凸优化是指在最小化（最大化）的优化要求下，目标函数是凸函数，且约束条件所形成的可行域集合是一个凸集的优化方法。由于能够顺序查询外部数据源，在线凸优化成为获得凸函数最佳解决方案的方法，并因其在大规模优化和机器学习中的可扩展性而得到了广泛的普及。
近日，由计算机科学家 Elad Hazan 撰写的经典书籍《在线凸优化导论（Introduction to Online Convex Optimization）》出版了第二版，第一版曾于 2016 年发表。
第二版书籍链接：https://arxiv.org/pdf/1909.05207.pdf
与第一版类似，这本书将优化视为一个过程。在许多应用中，实际环境非常复杂，要建立一个全面的理论模型，使用经典的算法理论和数学优化是不可行的。因此应用优化方法，在观察问题更多方面的情况下进行学习，采用稳健的方法是非常必要的。这种将优化视为一个过程的观点已为各个领域广泛接受，在建模和多种系统上取得了巨大的成功。
随着机器学习、统计学、决策科学和数学优化方面的研究越来越多，确定性建模、随机建模和优化方法之间的界限逐渐模糊。该书沿着这一现实趋势，以在线凸优化 (OCO) 框架为例，讲解了 OCO 建模和解决的实际问题，涵盖严格的定义、背景和算法。
全书共包含 13 章的内容：
第 1、2 章介绍了在线凸优化的基础知识和基本概念；
第 3、4 章系统地介绍了两类在线凸优化的方法；
第 5 章介绍了正则化的内容；
第 6 章具体介绍了经典框架 Bandit 凸优化（BCO）的内容；
第 7 章讲解了无投影算法的内容；
第 8 章从博弈论的角度讲解在线凸优化理论；
第 9 章讲解了与在线凸优化有关的统计学习理论；
第 10 章介绍了在现实多变的环境中在线凸优化的实际应用问题；
第 11 章主要介绍了机器学习算法 boosting 和在线凸优化算法的衡量指标 regret；
第 12 章讲解了在线 boosting 方法及其用途；
第 13 章介绍了 Blackwell 可接近性定理。
以下是这本书的部分目录。
作者介绍
《在线凸优化导论》这本书的作者是美国计算机科学家、普林斯顿大学计算机科学系教授 Elad Hazan。
Hazan 教授也是自适应梯度算法 AdaGrad 的作者之一。他主要从事机器学习和数学优化方面的研究工作，特别是学习机制的自动化及其有效算法的实现，并拥有多项专利。
