Técnicas de Optimización para la Minería de Datos

Usted está aquí

Inicio » Estudios » Másteres » Máster en Innovación e Investigación en Informática » Plan de estudios » Asignaturas » Técnicas de Optimización para la Minería de Datos
Créditos
6
Tipos
Complementaria de especialidad (Ciencia de los Datos)
Requisitos
Esta asignatura no tiene requisitos, pero tiene capacidades previas
Departamento
EIO
The course introduces the basic concepts of optimization and the different types of optimization problems, the iterative algorithms to solve these problems, and their properties. The practice of optimization using modeling languages to describe a problem and commercial and publicly available solvers is also emphasized.

Profesorado

Responsable

  • Jordi Castro Pérez ( )

Otros

  • F. Javier Heredia Cervera ( )

Horas semanales

Teoría
3.2
Problemas
0
Laboratorio
0
Aprendizaje dirigido
0.777
Aprendizaje autónomo
52

Objetivos

  1. (ver versión en inglés)
    Competencias relacionadas: CEE5.3, CEE3.2, CTR2, CTR6,
  2. (ver versión en inglés)
    Competencias relacionadas: CEE5.3, CG1, CG3, CEE3.2, CEE3.3, CB9, CEC1, CEC2,
  3. (ver versión en inglés)
    Competencias relacionadas: CEE5.3, CEE3.2, CEE3.3,
  4. (ver versión en inglés)
    Competencias relacionadas: CEE5.3, CTR6,

Contenidos

  1. Optimización sin restricciones
    Optimality conditions. Convexity. Descent directions.
    Line search. Acceptability of step sizes.
    General minimization algorithm.
    Gradient method. Rate of convergence.
    Newton's method. Factorizations to ensure convergence.
    Weighted least squares.
    Introduction to AMPL. The Neos solver site.
  2. Optimización con restricciones y "Support Vector Machines".
    - Introduction to Support Vector Macines (SVM)
    - KKT Optimality conditions of constrained optimization. Optimality conditions of SVM.
    - Duality in Optimization. The dual of the SVM.
  3. Programación Entera.
    - Modelling problems with binary variables.
    - The branch and bound algorithm for integer programming
    - Gomory's cutting planes algorithm.
    - Minimal spanning tree problem and algorithms of Kruskal and Prim.

Actividades

Actividad Acto evaluativo


Unconstrained Optimization

Optimality conditions. Convexity. Descent directions. Line search. Acceptability of step sizes. General minimization algorithm. Gradient method. Rate of convergence. Newton's method. Factorizations to ensure convergence. Weighted least squares. Introduction to AMPL. The Neos solver site.
Objetivos: 1 2 3 4
Teoría
17.3h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
35h

Constrained Optimization and Support Vector Machines

- Introduction to Support Vector Macines (SVM) - KKT Optimality conditions of constrained optimization. Optimality conditions of SVM. - Duality in Optimization. The dual of the SVM.
Objetivos: 1 2 3 4
Teoría
17.4h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
35h

Integer Programming

- Modelling problems with binary variables. - The branch and bound algorithm for integer programming - Gomory's cutting planes algorithm. - Minimal spanning tree problem and algorithms of Kruskal and Prim
Objetivos: 1 2 3 4
Teoría
17.3h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
35h

Metodología docente

(ver versión en inglés)

Método de evaluación

(ver vesión en inglés)

Bibliografía

Básica:

Web links

Capacidades previas

(ver versión en inglés)