Creo que el descenso de gradiente sería una gran aplicación para mostrar a tus alumnos. Es un algoritmo muy simple y muy fácil de entender para aproximar extremos (locales) de una función diferenciable. Dado el nombre del método, estoy seguro de que ya puedes adivinar cómo funciona si aún no lo sabías. Pero wikipedia tiene una buena entrada: http://en.wikipedia.org/wiki/Gra…
La regresión lineal de mínimos cuadrados, por supuesto, tiene una solución única (ya que la función que se optimiza es una forma cuadrática definida positiva) que se puede encontrar exactamente: http://en.wikipedia.org/wiki/Lin…
Podrías pensar que este es el final de la historia. Sin embargo, esta solución exacta requiere que invierta una matriz. Si la matriz es muy grande (como lo es en las aplicaciones de “big data”), entonces esta inversión puede ser computacionalmente costosa. Es (más o menos) O (n ^ 3) si su matriz es nxn. (He descubierto que la mayoría de los textos de álgebra lineal de pregrado nunca hablan de esto). En estos casos, en realidad a menudo es más rápido, y por lo tanto mejor, usar el descenso de gradiente para encontrar una buena aproximación a la solución. En la mayoría de las aplicaciones, no necesitará una solución exacta de todos modos.
(Por cierto, aprendí todo esto a través de la clase Coursera de Andrew Ng sobre Machine Learning).
- ¿Cuál es el valor máximo de [matemáticas] \ frac {ab + bc + cd + de} {a ^ 2 + b ^ 2 + c ^ 2 + d ^ 2 + e ^ 2} [/ matemáticas]?
- ¿Es el control estocástico una cosa en el comercio algorítmico?
- ¿Cuál es la solución a [matemáticas] e ^ {2i \ bar {z}} = -8 + 6i [/ matemáticas] que tiene la parte real positiva más pequeña?
- Cuando coloco mi teléfono inteligente en el suelo mientras visualizo los valores del acelerómetro. Muestra 9.8 m / s en el eje / plano z ¿qué representa?
- ¿En qué etapa del estudio de las matemáticas las matemáticas se vuelven tan difíciles o abstractas que la persona promedio ya no puede entenderlas?
Sería bueno cubrir esto porque el aspecto de la complejidad del tiempo podría atraer a las personas de CS, y el aspecto de regresión de mínimos cuadrados podría atraer a las personas de las ciencias sociales y las matemáticas aplicadas. (Además, explica por qué una vez tuve, inexplicablemente para mí en ese momento, dos estudiantes de posgrado en ciencias políticas en una de mis clases de cálculo multivariable). (Además, da un buen contraejemplo a la falsa idea que algunas personas tienen que “el tiempo polinómico es igual a rápido”.)
Dado que el álgebra lineal y el cálculo multivariable ya tienen tantas aplicaciones en la física (de hecho, la mayoría del cálculo multivariable se inventó debido a la física), me parece innecesario tratar de atraer más a la multitud de física :). Ciertamente no trataría de meter nada en la mecánica cuántica.