《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Elad Hazan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。"

前 言 本书是在线凸优化(Online Convex Optimization，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(Support Vector Machine，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(online learning)、提 升(boosting)、博弈中的遗憾最小化(regret minimization in games)、通用预测(universal prediction)和其他相关主题的子学科，近年来已经出现了大量的入门书籍。在此，我们很难对所有这些进行公正的评价，但也许可以列出与机器学习、博弈学习和优化主题最相关的书籍，它们的交集是我们的主要关注点。 最密切相关的书是Cesa-Bianchi and Lugosi (2006)，它对整个博弈学习领域起到了启发作用。在数学优化理论的文献中，有许多关于凸优化和凸分析的介绍性文章，例如以下作者的文章：Boyd andVandenberghe, 2004; ...