6月29日至7月2日，《机器学习中的优化》课程在品学楼B101开讲。课程由上海交通大学教授、博士生导师黄晓霖主讲。

       课程从机器学习的本质出发，系统讲解了经验风险、正则化以及早停机制等泛化技巧；随后深入探讨了凸优化基础，包括凸集、凸函数及 KKT 最优性条件。在算法进阶层面，课程不仅剖析了随机梯度下降（SGD）的局限，还引入了动量（Momentum）、Nesterov 加速以及 DFP/BFGS 等拟牛顿法高阶优化技巧。最后详细推导了对偶理论及其在 Lasso 等模型中的应用。课程帮助学生打通了从基础数学理论到前沿算法应用的逻辑闭环。

        黄晓霖教授授课风格深入浅出，将抽象的优化理论与机器学习实践紧密结合。同学们在课堂上积极参与推导与讨论，对梯度下降、对偶空间等难点有了更深刻的理解。

        一位同学评价道：“黄老师的课让我对优化算法背后的数学原理有了更深的理解，特别是随机优化和神经网络训练部分，对我正在做的科研课题帮助很大。”