Ajuste de Modelos de Optimización
Código: 104360 Créditos ECTS: 6| Titulación | Tipo | Curso |
|---|---|---|
| Ingeniería de Datos | OB | 3 |
Contacto
- Nombre:
- Sundus Zafar
- Correo electrónico:
- sundus.zafar@uab.cat
Equipo docente
- Sundus Zafar
Idiomas de los grupos
Puede consultar esta información al final del documento.
Prerrequisitos
Los estudiantes deben tener los siguientes conocimientos y habilidades:
- Cálculo multivariable y álgebra lineal: Para comprender los métodos de optimización (Programación Lineal y No Lineal) y formular funciones de costo. Corresponde a Fundamentos Matemáticos, Técnicas de Optimización (Programación Lineal y No Lineal).
- Familiaridad con NumPy, SciPy, para tareas de optimización en Python: Corresponde a Asignaturas prácticas de programación, Optimización en sistemas reales.
- Conocimiento de las distribuciones de probabilidad y los métodos estadísticos, fundamentales para aprendizaje automático y optimización en IA. Corresponde a Optimización en aprendizaje automático, Métodos de optimización probabilística.
- Conocimientos básicos de algoritmos de aprendizaje automático y ajuste de hiperparámetros: Corresponde a Optimización en IA/Aprendizaje Automático, Optimización de hiperparámetros.
- Conocimiento de los algoritmos básicos y la teoría de grafos para problemas de rutas, planificación y caminos más cortos: Corresponde a Optimización en sistemas reales (Transporte, Rutas y Distribución).
Objetivos y contextualización
Este curso tiene como objetivo dotar a los estudiantes de las habilidades necesarias para modelar problemas del mundo real y aplicar técnicas de optimización en una amplia gama de industrias, incluyendo transporte, logística, manufactura, tecnologías de la información, así como IA, ciencia de datos y aprendizaje automático. Los estudiantes aprenderán métodos de optimización tanto con restricciones como sin ellas, incluyendo optimización multiobjetivo, descenso de gradiente y algoritmos evolutivos. Específicamente, los estudiantes:
- Comprenderán el papel de la optimización en la mejora de procesos y sistemas en diversas industrias, como logística, transporte, manufactura, finanzas e IA.
- Analizarán y evaluarán funciones de costo y seleccionarán los métodos de optimización más apropiados según las propiedades y restricciones del problema.
- Formularán y ajustarán modelos de optimización para resolver problemas reales, considerando tanto las restricciones específicas de la industria como los objetivos operativos.
- Aplicarán técnicas de optimización como la programación lineal, la programación no lineal, los algoritmos genéticos y la búsqueda en rejilla para optimizar procesos en diversos sectores, como producción, gestión de la cadena de suministro, optimización de rutas y aprendizaje automático.
- Adquirirán experiencia práctica con herramientas de Python (por ejemplo, Pyomo, LinProg) para implementar modelos de optimización y resolver problemas complejos en una variedad de industrias.
Competencias
- Analizar los datos de forma eficiente para el desarrollo de sistemas inteligentes con capacidad de aprendizaje autónomo y/o para la minería de datos.
- Desarrollar un pensamiento y un razonamiento crítico y saber comunicarlo de manera efectiva, tanto en las lenguas propias como en inglés.
- Que los estudiantes tengan la capacidad de reunir e interpretar datos relevantes (normalmente dentro de su área de estudio) para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética.
- Trabajar cooperativamente, en entornos complejos o inciertos y con recursos limitados, en un contexto multidisciplinar, asumiendo y respetando el rol de los diferentes miembros del equipo.
- Utilizar con destreza conceptos y métodos propios del álgebra, cálculo diferencial e integral, métodos numéricos, estadística y optimización necesarios para la resolución de los problemas propios de una ingeniería.
Resultados de aprendizaje
- Analizar matemáticamente las propiedades de una determinada función de coste a optimizar para poder escoger el mejor método de optimización y/o algoritmo de búsqueda.
