Mathematical Optimization for Machine Learning : Proceedings of the MATH+ Thematic Einstein Semester 2023 (De Gruyter Proceedings in Mathematics) / Herausgegeben:Fackeldey, Konstantin/ Kannan, Aswin/ Pokutta, Sebastian/ Sharma, Kartikey/ Walter, Daniel/ Walther, Andrea/ Weiser, Martin

Mathematical Optimization for Machine Learning : Proceedings of the MATH+ Thematic Einstein Semester 2023 (De Gruyter Proceedings in Mathematics) （2025. X, 202 S. 2 b/w and 53 col. ill., 27 b/w tbl. 240 mm）

個数：

Mathematical Optimization for Machine Learning : Proceedings of the MATH+ Thematic Einstein Semester 2023 (De Gruyter Proceedings in Mathematics) （2025. X, 202 S. 2 b/w and 53 col. ill., 27 b/w tbl. 240 mm）

Herausgegeben:Fackeldey, Konstantin/ Kannan, Aswin/ Pokutta, Sebastian/ Sharma, Kartikey/ Walter, Daniel/ Walther, Andrea/ Weiser, Martin

ドイツ（DK）から取り寄せる

ウェブストア価格 ¥37,739（本体¥34,309）
DE GRUYTER（2025発売）
外貨定価 EUR 159.95
ポイント 343pt

在庫がございません。海外の書籍取次会社を通じて出版社等からお取り寄せいたします。
通常6～9週間ほどで発送の見込みですが、商品によってはさらに時間がかかることもございます。
【重要ご説明事項】
1. 納期遅延や、ご入手不能となる場合がございます。
2. 複数冊ご注文の場合、分割発送となる場合がございます。
3. 美品のご指定は承りかねます。

●3Dセキュア導入とクレジットカードによるお支払いについて

アメリカ（US）から取り寄せる

ウェブストア価格 ¥36,425（本体¥33,114）
DE GRUYTER（2025発売）
外貨定価 US$ 175.99
ポイント 331pt

提携先の海外書籍取次会社に在庫がございます。通常3週間で発送いたします。
【重要ご説明事項】
1. 納期遅延や、ご入手不能となる場合が若干ございます。
2. 複数冊ご注文の場合、分割発送となる場合がございます。
3. 美品のご指定は承りかねます。

●3Dセキュア導入とクレジットカードによるお支払いについて

【入荷遅延について】
世界情勢の影響により、海外からお取り寄せとなる洋書・洋古書の入荷が、表示している標準的な納期よりも遅延する場合がございます。
おそれいりますが、あらかじめご了承くださいますようお願い申し上げます。

◆画像の表紙や帯等は実物とは異なる場合があります。

◆ウェブストアでの洋書販売価格は、弊社店舗等での販売価格とは異なります。
また、洋書販売価格は、ご注文確定時点での日本円価格となります。
ご注文確定後に、同じ洋書の販売価格が変動しても、それは反映されません。

製本 Hardcover:ハードカバー版
商品コード 9783111375854

Full Description

Mathematical optimization and machine learning are closely related. This proceedings volume of the Thematic Einstein Semester 2023 of the Berlin Mathematics Research Center MATH+ collects recent progress on their interplay in topics such as discrete optimization, nonlinear programming, optimal control, first-order methods, multilevel optimization, machine learning in optimization, physics-informed learning, and fairness in machine learning.