02/10, 12:50–13:25 (Europe/Madrid), Katherine Johnson (Teoría 7)
Idioma: Español
La optimización matemática es la selección de la mejor alternativa con respecto a algún criterio, entre un conjunto de opciones candidatas.
Existen múltiples aplicaciones de optimización matemática. Por ejemplo, en optimización de carteras de inversión se busca la mejor manera de invertir un capital, dadas diferentes alternativas. En este caso, un problema de optimización nos permitirá elegir una cartera que minimice el riesgo (o maximice la ganancia), entre todas las asignaciones posibles que cumplan con los requisitos definidos.
En la mayoría de los casos, la optimización matemática se utiliza como herramienta para facilitar la toma de decisiones. En ocasiones, estas decisiones pueden ser tomadas automáticamente en tiempo real.
En esta charla se explorará cómo formular y solucionar problemas de optimización matemática con Python, utilizando diferentes librerías de optimización.
La optimización matemática se constituye como una herramienta importante en la toma de decisiones. Con ella, es posible optimizar el beneficio económico, el tiempo, la distancia, o cualquier variable que se desee.
El primer paso de la optimización es la construcción de un modelo. Una buena elección del modelo es esencial. Si el modelo es demasiado simple, no proporcionará información útil sobre el problema. Si es demasiado complejo, puede ser demasiado difícil de resolver. Posterior a la creación del modelo, es posible solucionar el problema, normalmente con la ayuda de un ordenador.
Es importante notar que no existe un algoritmo de optimización universal, sino que existen diferentes algoritmos que se adaptan a diversos problemas de optimización. La elección correcta del algoritmo adecuado para una aplicación específica suele recaer en el usuario. Esta elección es importante, ya que puede determinar si el problema se resuelve rápida o lentamente y, de hecho, si se encuentra la solución.
En esta charla aprenderemos a solucionar problemas de optimización matemática, utilizando Python y diferentes librerías de optimización.
Beginner
Temática –Data Science, Machine Learning and AI
Miembro de la organización de Python Chile, y PyLadies Santiago de Chile. Actualmente soy Doctora candidata en Ciencias de la Ingeniería de la Pontificia Universidad Católica de Chile, asociada al Departamento de Ingeniería Industrial y de Sistemas.
Me encuentro realizando una pasantía en el contexto de mi Doctorado en el Centro de Investigación INRIA Lille-Nord en Francia. Mi tesis de doctorado se enfoca en Teoría de juegos y Optimización. Especificamente trabajo con juegos de Stackelberg en contextos de seguridad.
Previamente estudié Ingeniera Civil Industrial (2014-2018) y Magíster en Ingeniería Industrial (2017-2018) en la Universidad del Bío-Bío, Chile. Tuve la oportunidad de realizar estos 2 diplomas en paralelo gracias a mi buen rendimiento académico. Me enorgullece haber recibido el "Premio Universidad del Bío-Bío" al concluir mis estudios. Este es el más alto premio a la excelencia académica de mi universidad.