Universität Wien FIND

Bedingt durch die COVID-19-Pandemie können kurzfristige Änderungen bei Lehrveranstaltungen und Prüfungen (z.B. Absage von Vor-Ort-Lehre und Umstellung auf Online-Prüfungen) erforderlich sein. Melden Sie sich für Lehrveranstaltungen/Prüfungen über u:space an, informieren Sie sich über den aktuellen Stand auf u:find und auf der Lernplattform moodle.

Regelungen zum Lehrbetrieb vor Ort inkl. Eintrittstests finden Sie unter https://studieren.univie.ac.at/info.

Achtung! Das Lehrangebot ist noch nicht vollständig und wird bis Semesterbeginn laufend ergänzt.

390043 UK VGSCO Course (2021S)

Optimization Methods for Data Science

Prüfungsimmanente Lehrveranstaltung

An/Abmeldung

Hinweis: Ihr Anmeldezeitpunkt innerhalb der Frist hat keine Auswirkungen auf die Platzvergabe (kein "first come, first served").

Details

Sprache: Englisch

Lehrende

Termine

Block, April 19-30, 2021
online

19 April 14.30 - 16.45
22 April 11.15 - 13.30
23 April 9.30 - 11.45
23 April 14.30 - 16.45
26 April 14.30 - 16.45
28 April 9.30 - 11.45
28 April 14.30 - 16.45
29 April 9.30 - 11.45
30 April 9.30 - 11.45
30 April 14.30 - 16.45


Information

Ziele, Inhalte und Methode der Lehrveranstaltung

In this course, we focus on some simple iterative optimization approaches
that, thanks to the advent of the "Big Data era", have re-gained popularity in the last few years.
We first review a bunch of classic methods in the context of modern real-world applications. Then, we discuss
both theoretical and computational aspects of some variants of those classic methods. Finally, we examine current challenges and future research perspectives. Our presentation, strongly influenced by Nesterov’s seminal book, includes the analysis of first-order methods, stochastic optimization methods, randomized and distributed methods, projection-free methods. The theoretical tools considered in the analysis, together with the broad applicability of those methods, makes the course quite interdisciplinary and might be useful for PhD students in different
areas (like, e.g., Analysis, Numerical Analysis, Operations Research, Probability and Mathematical Statistics).

1. Methods for Unconstrained Optimization:
1.1 Gradient and accelerated gradient methods
1.3 Block-Coordinate approaches
1.4 Stochastic Gradient and its variants
1.5 Real-world Problems

2. Methods for Constrained Optimization, Projection-based and Projection-free Approaches:
2.1 Projected Gradient
2.2 Frank-Wolfe Method and its Variants
2.3 Real-world Problems

3. Challenges and Future Research

Art der Leistungskontrolle und erlaubte Hilfsmittel

Homeworks and/or Seminar

Mindestanforderungen und Beurteilungsmaßstab

A basic knowledge of linear algebra, calculus and probability theory.

Prüfungsstoff

Literatur

Beck, Amir. First-order methods in optimization. Society for Industrial and Applied Mathematics, 2017.

Bertsekas, Dimitri P., and Athena Scientific. Convex optimization algorithms. Belmont: Athena Scientific, 2015.

Nesterov, Yurii. Introductory lectures on convex optimization: A basic course. Vol. 87. Springer Science & Business Media, 2003.

Zuordnung im Vorlesungsverzeichnis

Letzte Änderung: Do 08.04.2021 10:09