Denne boken gir en grundig innføring i konveks optimering, en kraftfull og håndterbar type optimeringsproblem som kan løses effektivt med datamaskiner. Målet med boken er å utvikle en forståelse for hva konveks optimering er, og hvordan det kan anvendes i en stadig større rekke praktiske sammenhenger, med særlig fokus på maskinlæring. Den første delen av boken dekker kjernebegreper som konvekse mengder, konvekse funksjoner og grunnleggende definisjoner som bidrar til å forstå konveks optimering og tilhørende modeller. Den andre delen tar for seg en nyttig teori kalt dualitet, som gjør det mulig for oss å oppnå algoritmiske innsikter og finne omtrentlige løsninger på ikke-konvekse optimeringsproblemer som ofte er vanskelige å løse. Den siste delen fokuserer på moderne anvendelser innen maskinlæring og dyp læring. En karakteristisk egenskap ved denne boken er dens evne til å knytte sammen «historien» om hvordan konveks optimering spiller en rolle, illustrert gjennom historiske eksempler og praktiske anvendelser.
