https://wiki.atp-fivt.org/api.php?action=feedcontributions&feedformat=atom&user=AKatrutsa 2026-10-16T14:09:32Z Вклад MediaWiki 1.43.3 https://wiki.atp-fivt.org/index.php?title=%D0%9C%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BE%D0%BF%D1%82%D0%B8%D0%BC%D0%B8%D0%B7%D0%B0%D1%86%D0%B8%D0%B8_2019&diff=98 2019-10-10T10:22:40Z

<p>AKatrutsa: /* Дополнительные материалы */</p> <hr /> <div>= Общие сведения =<br /> * Семестр: 5 (третий курс)<br /> * Форма контроля: дифф. зачет (791-798), экзамен (799, 7910)<br /> <br /> '''Материалы занятий'''<br /> * [https://www.youtube.com/playlist?list=PL4_hYwCyhAvZnpTTb5vKTsFcsTn-LPUtI Видео лекций]<br /> * [https://github.com/amkatrutsa/optimization-fivt Репозиторий с лекциями]<br /> <br /> === Основные цели курса ===<br /> <br /> * Изложить основные факты из теории выпуклой оптимизации (первая половина курса) и проиллюстрировать использование этих фактов при разработке и доказательстве сходимости численных методов для решения задач оптимизации (вторая половина курса). <br /> * Познакомить аудиторию с современными подходами к решению задач выпуклой оптимизации и идеями, которые за ними стоят <br /> * Дать обзор многочисленных приложений выпуклой оптимизации<br /> <br /> === Курсы, используемые для вдохновения === <br /> <br /> * [http://stanford.edu/class/ee364a/ Convex optimization by S. Boyd at Stanford], [https://www.youtube.com/watch?v=McLq1hEq3UY&amp;list=PL3940DD956CDF0622 YouTube video]<br /> <br /> * [http://ocw.mit.edu/courses/electrical-engineering-and-computer-science/6-253-convex-analysis-and-optimization-spring-2012/ Convex analysis and optimization by D. Bertsekas at MIT]<br /> <br /> * [http://www.seas.ucla.edu/~vandenbe/ee236b/ee236b.html Optimization methods by L. Vandenberghe at UCLA]<br /> <br /> * [http://www.cs.cmu.edu/~suvrit/teach/aopt.html Advanced Optimization and Randomized Methods by A. Smola and S. Sra at CMU]<br /> <br /> * [https://github.com/epfml/OptML_course Optimization for Machine Learning by M. Jaggi at EPFL]<br /> <br /> * [https://ee227c.github.io/ Convex Optimization and Approximation by M. Hardt at UC Berkeley]<br /> <br /> = Дополнительные материалы =<br /> <br /> * [https://www.cvxpy.org/ Сайт про cvxpy и его использование]<br /> * [https://web.stanford.edu/~boyd/cvxbook/bv_cvxbook_extra_exercises.pdf Сборник задач по выпуклой оптимизации]<br /> * [https://www.maths.ed.ac.uk/~gondzio/reports/ipmXXV.pdf Обзор про методы внутренней точки]<br /> * [https://epubs.siam.org/doi/abs/10.1137/S1052623401383248?journalCode=sjope8&amp;mobileUi=0 Статья про сведения NP-сложной задачи к задаче выпуклой оптимизации]<br /> <br /> = Преподаватели =<br /> * Лектор: Катруца Александр<br /> * Семинаристы:<br /> ** Демидович Юрий (791)<br /> ** Гладин Егор (792)<br /> ** Тупица Назарий (793, 795)<br /> ** Камзолов Дмитрий (794, 7910)<br /> ** Иванова Анастасия (796, 798)<br /> ** Малиновский Григорий (797)<br /> ** Данилова Марина (799)<br /> <br /> = Критерии получения оценки =<br /> Домашние задания учитываются с коэффициентом 0.4, каждая из двух контрольных с коэффициентом 0.3.</div>

AKatrutsa https://wiki.atp-fivt.org/index.php?title=%D0%9C%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BE%D0%BF%D1%82%D0%B8%D0%BC%D0%B8%D0%B7%D0%B0%D1%86%D0%B8%D0%B8_2019&diff=97 2019-10-10T10:10:00Z

