Main menu
Прикладная математика

Прикладная математика (445)

Численные методы и вычислительная математика

  1. Численные методы — Ричард Бёрден, Дж. Дуглас Фэйрс
  2. Численные методы для инженеров — Стивен Чапра
  3. Численные методы линейной алгебры — Ллойд Трефетен, Дэвид Бау
  4. Матричные вычисления — Джин Голуб, Чарльз Ван Лоан
  5. Вычислительная математика — А. А. Самарский
  6. Численные методы — Н. С. Бахвалов

Оптимизация и исследование операций

  1. Введение в исследование операций — Хиллер, Либерман
  2. Выпуклая оптимизация — Стивен Бойд, Ливен Ванденберг
  3. Нелинейное программирование — Дмитрий Бертсекас
  4. Методы оптимизации — Дэвид Люнбергер
  5. Линейное программирование — Вацлав Хватал

Математическое моделирование

  1. Математическое моделирование — Марк Меершарт
  2. Моделирование систем — А. А. Самарский, А. П. Михайлов
  3. Математические модели в биологии — Эллнер, Гукенхаймер
  4. Математическое моделирование в механике — А. К. Фаулер

Дифференциальные уравнения

  1. Уравнения математической физики — В. С. Владимиров
  2. Дифференциальные уравнения — В. И. Арнольд
  3. Обыкновенные дифференциальные уравнения — Э. Камке
  4. Дифференциальные уравнения и их приложения — Мартин Браун

Теория вероятностей и стохастика

  1. Теория вероятностей — А. Н. Колмогоров
  2. Вероятность и статистика — Моррис Дегрут, Марк Шервиш
  3. Стохастические процессы — Шелдон Росс
  4. Стохастический анализ для финансов — Стивен Шрив

Data Science и машинное обучение

  1. Элементы статистического обучения — Хасти, Тибширани, Фридман
  2. Распознавание образов и машинное обучение — Кристофер Бишоп
  3. Машинное обучение: вероятностный подход — Кевин Мёрфи
  4. Data Science с нуля — Джоэл Грус

Прикладная математика в физике и инженерии

  1. Математические методы для физиков — Арфкен, Вебер
  2. Высшая математика для инженеров — Эрвин Крейсиг
  3. Прикладная математика — Дж. Дэвид Логан

Временная стоимость денег и основы дисконтирования

Временная стоимость денег (Time Value of Money, TVM) — одна из важнейших и основополагающих концепций финансовой математики. Главная аксиома данной теории гласит, что денежная единица, доступная инвестору сегодня, стоит больше, чем та же самая денежная единица, которая будет получена в будущем. Эта концепция лежит в основе всех процессов принятия финансовых решений, начиная от оценки инвестиционных проектов и заканчивая формированием графика платежей по ипотечному кредиту. В основе механизма лежит концепция альтернативных издержек и инфляции.

Подробнее

Метод ветвей и цены (Branch-and-Price): генерация столбцов в целочисленном программировании

Метод ветвей и цены (Branch-and-Price, B&P) — это передовая вычислительная парадигма для решения огромных задач смешанно-целочисленного линейного программирования (MILP), которая элегантно объединяет структуру алгоритма ветвей и границ (Branch-and-Bound) с техникой генерации столбцов (Column Generation). Эта технология стала спасением для логистической и транспортной индустрии, позволяя оптимально решать проблемы составления расписаний для сотен самолетов, тысяч экипажей поездов и маршрутизации глобальных грузоперевозок.

Подробнее

Глобальная оптимизация: интервальный анализ и методы гарантированного поиска

Глобальная оптимизация сложных, сильно нелинейных и невыпуклых функций долгое время считалась "алхимей" численных методов. Эвристические алгоритмы (генетические алгоритмы, отжиг) способны находить хорошие локальные минимумы, но никогда не дают 100% математической гарантии того, что найденное решение действительно является глобальным. Интервальный анализ (Interval Analysis) — это принципиально иной математический аппарат, предоставляющий абсолютные, аналитически доказанные гарантии нахождения всех глобальных экстремумов в заданной области поиска, что критически важно в робототехнике, химической кинетике и проектировании систем жизнеобеспечения.