- Desarrollar un pensamiento y un razonamiento crítico y saber comunicarlo de manera efectiva, tanto en las lenguas propias como en inglés.
- Escoger el algoritmo de búsqueda y paradigma de programación para un problema de optimización de parámetros o estados.
- Formular la función de coste más adecuada para un problema concreto de ajuste de parámetros o modelo matemático según las características de los datos experimentales y requerimientos/restricciones del problema.
- Que los estudiantes tengan la capacidad de reunir e interpretar datos relevantes (normalmente dentro de su área de estudio) para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética.
- Trabajar cooperativamente, en entornos complejos o inciertos y con recursos limitados, en un contexto multidisciplinar, asumiendo y respetando el rol de los diferentes miembros del equipo.
Contenido
- Modelización matemática de los problemas de optimización (variables, funciones de costo, restricciones).
- Tipos de optimización: con restricciones vs. sin restricciones y optimización multi-objetivo.
- Programación Lineal (PL): Método Simplex, formulación de funciones objetivas lineales y restricciones.
- Programación No Lineal (PNL): Condiciones KKT, condiciones de optimización en problemas no lineales con restricciones.
- Convexidad: Definición de conjuntos y funciones convexas, importancia en optimización.
- Descenso de Gradiente: Base matemática del cálculo del gradiente, análisis de la convergencia.
- Algoritmos Evolutivos (Algoritmos Genéticos): Principios matemáticos de los algoritmos genéticos para la optimización (selección, mutación, cruce).
- Métodos Heurísticos: Búsqueda en cuadrícula y recocido simulado, enfoque probabilístico y evaluación del espacio de búsqueda.
- Pyomo & LinProg: Modelización matemática en Python, traducir problemas de optimización a código.
- Optimización en Transporte y Logística: Problemas de camino más corto (Algoritmo de Dijkstra), optimización de flujos de red.
- Manufactura y Cadena de Suministro: Programación de producción, modelos de asignación de recursos.
- Optimización de Pipelines de Datos: Modelización matemática para el flujo de datos y la eficiencia del sistema.
Actividades formativas y Metodología
| Título | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|
| Tipo: Dirigidas | |||
| Clases de Practicas | 16 | 0,64 | 1, 2, 5, 6 |
| Clases de Problemas | 24 | 0,96 | 1, 5 |
| Clases de Teoría | 30 | 1,2 | 1, 3, 4, 5, 6 |
| Tipo: Autónomas | |||
| Estudio | 60 | 2,4 | 1, 2, 3, 4, 5, 6 |
El curso se estructura a partir de clases teóricas, sesiones de resolución de problemas y ejercicios prácticos, con un enfoque en las aplicaciones del mundo real de la optimización.
- Clases Teóricas: Introduce los conceptos y técnicas clave de optimización, respaldados por la bibliografía recomendada.
- Sesiones de Resolución de Problemas: Los estudiantes aplican las técnicas aprendidas para resolver problemas. Los conjuntos de problemas y las soluciones se publicarán en el Campus Virtual.
- Sesiones Prácticas: Ejercicios prácticos usando datos del mundo real para reforzar los conceptos teóricos. Las instrucciones para cada sesión estarán disponibles en el Campus Virtual.
-
Presentaciones: Dos presentaciones: Presentación del progreso i Presentación final del proyecto.
- Proyecto Final (En curso): Los estudiantes trabajarán en grupo (5 estudiants) en un problema de optimización del mundo real a lo largo del curso, culminando con un informe final y presentación.
Nota: se reservarán 15 minutos de una clase dentro del calendario establecido por el centro o por la titulación para que el alumnado rellene las encuestas de evaluación de la actuación del profesorado y de evaluación de la asignatura o módulo.
