機器學習是關於從數據中建立預測或描述模型，以提升機器解決問題能力的學科 . 在建立模型後，需要采用適當的優化算法來求解模型的參數，因此優化算法是機器學習的重要組成部分 . 但是傳統的優化算法並不完全適用於機器學習，因為通常來說機器學習模型的參數維度很高或涉及的樣本數巨大，這使得一階優化算法在機器學習中占據主流地位 .本書概述了機器學習中加速一階優化算法的新進展 . 書中全面介紹了各種情形下的加速一階優化算法，包括確定性和隨機性的算法、同步和異步的算法，以求解帶約束的問題和無約束的問題、凸問題和非凸問題，對算法思想進行了深入的解讀，並對其收斂速度提供了詳細的證明 .本書面向的讀者對像是機器學習和優化領域的研究人員，包括人工智能、信號處理及應用數學特別是計算數學專業高年級本科生、研究生，以及從事人工智能、信號處理領域產品研發的工程師 .
| 
