最优化问题中，牛顿法为什么比梯度下降法求解需要的迭代次数更少？ 经常看到资料上这么写，谁能给出详细点的解释，比如在几何方面上的解释
深度学习需要多强的数学基础？ 官方中文版 的 GitHub 链接在此：https：// github.com/exacity/deep learningbook-chinese 除此之外，还有一本书《动手学深度学习》。本书旨在向读者交付有关深度学习的交互。
最优化理论与算法的图书目录 第1章引言1.1学科简述1.2线性与非线性规划问题1.3几个数学概1.4凸集和凸函数习题第2章线性规划的基本性质2.1标准形式及图解法2.2基本性质习题第3章单纯形方法3.1单纯形方法原理3.2两阶段法与大M法3.3退化情形3.4修正单纯形法3.5变量有界的情形3.6分解算法习题第4章对偶原理及灵敏度分析4.1线性规划中的对偶理论4.2对偶单纯形法4.3原始对偶算法4.4灵敏度分析4.5含参数线性规划习题第5章运输问题5.1运输问题的数学模型与基本性5.2表上作业法5.3产销不平衡运输问题习题第6章线性规划的内点算法6.1Karmarkar算法6.2内点法6.3路径跟踪法第7章最优性条件7.1无约束问题的极值条件7.2约束极值问题的最优性条件7.3对偶及鞍点问题习题第8章算法8.1算法概念8.2算法收敛问题习题第9章一维搜索9.1一维搜索概念9.2试探法9.3函数逼近法习题第10章使用导数的最优化方法10.1最速下降法10.2牛顿法10.3共轭梯度法10.4拟牛顿法10.5信赖域方法10.6最小二乘习题第11章无约束最优化的直接方法11.1模式搜索法11.2Rosenbrock方法11.3单纯形搜索法11.4Powell方法习题第12章可行方向法12.1Zoutendijk可行方向法12.2Rosen梯度。
