[BOOK] Optimization for Machine Learning 本书主要介绍机器学习中的优化问题，是不可多得的机器学习进阶算法，受到百度首席科学家余凯和Andrew的大力推荐。

本资源包含：阿基米德优化算法、白骨顶鸡优化算法、bianselong群算法、绯鲵鲣优化算法、蜉蝣算法、Coronavirus herd immunity优化、灰狼优化算法、蜜獾算法、鼠妇算法、水母优化算法、算术优化算法、秃鹰优化算法、乌鸦搜索算法、象群优化算法、学生心理优化算法、野马优化器、引力搜索算法、萤火虫优化算法、原子搜索优化算法、樽海鞘优化算法

分享了Galaxy Gravity Optimization银河引力优化算法源代码及其原文，更多算法可进入空间查看

本资源包包含：斑鬣狗优化、蝙蝠优化算法、布谷鸟搜索算法cuckoo_search、法医调查算法、飞蛾优化算法、蝠鲼优化算法、哈里斯鹰优化算法、海鸥优化算法、海洋捕食者算法、黑猩猩优化算法、蝴蝶优化算法、蝗虫优化算法、郊狼优化算法、晶体结构算法、精子群优化算法、鲸鱼优化算法、麻雀优化算法、黏菌觅食优化算法、蜻蜓优化算法、人工生态系统算法

tensorflow_model_optimization离线安装包

请检查笔记本中的分析：

在本文中，我们展示了如何将长短期记忆 (LSTM) 类神经网络用于股票选择和投资组合优化。 我们使用 LSTM 网络来预测股票运动的方向和股票价格代理度量，并将这些用于股票选择和 Markowitz 均值方差投资组合优化框架。 使用印度 SENSEX 股票数据构建了四种类型的 LSTM 模型——个体模型和集合模型，每种模型都使用批量和增量学习方法进行训练。 我们在投资组合优化阶段利用入围股票中股票运动方向分类的准确性。 在投资组合优化阶段，除了标准的 Markowitz 公式之外，还构建了多样化和卖空的 Markowitz 公式。 我们还建议使用 LSTM 分类精度的补充作为风险度量，代替 Markowitz 框架内的协方差矩阵。 LSTM 构建和投资组合优化公式类型的上述每种组合的结果都针对 SENSEX 和标准最优 Markowitz 投资组合进行了基准测试，没有股票选择。 我们还推导出具有股票价格预测因子比平均股票价格更准确的 Markowitz 公式优于标准 Markowitz 公式的条件。

关于多目标优化的电子书，最新版本，经典著作，适合工学理学等领域

Matlab Lsqnonlin代码Matlab中的优化代码 **此存储库包含matlab中的“优化”课程的代码。 如果看到任何错误或改进方法，请提出请求。 使用它们之前，请先了解代码。 ** 此文件夹包含： 一维最小化方法 _对于消除方法_ 斐波那契法 黄金分割 _对于三次插值方法_ 牛顿法 拟牛顿法 割线法 无约束优化方法（间接搜索下降方法） 无约束牛顿法 马夸特法 约束优化方法 单纯形法 增强拉格朗日法 MATLAB优化工具箱的应用 功能功能 fmincon功能 lsqnonlin函数 lsqlin函数 linprog函数 Quadprog函数

Robust optimization is still a relatively new approach to optimization problems affected by uncertainty, but it has already proved so useful in real applications that it is difficult to tackle such problems today without considering this powerful methodology. Written by the principal developers of robust optimization, and describing the main achievements of a decade of research, this is the first book to provide a comprehensive and up-to-date account of the subject. Robust optimization is designed to meet some major challenges associated with uncertainty-affected optimization problems: to operate under lack of full information on the nature of uncertainty; to model the problem in a form that can be solved efficiently; and to provide guarantees about the performance of the solution. The book starts with a relatively simple treatment of uncertain linear programming, proceeding with a deep analysis of the interconnections between the construction of appropriate uncertainty sets and the classical chance constraints (probabilistic) approach. It then develops the robust optimization theory for uncertain conic quadratic and semidefinite optimization problems and dynamic (multistage) problems. The theory is supported by numerous examples and computational illustrations. An essential book for anyone working on optimization and decision making under uncertainty, Robust Optimization also makes an ideal graduate textbook on the subject. Aharon Ben-Tal is professor of operations research at the Technion, Israel Institute for Technology. Laurent El Ghaoui is associate professor of electrical engineering and operations research at the University of California, Berkeley. Arkadi Nemirovski is professor of industrial and systems engineering at Georgia Institute of Technology.