优化篇
主讲人:廖云坤,微电子,大三,上海交通大学
文档链接:文档下载地址
详细细节:
廖云坤同学向大家介绍了凸优化问题的基本概念,包括凸集,凸函数,凸问题,之后又以支持向量机为例子讲了凸优化与机器学习的紧密联系。
在讲解凸集时,他从实例出发,循序渐进,依次讲解了n维实向量空间,超平面,半空间,多面体,范数球,仿射空间,对称半正定矩阵集。针对每个实例,他依次给出了代数和二维平面上的几何解释,在讲到超平面和范数球时,引起的到场成员的热烈讨论。之后又介绍了凸集的分离超平面定理和支撑超平面定理,并提出了自己对SVM模型构造思想与分离超平面定理关系的一些思考。之后介绍了两类保凸运算:交集与仿射变换,并以如何证明多面体是凸集为例说明了“凸集的交集仍是凸集”。
在讲凸函数时,仍以实例阐述概念的思路介绍了基本的凸函数:仿射函数,示性函数,二次函数,范数。接着介绍了判断一个函数是否为凸函数的一阶,二阶条件,并在二维平面上形象地解释了这两个条件。然后依次介绍了Jensen不等式在二项,n项以及无穷项的形式。
在介绍完凸集和凸函数后,他切入主题,介绍了凸优化问题的基本形式,然后介绍了局部最优解和全局最优解的概念,最后引出了凸优化问题的重要性质:局部最优解一定是全局最优解。随后又以SVM优