2.6. Optimización y Aprendizaje Automático (OML)

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.

Tabla 2.6: Lista de KUs del área de Optimización y Aprendizaje Automático.

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:

  1. Caracterizar problemas de optimización convexa [Evaluar]
  2. Aplicar condiciones de optimalidad para verificar soluciones [Usar]
  3. Implementar métodos basados en gradiente para problemas convexos [Usar]
  4. 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:

  1. Resolver problemas de programación lineal [Usar]
  2. Formular y resolver problemas de programación entera [Usar]
  3. Aplicar condiciones KKT a problemas con restricciones [Usar]
  4. 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:

  1. Implementar variantes de descenso de gradiente estocástico [Usar]
  2. Aplicar métodos de optimización adaptativos [Usar]
  3. Usar regularización para generalización de modelos [Usar]
  4. 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:

  1. Aplicar métodos de primer orden a problemas a gran escala [Usar]
  2. Implementar algoritmos de descenso coordenado [Usar]
  3. Diseñar algoritmos distribuidos basados en consenso [Usar]
  4. 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:

  1. Implementar algoritmos genéticos [Usar]
  2. Aplicar métodos de inteligencia de enjambre [Usar]
  3. Usar temple simulado para optimización global [Usar]
  4. Diseñar enfoques metaheurísticos híbridos [Usar]

¿Encontraste una errata, un curso desactualizado, un enlace roto, o tienes una sugerencia? Cuéntanos.

Escanea para abrir en tu teléfono