Подробнее

Робастная оптимизация: модели неопределенности и алгоритмы гарантированного поиска

Робастная оптимизация (Robust Optimization) представляет собой современную парадигму математического программирования, направленную на решение задач в условиях "жесткой" параметрической неопределенности. В отличие от стохастического программирования, где случайные факторы описываются точными распределениями вероятностей, робастная оптимизация исходит из предположения, что известны лишь границы (множества), в которых могут колебаться входные данные. Цель — найти "гарантированное" решение, которое останется допустимым и оптимальным при любой (даже наихудшей) реализации параметров из заданного множества неопределенности.

Подробнее

Эвристика GRASP: жадная рандомизированная адаптивная поисковая процедура

Жадная рандомизированная адаптивная поисковая процедура (Greedy Randomized Adaptive Search Procedure, GRASP) — это мощная мультистартовая метаэвристика, разработанная Томасом Фео и Маурисио Резенде в конце 1980-х годов для решения комбинаторных задач высокой сложности. Метод изящно решает фундаментальную проблему классических жадных алгоритмов — их "близорукость" и склонность к застреванию в слабых локальных минимумах, внедряя контролируемую случайность прямо в процесс конструирования решения.

Подробнее

Теория двойственности в коническом программировании: геометрия конусов и условия Слейтера

Коническое программирование (Conic Programming) представляет собой естественное и невероятно мощное обобщение классического линейного программирования. Если в линейном программировании переменные ограничиваются неотрицательным ортантом пространства, то в коническом — они должны принадлежать произвольному замкнутому выпуклому конусу. Этот переход от ортантов к конусам позволяет с элегантностью линейной алгебры решать сложнейшие нелинейные задачи, а теория двойственности в таких пространствах открывает фундаментальные свойства выпуклой оптимизации.

Подробнее

Задача планирования с ограниченными ресурсами (RCPSP): математические модели и метаэвристики

Задача планирования проектов с ограниченными ресурсами (Resource-Constrained Project Scheduling Problem, RCPSP) является одной из самых известных и вычислительно сложных проблем в исследовании операций. В то время как классические методы сетевого планирования (CPM/PERT) учитывают только технологические связи между работами, RCPSP моделирует суровую индустриальную реальность: работы требуют использования станков, бригад рабочих или финансирования, объем которых в каждый момент времени жестко ограничен. Эта комбинация временных зависимостей и дискретных ресурсных конфликтов превращает RCPSP в сильно NP-трудную задачу оптимизации.

Подробнее

Условия Каруша-Куна-Таккера (ККТ) в нелинейном программировании: теория и экономический смысл

Условия Каруша-Куна-Таккера (ККТ) — это абсолютный фундамент и центральная теорема современного нелинейного математического программирования. Они представляют собой обобщение классического метода множителей Лагранжа на задачи оптимизации, содержащие не только строгие равенства, но и ограничения-неравенства. Любой современный численный метод поиска экстремумов (от алгоритмов внутренней точки до последовательного квадратичного программирования) алгоритмически сводится к поиску точки в многомерном пространстве, которая удовлетворяет системе уравнений и неравенств ККТ.

Подробнее

Стохастический градиентный спуск (SGD) и методы адаптивного шага в машинном обучении

Обучение глубоких нейронных сетей — это, по своей сути, решение задачи математического программирования гигантских масштабов, где целевая функция (Loss Function) зависит от миллионов, а иногда и миллиардов параметров. Классический (пакетный) градиентный спуск требует вычисления градиента ошибки по всему обучающему набору данных (датасету) на каждом шаге. Для петабайтов данных это вычислительно невозможно. Стохастический градиентный спуск (SGD) элегантно решает эту проблему, заменяя точный градиент его математическим ожиданием (стохастической аппроксимацией), открыв эру современного ИИ.

Подробнее

Метод покоординатного спуска: математика и применение в разреженной оптимизации

Метод покоординатного спуска (Coordinate Descent, CD) является одним из старейших интуитивных алгоритмов безусловной оптимизации, в котором на каждой итерации функция минимизируется только по одной переменной (или небольшому блоку переменных), в то время как остальные остаются фиксированными. Несмотря на кажущуюся простоту, в эпоху больших данных этот алгоритм был переосмыслен и стал одним из самых мощных вычислительных инструментов для решения гигантских задач разреженного машинного обучения (таких как LASSO и Elastic Net), где классические методы второго порядка не справляются с размерностью.

Подробнее
Subscribe to this RSS feed

Соц. сети