书籍介绍
这本书在读者心中最引争议之处，恰是它的最大价值：它不教你'怎么用工具'，而是让你理解'为什么这样算'。大量读者读完最大的震撼，是它补齐了从线性代数到泛函分析之间的认知断层——把'凸'这个抽象概念落到可操作的几何直觉上。它真正的独特，在于理论与实践的精妙平衡：既讲清对偶、KKT等原理本质，又用逼近拟合、统计估计、几何分析三类实例让你看到理论如何落地。它适合那些不满足于'调包'、想真正搞懂优化内核的人。但请知悉：书中理论篇幅厚重、例题偏少，且部分方法在今天看来已不算前沿，更适合系统打基础而非速成。
精彩摘录
- "反过来，我们可以将罚函数逼近问题 minimize \sum_{i=1}^{m}\phi (b_{i}-a_{i}^Tx ) 理解为最大似然估计问题，其中噪声概率密度为 p(z)=\frac{e^{-\phi(z)}}{\int e^{-\phi(u)du}} 测量值为b"
目录
用户评论
禿优化，数学越来越差呢😄
填充了由线代向泛函的认知逻辑上的空缺；论述清晰完备，展现了问题本质；好的教材会像情人一样体贴默契；翻译印刷也都很好
线性代数的推广，度量几何的抽象，泛函分析的特例。
Sparse coding/Low-Rank就是各种矩阵/向量范数优化；并不是我心中完美的样子；读得也很粗糙。
很经典，但是我用不到
这他妈。。
人工智能就是找一个函数去拟合现实数据，找什么函数呢？一般是凸函数，接着就是怎么优化得到最佳参数了。
我认同这本书值得读但有些过时，里面论述最多的牛顿法在现实中并不适用
看完了才知道是偏建模的🤣
这本书最厉害的在于标准化，而不限制于具体的解法的汪洋大海中。
书是好书，就是有点啃不动……
清华大学出版社的其他书籍查看全部
下载
收藏