Teoría y Algoritmia de Optimización
Diagrama de temas
-
Resumen
Este curso incluye el estudio de problemas de optimización continua, con especial énfasis en optimización no lineal, y algoritmos modernos. En particular, se estudiarán algoritmos generales para problemas de optimización, así como métodos de optimización de funciones no diferenciables, o algoritmos utilizados para grandes volúmenes de datos.
Conocimientos previos
- Exigidos: Conocimientos básicos de Cálculo, Algebra lineal, Programación y Métodos Numéricos.
- Recomendados: Conocimientos básicos de Optimización, Investigación Operativa, Python.
Organización de las clases
- El calendario indica el tema a tratar en cada clase
- Hay material de estudio para cada tema en forma de a) libro, a) notas del curso y b) clases grabadas (de 2020)
- El objetivo de las clases en vivo es el de repasar el contenido, reforzar conceptos clave, plantear y resolver problemas prácticos.
- Las clases presenciales presumen que el estudiante ya leyó o bien miró el material disponible al tema previamente
- El curso no distingue entre clases teóricas y clases prácticas.
- En la sección Horario, abajo, se detallan aspectos particulares a la edición actual del curso
- El lenguaje de programación utilizado en el curso es Python. Se incluye material introductorio en este sitio para quienes no están familiarizados con dicho lenguaje.
Plantel docente
- Ignacio Ramírez (responsable)
- Matías Valdés
Forma de evaluación
- La aprobación del curso se logra mediante la entrega de 5 trabajos
- Los primeros cuatro valen 15 puntos cada uno y no son obligatorios
- El último trabajo es obligatorio, cubre todo el temario y vale 40 puntos
- Para aprobar la asignatura es preciso sumar un mínimo de 60 puntos entre los 5 trabajos
Calendario 2023
- Martes y Jueves de 10:30 a 12:00, Salón 725-Beige (7mo. piso).
- Primera clase: 3 de agosto de 2023
Bibliografía
- "Convex Optimization". S. Boyd and L. Vanderberghe. Cambridge Univ. Press, 2004.
- "Nonlinear programming". D. Bertsekas, Athena Scientific, 2016.
- "Proximal Algorithms". N. Parikh, and S. Boyd, Stanford, 2013.
Materiales
En la sección Materiales puede encontrarse:
- Versiones digitales de los libros del curso
- Material de repaso en forma de notebooks Jupyter/Colab
- Exámenes anteriores
Foros
-
Anuncios de parte del plantel docente