Mathematical Optimization for Machine Learning - Proceedings of the MATH+ Thematic Einstein Semester 2023

Mathematical optimization and machine learning are closely related. This proceedings volume of the Thematic Einstein Semester 2023 of the Berlin Mathematics Research Center MATH+ collects recent progress on their interplay in topics such as discrete optimization, nonlinear programming, optimal control, first-order methods, multilevel optimization, machine learning in optimization, physics-informed learning, and fairness in machine learning.

Über den Autor / die Autorin

M. Weiser, S. Pokutta, K. Sharma,
ZIB, Germany;
K. Fackeldey,
TU Berlin;
A. Kannan, D. Walter, A. Walther,
Humboldt-Univ. Germany.

Produktdetails

• Mitarbeit: Konstantin Fackeldey (Herausgeber), Aswin Kannan (Herausgeber), Sebastian Pokutta (Herausgeber), Sebastian Pokutta et al (Herausgeber), Kartikey Sharma (Herausgeber), Daniel Walter (Herausgeber), Andrea Walther (Herausgeber), Martin Weiser (Herausgeber)
• Verlag: De Gruyter
• Sprache: Englisch
• Produktform: Fester Einband
• Erschienen: 26.05.2025
• EAN: 9783111375854
• ISBN: 978-3-11-137585-4
• Seiten: 202
• Gewicht: 485 g
• Illustration: 2 b/w and 53 col. ill., 27 b/w tbl.
• Serie: De Gruyter Proceedings in Mathematics
• Themen: Naturwissenschaften, Medizin, Informatik, Technik > Mathematik; machine learning, Maschinelles Lernen, Optimization, Artificial Intelligence, Mathematische Physik, Angewandte Mathematik, Mathematical physics, Applied mathematics, Mathematical optimization, Discrete Optimization, nichtlineare Optimierung, Mathematische Optimierung, MAT003000 MATHEMATICS / Applied, COM004000 COMPUTERS / Intelligence (AI) & Semantics, COM094000 COMPUTERS / Data Science / Machine Learning, nonlinear optimization, Physics informed learning, Diskrete Optimierung, Physik-informiertes Lernen