Introducción a la Optimización Matemática en Python
Fundamentos de la Optimización Matemática en Python
Fundamentos de Ciencia de Datos
Guía práctica para principiantes de optimización discreta en Python
Los científicos de datos abordan una amplia gama de problemas de la vida real utilizando datos y diversas técnicas. La optimización matemática, una poderosa técnica que se puede aplicar a una amplia gama de problemas en diversos dominios, es una gran inversión en el kit de herramientas de los científicos de datos. En esta entrada práctica introductoria, nos familiarizaremos con tres populares bibliotecas de optimización en Python: la de Google OR-Tools, la de IBM DOcplex y la de la Fundación COIN-OR PuLP.
📍 Visión general
La optimización matemática consiste en encontrar la opción óptima para un problema cuantitativo dentro de límites predefinidos. Tiene tres componentes:
- Función(es) objetivo: Nos indica qué tan buena es una solución y nos permite comparar soluciones. Una solución óptima es aquella que maximiza o minimiza la función objetivo según el caso de uso. ▶ ️En algunos casos, puede haber múltiples funciones objetivo. Esto añade complejidad para determinar qué es una solución óptima. ▶ ️En algunos casos, puede que no haya función objetivo. A estos problemas de optimización se les llama problemas de viabilidad.
- Variable(s) de decisión: Representan un valor o valores que queremos averiguar, la respuesta que buscamos en un problema cuantitativo. La optimización se puede dividir en dos tipos según el tipo de variables de decisión:▶ ️Optimización discreta: Las variables de decisión son discretas. Asignar horarios y encontrar el camino de viaje más corto entre dos ubicaciones son algunos ejemplos de optimización discreta. Si quieres aprender más sobre optimización discreta, este curso y/o esta guía podrían interesarte.▶ ️Optimización continua: Las variables de decisión son continuas. Es posible que ya hayas escuchado el término optimización en el contexto del aprendizaje automático. El aprendizaje automático es un ejemplo de área donde se utiliza la optimización continua. Si quieres aprender más sobre optimización continua, es posible que encuentres útil este tutorial.
- Restricción(es): Define el rango factible de soluciones para las variables de decisión. ▶ ️En algunos problemas de optimización continua, puede que no haya restricciones. A esto se le llama optimización sin restricciones.
We will continue to update Zepes; if you have any questions or suggestions, please contact us!
Was this article helpful?
93 out of 132 found this helpful
Related articles
- Investigadores de Google DeepMind presentan DiLoCo un novedoso algoritmo de aprendizaje automático distribuido y de baja comunicación para un entrenamiento efectivo y resistente de modelos de lenguaje grandes.
- Investigadores de Google y UIUC proponen ZipLoRA un novedoso método de inteligencia artificial para fusionar de manera fluida LoRAs de estilo y de tema entrenadas de forma independiente’.
- ¿Quién hace qué trabajo? Roles laborales a los ojos de la IA
- Si ves la vida como un juego, más te vale saber cómo jugarlo
- Construyendo una tubería RAG para datos semi-estructurados con Langchain
- Cómo los ex empleados de Apple están llevando la inteligencia artificial generativa al escritorio
- dbt Core, Snowflake y GitHub Actions proyecto personal para Ingenieros de Datos