Evaluación
Actividades de evaluación continuada
| Título | Peso | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|---|
| Evaluación de Projecte Final | 20% | 8 | 0,32 | 1, 2, 3, 4, 5, 6 |
| Examen Final - Teoria i problemas | 30% | 4 | 0,16 | 1, 3, 4 |
| Examen Parcial - Teoria i Problemas | 30% | 4 | 0,16 | 1, 3, 4 |
| Examen Prácticas - Parcial y Final | 20% | 4 | 0,16 | 1, 2, 3, 4, 5 |
La evaluación de la asignatura consistirá en:
- Examen de mitad de curso: Teoría (30%): Evaluación de los conceptos teóricos fundamentales de la optimización.
- Examen de mitad de curso: Práctica (10%): Aplicación de las técnicas de optimización a problemas prácticos utilizando herramientas como Python.
- Examen final: Teoría (30%): Evaluación de los conocimientos teóricos adquiridos durante el curso.
- Examen final: Práctica (10%): Evaluación de la capacidad de aplicar los conceptos teóricos a problemas prácticos utilizando Python u otras herramientas de optimización.
- Proyecto final (20%): Objetivo: Evaluar la capacidad de los estudiantes para aplicar técnicas de optimización a un problema del mundo real.
- Contenido: El proyecto final consistirá en un informe escrito y una presentación oral, en los que los estudiantes describirán el problema, la metodología utilizada, los resultados obtenidos y las conclusiones.
Ninguna de las actividades de Evaluación elimina la materia para el examen final. La nota final será la media ponderada de las actividades. No se establece ninguna política de nota mínima por actividad. Si aplicando los pesos mencionados anteriormente la calificación del alumno es 5 o superior, se considera superada la asignatura y ésta no podrá ser objeto de una nueva Evaluación. Un alumno se considera que está"No evaluado" en la asignatura siempre y que no ha participado de ninguna de las actividades de evaluación. Por lo tanto, se considera que un estudiante que realiza algún componente de Evaluación continuada ya no puede optar a un "No evaluado".
Proceso de Recuperación "Para participar en el Proceso de Recuperación el Alumno tiene que haber sido evaluado previamente en un conjunto de actividades que representen un mínimo de dos terceras partes de la calificación total de la asignatura o módulo." Apartado 3 del artículo 112 ter. La recuperación (Normativa Acadèmica UAB). Los y las estudiantes deben haber obtenido una calificación media de la asignatura entre 4,0 y 4,9. Los datos de esta prueba estarán programados en el calendario de exámenes de la Facultad. El estudiante que esté presente y la supere aprobará la asignatura con una nota de 5. En caso contrario mantendrá la misma nota.
Irregularidades en el Acto de Evaluación
Sin perjuicio de otras medidas disciplinarias que se consideren oportunas, y de acuerdo con la normativa académica vigente, "en el caso de que el alumno presente alguna Irregularidad que pueda suponer una variación significativa en la calificación de un acta de evaluación, dicha acta de evaluación será calificada con un 0, con independencia del proceso disciplinario que se pueda incoar. en el caso de que se produzcan varias irregularidades en las actas de evaluación de una misma asignatura, la calificación final de la misma será 0". Apartado 10 del artículo 116. Resultados de la evaluación. (Normativa Acadèmica UAB) La Propuesta de Evaluación puede sufrir alguna modificación en función de las restricciones impuestas por las autoridades sanitarias.
Bibliografía
Se proporcionará al inicio del curso
Software
Se proporcionará al inicio del curso
Grupos e idiomas de la asignatura
La información proporcionada es provisional hasta el 30 de noviembre de 2025. A partir de esta fecha, podrá consultar el idioma de cada grupo a través de este enlace. Para acceder a la información, será necesario introducir el CÓDIGO de la asignatura
| Nombre | Grupo | Idioma | Semestre | Turno |
|---|---|---|---|---|
| (PAUL) Prácticas de aula | 81 | Catalán/Español | primer cuatrimestre | tarde |