Última actualización: 25/04/2019


Curso Académico: 2019/2020

Métodos Numéricos Avanzados para Data Science
(17772)
Titulación: Máster Universitario en Estadística para la Ciencia de Datos (345)
Escuela de Ingeniería y Ciencias Básicas


Coordinador/a: RUIZ MORA, CARLOS

Departamento asignado a la asignatura: Departamento de Estadística

Tipo: Optativa
Créditos: 3.0 ECTS

Curso:
Cuatrimestre:




Competencias que adquiere el estudiante y resultados del aprendizaje.
El objetivo de este curso es que el alumno se familiarice con las principales técnicas de modelado en optimización y con los algoritmos de resolución más importantes en el contexto del Data Science. En el curso, se proporcionan las herramientas necesarias para conseguir soluciones de optimización eficientes para problemas reales, en áreas como Finanzas, Salud, Economía, Marketing, e Ingeniería. En particular, los objetivos a alcanzar en el curso son: 1. Modelar y aplicar los métodos de optimización para una serie de problemas generales (lineales, discretos, no lineales y bajo incertidumbre). 2. Aprender los fundamentos matemáticos necesarios para desarrollar algoritmos de solución eficientes para los problemas de optimización mencionados en 1. 3. Estudiar los principales algoritmos usados en el contexto del Data Science. 4. Usar Python para manejar las herramientas de optimización modernas de forma eficiente.
Descripción de contenidos: Programa
1. Modelado avanzado en optimización. 1.1. Algebraic modeling languages 1.2. Introducción a Pyomo 1.3. Ejemplos 1.4. Diferenciación Automática 2. Optimización no lineal 2.1. Introducción 2.2. Ejemplos 2.3. Optimización sin restricciones 2.4. Optimización con restricciones 2.5. Algoritmos de resolución 3. Optimización y Machine Learning 3.1. Introducción 3.2. Ejemplos 3.3. Algoritmos de resolución 4. Optimización bajo incertidumbre 4.1. Introducción 4.2. Simulación 4.3. Optimización Estocástica 4.4. Ejemplos
Actividades formativas, metodología a utilizar y régimen de tutorías
½ clases magistrales con material disponible en la Web ½ clases prácticas (en laboratorio, con Python)
Sistema de evaluación
  • Peso porcentual del Examen Final 0
  • Peso porcentual del resto de la evaluación 100
Bibliografía básica
  • Bertsimas, Dimitris, and John Tsitsiklis . Introduction to Linear Optimization. Belmont, MA: Athena Scientific. 1997
  • D Bertsimas, R Weismantel . Optimization over integers. Belmont: Dynamic Ideas. 2005
  • Jorge Nocedal Stephen J. Wright. Numerical Optimization. Springer. 2006
  • Sra, S., Nowozin, S., and Wright, S. J. Optimization for machine learning. Mit Press. 2012
  • Stephen Boyd and Lieven Vandenberghe. Convex Optimization. Cambridge University Press. 2004

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