Última actualización: 16/04/2024


Curso Académico: 2024/2025

Optimización
(19279)
Máster Universitario en Aprendizaje Automático para la Salud (Plan: 480 - Estudio: 359)
Escuela de Ingeniería y Ciencias Básicas


Coordinador/a: VAZQUEZ VILAR, GONZALO

Departamento asignado a la asignatura: Departamento de Teoría de la Señal y Comunicaciones

Tipo: Optativa
Créditos: 6.0 ECTS

Curso:
Cuatrimestre:




Requisitos (Asignaturas o materias cuyo conocimiento se presupone)
Se recomienda que los estudiantes hayan cursado: - Álgebra Lineal (o similar) No son necesarios conocimientos previos en optimización.
Objetivos
La teoría de la optimización es hoy en día un área madura con un amplio desarrollo tanto teórico como práctico. Este curso introduce los conceptos necesarios para definir y resolver problemas de optimización e ilustra su uso con múltiples aplicaciones en procesado de la señal y aprendizaje automático. Entre los objetivos específicos del curso se encuentran: - Desarrollar una base teórica sólida para modelar los problemas de optimización que surgen en el ámbito laboral y de investigación. - Aprender a descubrir la convexidad oculta de ciertos problemas de optimización, así como técnicas de relajación para tratar problemas no convexos. - Ser capaz de caracterizar la solución de problemas de optimización convexos y no convexos, analítica y algorítmicamente. - Familiarizarse con algunos de los entornos de optimización más populares.
Competencias y resultados del aprendizaje
Descripción de contenidos: Programa
Tema 1. Introducción - Problemas de optimización y restricciones - Soluciones analíticas y algorítmicas - Tipos de problemas de optimización - Modelado y algebra lineal aplicada Tema 2. Optimización convexa - Conjuntos convexos y funciones convexas - Problemas de optimización convexa - Programación convexa disciplinada, CVX - Optimización cuadrática - Dualidad de Lagrange y condiciones KKT Tema 3. Algoritmos de optimización - Algoritmos y técnicas de optimización local - Optimización estocástica - Optimización global - Programación entera y metaheurísticos Tema 4. Aplicaciones - Optimización en aprendizaje máquina
Actividades formativas, metodología a utilizar y régimen de tutorías
- Sesiones teóricas: teoría de la optimización, ilustrada con aplicaciones y ejemplos. Material adicional para el trabajo del alumno. - Sesiones de problemas: interpretar y resolver ejercicios de optimización motivados por diferentes problemas de procesado de la señal y aprendizaje máquina. - Sesiones prácticas: trabajo con paquetes de optimización convexa y no convexa. Los ejercicios propuestos se realizarán en los entornos de programación Matlab y/o Python.
Sistema de evaluación
  • Peso porcentual del Examen Final 0
  • Peso porcentual del resto de la evaluación 100

Calendario de Evaluación Continua


Bibliografía básica
  • S. Boyd and L. Vandenberghe. Convex Optimization. Cambridge University Press. 2004
Recursos electrónicosRecursos Electrónicos *
Bibliografía complementaria
  • A. Zhang, Z. C. Lipton, M. Li and A. J. Smola. Dive into Deep Learning. Online interactive book: https://d2l.ai. 2019
  • S. Boyd and L. Vandenberghe. Introduction to Applied Linear Algebra - Vectors, Matrices, and Least Squares. Cambridge University Press. 2018
Recursos electrónicosRecursos Electrónicos *
  • A. Zhang, Z.C. Lipton, M. Li and A.J. Smola · Dive into Deep Learning : https://d2l.ai
  • S. Boyd and L. Vandenberghe · Introduction to Applied Linear Algebra - Vectors, Matrices, and Least Squares : http://vmls-book.stanford.edu/
(*) El acceso a algunos recursos electrónicos puede estar restringido a los miembros de la comunidad universitaria mediante su validación en campus global. Si esta fuera de la Universidad, establezca una VPN


El programa de la asignatura podría sufrir alguna variación por causa de fuerza mayor debidamente justificada o por eventos académicos comunicados con antelación.