《在线凸优化(第２版)》全面更新，深入探索优化和机器学习交叉领域，详细介绍日常生活中许多系统和模型的优化过程。
●第2版亮点:增加了关于提升、自适应遗憾和可接近性的章节
●扩大了优化和学习理论的覆盖面
●应用实例包含专家建议投资组合选择、矩阵补全推荐系统和支持向量机训练等
●指导学生完成练习
普林斯顿大学计算机科学教授
谷歌AI普林斯顿实验室的联合创始人和主任
EladHazan教授主要研究学习机制的自动化及其高效的算法实现。研究领域集中在机器学习，并涉及数学优化、博弈论、统计学和计算复杂性。
本书是在线凸优化(OnlineConvexOptimization，OCO)扩展理论的导论。它是为研究生基础课程编写的高等教材，可作为深入优化与机器学习交叉领域的研究人员的参考书。
Technion于2010—2014年开设了这门课程，每年略有变化，普林斯顿大学于2015—2020年开设了这门课程。本书全面涵盖了这些课程的核心材料，并给出让学生完成部分证明的练习，或者参加课程的人觉得具有启发性和发人深省的练习。大部分材料都给出了应用实例，这些应用实例穿插在各个主题中，包括专家建议的预测、投资组合选择、矩阵补全和推荐系统，以及支持向量机(SupportVectorMachine，SVM)的训练。
我们希望这份材料和练习纲要对研究人员和教育工作者有用。
把这本书放在机器学习图书馆中
机器学习的广阔领域，如在线学习(onlinelearning)、提
本书的主要目的是作为OCO和机器学习凸优化方法专门课程的教科书。在线凸优化已经产生了足够的影响，出现在多个综述和导论文献中(Hazan,2011;Shalev-Shwartz,2011;Rakhlin,2009;RakhlinandSridharan,2014)。我们希望这份材料和练习的汇编将进一步丰富这些文献。
本书结构
每章应该花费一到两周的课时，具体取决于课程的深度和广度。
第1章为该领域的导论，不像本书其他部分那么严谨。
粗略地说，本书可以分成三个部分。第一部分是第2章到第4章，包含了在线凸优化的基本定义、框架和核心算法。第二部分是第5章到第7章，包含更高阶的算法、框架的深入分析以及其他计算和信息访问模型的扩展。本书的其余部分(即第三部分)涉及更高级的算法、更困难的设置以及与知名机器学习范式的关系。
本书可以帮助教育工作者设计关于在线凸优化主题的完整课程，也可以作为机器学习综合课程的组成部分。
第2版新增
本书第2版的主要增补内容如下：
在第2章中扩大了优化范围，对Polyak步长进行了统一的梯度下降分析。
在第9章中扩展了学习理论的涵盖范围，介绍了压缩及其在泛化理论中的应用。
扩展的第4章，增加了指数(exp)凹损失函数的指数加权优化器。
修订后的第5章，增加了镜像下降分析，自适应梯度方法(5.6节)也进行了修订。
新的第10章包括自适应遗憾的概念和面向具有近似最优自适应遗憾界的OCO算法。
新的第11章包括Boosting(提升)及其与在线凸优化的关系。从遗憾最小化推导Boosting算法。
新的第12章包括在线Boosting。
新的第13章包括Blackwell可接近性及其与在线凸优化的紧密联系。