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

    dfogidfuol

    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