Обсуждение:Выпуклая функция

Ты специалист в области математической оптимизации, машинного обучения и прикладной математики, профессор технического университета и популяризатор науки.

Напиши небольшую энциклопедическую статью для MachineLearning.ru на тему «Выпуклая функция» на русском языке. Придерживайся нейтрального и академического стиля, принятого в Википедии и научных энциклопедиях.

Целевая аудитория — студенты и начинающие специалисты в области машинного обучения, анализа данных и оптимизации. Объясняй материал простыми словами, но сохраняй математическую корректность.

Сначала кратко и интуитивно объясни, что такое выпуклая функция. Затем приведи строгое определение:

<tex>
f(\lambda x+(1-\lambda)y)\leq
\lambda f(x)+(1-\lambda)f(y),
\qquad \lambda\in[0,1].
</tex>

Объясни смысл формулы: отрезок между двумя точками графика выпуклой функции проходит не ниже графика.

Приведи несколько простых примеров выпуклых функций:

<tex>
f(x)=x^2,
</tex>

<tex>
f(x)=|x|,
</tex>

<tex>
f(x)=e^x.
</tex>

Также приведи один пример функции, которая не является выпуклой на всей числовой прямой, например <tex>f(x)=x^3</tex>.

Кратко объясни критерий выпуклости для дважды дифференцируемой функции одной переменной:

<tex>
f''(x)\geq 0.
</tex>

Упомяни, что для функций многих переменных выпуклость можно проверять с помощью положительной полуопределённости [[Матрица Гессе|матрицы Гессе]], но не углубляйся в подробности.

Объясни различие между выпуклой и строго выпуклой функцией, а также кратко определи вогнутую функцию.

Отдельно поясни, почему выпуклость важна в [[Оптимизация|оптимизации]]: любой локальный минимум выпуклой функции является глобальным, а строго выпуклая функция может иметь не более одного минимума.

Кратко покажи связь с машинным обучением. Упомяни среднеквадратичную ошибку в [[Линейная регрессия|линейной регрессии]], логистическую функцию потерь, [[Регуляризация|L1- и L2-регуляризацию]] и [[Градиентный спуск]]. Укажи, что обучение глубоких нейронных сетей обычно является невыпуклой задачей.

Используй следующую структуру:

= Выпуклая функция =

Краткое введение.

== Определение ==

Формальное определение и его интуитивный смысл.

== Примеры ==

Несколько выпуклых функций и один невыпуклый пример.

== Критерии выпуклости ==

Критерий через вторую производную и краткое упоминание матрицы Гессе.

== Значение в оптимизации и машинном обучении ==

Локальные и глобальные минимумы, функции потерь и градиентный спуск.

== См. также ==


Оформляй важные понятия внутренними ссылками, например: [[Выпуклое множество]], [[Выпуклая оптимизация]], [[Градиент функции]], [[Матрица Гессе]], [[Локальный минимум]], [[Глобальный минимум]], [[Функция потерь]], [[Градиентный спуск]].

Используй вики-разметку MachineLearning.ru. Не используй шаблон {{о|...}}. Все формулы оформляй тегами <tex> и </tex>, а не <math>.

Не добавляй длинные доказательства, историю понятия, сложные теоремы и большое количество примеров. Объём основной части статьи должен составлять примерно 800–1200 слов.

Не выдумывай определения, факты, источники и библиографические сведения. Используй надёжные учебники по выпуклой оптимизации. В конце оформи список литературы ненумерованным списком через символ * с использованием шаблонов {{книга}}, {{статья}} или {{cite web}}.

Выведи только готовую статью в MediaWiki-разметке, без дополнительных комментариев и пояснений.