- ES Español (Latinoamérica)

- EN English

2.6. Optimización y Aprendizaje Automático (OML)
Esta área cubre los fundamentos matemáticos y métodos computacionales para optimización, con especial énfasis en técnicas relevantes para el aprendizaje automático. Incluye optimización convexa y no convexa, optimización con restricciones, métodos de optimización a gran escala y metaheurísticas. El área conecta la teoría de optimización tradicional con aplicaciones modernas de aprendizaje automático, proporcionando las herramientas necesarias para entrenar modelos complejos y resolver problemas de optimización a gran escala eficientemente.
| Área de Conocimiento (KA) | Core Tier1 | Core Tier2 |
2.6.1 Optimización Convexa y No Convexa | 1 | 1 |
2.6.2 Optimización con Restricciones | 1 | 1 |
2.6.3 Optimización para Aprendizaje Automático | 1 | 1 |
2.6.4 Optimización a Gran Escala y Distribuida | 1 | 1 |
2.6.5 Metaheurísticas y Optimización Bioinspirada | 1 | 1 |
2.6.1. OML/Optimización Convexa y No Convexa (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba
Temas:
Core
- Conjuntos y funciones convexas
- Condiciones de optimalidad
- Métodos de gradiente para optimización convexa
- Desafíos de optimización no convexa
- Análisis de convergencia
Aprendizaje esperado (Learning Outcomes):
Core:
- Caracterizar problemas de optimización convexa [Evaluar]
- Aplicar condiciones de optimalidad para verificar soluciones [Usar]
- Implementar métodos basados en gradiente para problemas convexos [Usar]
- Analizar desafíos en optimización no convexa [Evaluar]
2.6.2. OML/Optimización con Restricciones (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba
Temas:
Core
- Programación lineal (método simplex)
- Programación entera
- Multiplicadores de Lagrange y condiciones KKT
- Métodos de penalización y barrera
- Teoría de dualidad
Aprendizaje esperado (Learning Outcomes):
Core:
- Resolver problemas de programación lineal [Usar]
- Formular y resolver problemas de programación entera [Usar]
- Aplicar condiciones KKT a problemas con restricciones [Usar]
- Usar métodos de penalización para optimización con restricciones [Usar]
2.6.3. OML/Optimización para Aprendizaje Automático (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba
Temas:
Core
- Descenso de gradiente estocástico
- Momentum y métodos adaptativos (Adam, RMSProp)
- Regularización y dispersidad
- Optimización distribuida para AA
- Métodos de segundo orden para AA
Aprendizaje esperado (Learning Outcomes):
Core:
- Implementar variantes de descenso de gradiente estocástico [Usar]
- Aplicar métodos de optimización adaptativos [Usar]
- Usar regularización para generalización de modelos [Usar]
- Diseñar estrategias de optimización distribuidas [Usar]
2.6.4. OML/Optimización a Gran Escala y Distribuida (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba
Temas:
Core
- Métodos de primer orden para problemas a gran escala
- Descenso coordenado y métodos por bloques
- Consenso y optimización distribuida
- Optimización de aprendizaje federado
- Optimización distribuida eficiente en comunicación
Aprendizaje esperado (Learning Outcomes):
Core:
- Aplicar métodos de primer orden a problemas a gran escala [Usar]
- Implementar algoritmos de descenso coordenado [Usar]
- Diseñar algoritmos distribuidos basados en consenso [Usar]
- Optimizar sistemas de aprendizaje federado [Usar]
2.6.5. OML/Metaheurísticas y Optimización Bioinspirada (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba
Temas:
Core
- Algoritmos genéticos y estrategias evolutivas
- Inteligencia de enjambre (PSO, colonia de hormigas)
- Temple simulado
- Búsqueda tabú
- Metaheurísticas híbridas
Aprendizaje esperado (Learning Outcomes):
Core:
- Implementar algoritmos genéticos [Usar]
- Aplicar métodos de inteligencia de enjambre [Usar]
- Usar temple simulado para optimización global [Usar]
- Diseñar enfoques metaheurísticos híbridos [Usar]