<p>AKatrutsa: /* Преподаватели */</p> <hr /> <div>= Общие сведения =<br /> * Семестр: 5 (третий курс)<br /> * Форма контроля: дифф. зачет (791-798), экзамен (799, 7910)<br /> <br /> '''Материалы занятий'''<br /> * [https://www.youtube.com/playlist?list=PL4_hYwCyhAvZnpTTb5vKTsFcsTn-LPUtI Видео лекций]<br /> * [https://github.com/amkatrutsa/optimization-fivt Репозиторий с лекциями]<br /> <br /> === Основные цели курса ===<br /> <br /> * Изложить основные факты из теории выпуклой оптимизации (первая половина курса) и проиллюстрировать использование этих фактов при разработке и доказательстве сходимости численных методов для решения задач оптимизации (вторая половина курса). <br /> * Познакомить аудиторию с современными подходами к решению задач выпуклой оптимизации и идеями, которые за ними стоят <br /> * Дать обзор многочисленных приложений выпуклой оптимизации<br /> <br /> === Курсы, используемые для вдохновения === <br /> <br /> * [http://stanford.edu/class/ee364a/ Convex optimization by S. Boyd at Stanford], [https://www.youtube.com/watch?v=McLq1hEq3UY&amp;list=PL3940DD956CDF0622 YouTube video]<br /> <br /> * [http://ocw.mit.edu/courses/electrical-engineering-and-computer-science/6-253-convex-analysis-and-optimization-spring-2012/ Convex analysis and optimization by D. Bertsekas at MIT]<br /> <br /> * [http://www.seas.ucla.edu/~vandenbe/ee236b/ee236b.html Optimization methods by L. Vandenberghe at UCLA]<br /> <br /> * [http://www.cs.cmu.edu/~suvrit/teach/aopt.html Advanced Optimization and Randomized Methods by A. Smola and S. Sra at CMU]<br /> <br /> * [https://github.com/epfml/OptML_course Optimization for Machine Learning by M. Jaggi at EPFL]<br /> <br /> * [https://ee227c.github.io/ Convex Optimization and Approximation by M. Hardt at UC Berkeley]<br /> <br /> = Дополнительные материалы =<br /> <br /> = Преподаватели =<br /> * Лектор: Катруца Александр<br /> * Семинаристы:<br /> ** Демидович Юрий (791)<br /> ** Гладин Егор (792)<br /> ** Тупица Назарий (793, 795)<br /> ** Камзолов Дмитрий (794, 7910)<br /> ** Иванова Анастасия (796, 798)<br /> ** Малиновский Григорий (797)<br /> ** Данилова Марина (799)<br /> <br /> = Критерии получения оценки =<br /> Домашние задания учитываются с коэффициентом 0.4, каждая из двух контрольных с коэффициентом 0.3.</div>

AKatrutsa https://wiki.atp-fivt.org/index.php?title=%D0%9C%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BE%D0%BF%D1%82%D0%B8%D0%BC%D0%B8%D0%B7%D0%B0%D1%86%D0%B8%D0%B8_2019&diff=96 2019-10-10T10:08:49Z

<p>AKatrutsa: /* Общие сведения */</p> <hr /> <div>= Общие сведения =<br /> * Семестр: 5 (третий курс)<br /> * Форма контроля: дифф. зачет (791-798), экзамен (799, 7910)<br /> <br /> '''Материалы занятий'''<br /> * [https://www.youtube.com/playlist?list=PL4_hYwCyhAvZnpTTb5vKTsFcsTn-LPUtI Видео лекций]<br /> * [https://github.com/amkatrutsa/optimization-fivt Репозиторий с лекциями]<br /> <br /> === Основные цели курса ===<br /> <br /> * Изложить основные факты из теории выпуклой оптимизации (первая половина курса) и проиллюстрировать использование этих фактов при разработке и доказательстве сходимости численных методов для решения задач оптимизации (вторая половина курса). <br /> * Познакомить аудиторию с современными подходами к решению задач выпуклой оптимизации и идеями, которые за ними стоят <br /> * Дать обзор многочисленных приложений выпуклой оптимизации<br /> <br /> === Курсы, используемые для вдохновения === <br /> <br /> * [http://stanford.edu/class/ee364a/ Convex optimization by S. Boyd at Stanford], [https://www.youtube.com/watch?v=McLq1hEq3UY&amp;list=PL3940DD956CDF0622 YouTube video]<br /> <br /> * [http://ocw.mit.edu/courses/electrical-engineering-and-computer-science/6-253-convex-analysis-and-optimization-spring-2012/ Convex analysis and optimization by D. Bertsekas at MIT]<br /> <br /> * [http://www.seas.ucla.edu/~vandenbe/ee236b/ee236b.html Optimization methods by L. Vandenberghe at UCLA]<br /> <br /> * [http://www.cs.cmu.edu/~suvrit/teach/aopt.html Advanced Optimization and Randomized Methods by A. Smola and S. Sra at CMU]<br /> <br /> * [https://github.com/epfml/OptML_course Optimization for Machine Learning by M. Jaggi at EPFL]<br /> <br /> * [https://ee227c.github.io/ Convex Optimization and Approximation by M. Hardt at UC Berkeley]<br /> <br /> = Дополнительные материалы =<br /> <br /> = Преподаватели =<br /> * Лектор: Катруца Александр<br /> * Семинаристы:<br /> ** Демидович Ю. (791)<br /> ** Гладин Е. (792)<br /> ** Тупица Н. (793, 795)<br /> ** Камзолов Д. (794, 7910)<br /> ** Иванова А. (796, 798)<br /> ** Малиновский Г. (797)<br /> ** Данилова М. (799)<br /> <br /> = Критерии получения оценки =<br /> Домашние задания учитываются с коэффициентом 0.4, каждая из двух контрольных с коэффициентом 0.3.</div>

