 Trust Regions......Page 298
11.8 Problems......Page 299
12.1 Introduction......Page 304
12.2 Local Convergence......Page 305
12.3 Coercive Functions......Page 310
12.4 Global Convergence of the MM Algorithm......Page 312
12.5 Global Convergence of Block Relaxation......Page 315
12.6 Global Convergence of Gradient Algorithms......Page 316
12.7 Problems......Page 319
13.1 Introduction......Page 326
13.2 Rudiments of Barrier and Penalty Methods......Page 327
13.3 An Adaptive Barrier Method......Page 331
13.4 Imposition of a Prior in EM Clustering......Page 338
13.5 Model Selection and the Lasso......Page 340
13.6 Lasso Penalized 1 Regression......Page 342
13.7 Lasso Penalized 2 Regression......Page 343
13.8 Penalized Discriminant Analysis......Page 346
13.9 Problems......Page 347
14.1 Introduction......Page 353
14.3 Fenchel Conjugates......Page 354
14.4 Subdifferentials......Page 363
14.5 The Rules of Convex Differentiation......Page 370
14.6 Spectral Functions......Page 377
14.7 A Convex Lagrange Multiplier Rule......Page 384
14.8 Problems......Page 387
15.1 Introduction......Page 394
15.2 Dykstra\'s Algorithm......Page 395
15.3 Contractive Maps......Page 400
15.4 Dual Functions......Page 404
15.5 Examples of Dual Programs......Page 407
15.6 Practical Applications of Duality......Page 413
15.7 Problems......Page 417
16.1 Introduction......Page 426
16.2 Projected Gradient Algorithm......Page 427
16.3 Exact Penalties and Lagrangians......Page 432
16.4 Mechanics of Path Following......Page 437
16.5 Bregman Iteration......Page 443
16.6 Split Bregman Iteration......Page 447
16.7 Convergence of Bregman Iteration......Page 450
16.8 Problems......Page 451
17.1 Introduction......Page 456
17.2 Classical Problems......Page 457
17.3 Normed Vector Spaces......Page 459
17.4 Linear Operators and Functionals......Page 462
17.5 Differentials......Page 464
17.6 The Euler-Lagrange Equation......Page 467
17.7 Applications of the Euler-Lagrange Equation......Page 470
17.8 Lagrange\'s Lacuna......Page 473
17.9 Variational Problems with Constraints......Page 475
17.10 Natural Cubic Splines......Page 477
17.11 Problems......Page 478
A.1 Univariate Normal Random Variables......Page 484
A.2 Multivariate Normal Random Vectors......Page 486
A.3 Polyhedral Sets......Page 488
A.4 Birkhoff\'s Theorem and Fan\'s Inequality......Page 491
A.5 Singular Value Decomposition......Page 496
A.6 Hadamard Semidifferentials......Page 498
A.7 Problems......Page 508
References......Page 510
Index......Page 530




نظرات کاربران