AKatrutsa https://wiki.atp-fivt.org/index.php?title=%D0%9C%D0%B5%D1%82%D0%BE%D0%B4%D1%8B_%D0%BE%D0%BF%D1%82%D0%B8%D0%BC%D0%B8%D0%B7%D0%B0%D1%86%D0%B8%D0%B8_2019&diff=95 2019-10-10T10:07:44Z

<p>AKatrutsa: /* Общие сведения */</p> <hr /> <div>= Общие сведения =<br /> * Семестр: 5 (третий курс)<br /> * Форма контроля: дифф. зачет (791-798), экзамен (799, 7910)<br /> <br /> '''Материалы занятий'''<br /> * [https://www.youtube.com/playlist?list=PL4_hYwCyhAvZnpTTb5vKTsFcsTn-LPUtI Видео лекций]<br /> * [https://github.com/amkatrutsa/optimization-fivt Репозиторий с лекциями]<br /> <br /> === Основные цели курса ===<br /> <br /> * Изложить основные факты из теории выпуклой оптимизации (первая половина курса) и проиллюстрировать использование этих фактов при разработке и доказательстве сходимости численных методов для решения задач оптимизации (вторая половина курса). <br /> * Познакомить аудиторию с современными подходами к решению задач выпуклой оптимизации и идеями, которые за ними стоят <br /> * Дать обзор многочисленных приложений выпуклой оптимизации<br /> <br /> === Курсы, используемые для вдохновения === <br /> <br /> * [http://stanford.edu/class/ee364a/ Convex optimization by S. Boyd at Stanford], [https://www.youtube.com/watch?v=McLq1hEq3UY&amp;list=PL3940DD956CDF0622 YouTube video]<br /> <br /> * [http://ocw.mit.edu/courses/electrical-engineering-and-computer-science/6-253-convex-analysis-and-optimization-spring-2012/ Convex analysis and optimization by D. Bertsekas at MIT]<br /> <br /> * [http://www.seas.ucla.edu/~vandenbe/ee236b/ee236b.html Optimization methods by L. Vandenberghe at UCLA]<br /> <br /> * [http://www.cs.cmu.edu/~suvrit/teach/aopt.html Advanced Optimization and Randomized Methods by A. Smola and S. Sra at CMU]<br /> <br /> * [https://github.com/epfml/OptML_course Optimization for Machine Learning by M. Jaggi at EPFL]<br /> <br /> * [https://ee227c.github.io/ Convex Optimization and Approximation by M. Hardt at UC Berkeley]<br /> <br /> = Преподаватели =<br /> * Лектор: Катруца Александр<br /> * Семинаристы:<br /> ** Демидович Ю. (791)<br /> ** Гладин Е. (792)<br /> ** Тупица Н. (793, 795)<br /> ** Камзолов Д. (794, 7910)<br /> ** Иванова А. (796, 798)<br /> ** Малиновский Г. (797)<br /> ** Данилова М. (799)<br /> <br /> = Критерии получения оценки =<br /> Домашние задания учитываются с коэффициентом 0.4, каждая из двух контрольных с коэффициентом 0.3.</div>

AKatrutsa