Currículo
Otimização Computacional OC
Contextos
Groupo: Inteligência Artificial > 2º Ciclo > Parte Escolar > Unidades Curriculares Obrigatórias
ECTS
6.0 (para cálculo da média)
Objectivos
No final da UC o aluno deverá ser capaz de: OA1 - Usar métodos de Otimização linear e quadrática. OA2 - Aplicar métodos numéricos de otimização clássica. OA3 - Entender, aplicar e adaptar os principais métodos de descida do gradiente. OA4 - Entender, aplicar e adaptar algumas metaheurísticas.
Programa
CP1. Introdução e Revisão 1.1. Introdução 1.2. Programação Linear e Quadrática 1.3. Cálculo Diferencial, Otimização livre e condicionada 1.4. Métodos numéricos CP2. Descida do Gradiente e variações 2.1. Descida do Gradiente 2.2. Descida do Gradiente Estocástico 2.3. Momentum 2.4. Adagrad 2.5. Outros CP3. Metaheurísticas 3.1. Arrefecimento Simulado 3.2. Métodos de Pesquisa Tabu 3.3. Algoritmos Evolucionários
Método de Avaliação
As modalidades de avaliação são: 1) Avaliação ao longo do semestre: - 1 mini-teste (15%) realizado individualmente durante o período letivo; - 1 trabalho de investigação (45%) sobre um ou mais temas da UC, realizado por grupos com 2 ou 3 elementos (incluindo um relatório, código e apresentação oral, durante o período letivo); - 1 teste escrito individual (40%) - a realizar na 1ª época ou na 2ª do período de avaliação. Aprovação em avaliação ao longo do semestre requer uma nota mínima de 8.0 (em 20) em todas as componentes. 2) Avaliação por Exame: realização de uma prova escrita (com um peso de 100%), na 1ª época ou na 2ª época do período de avaliação. Considera-se que o aluno teve aprovação à disciplina se tiver nota superior ou igual a 9.50 (em 20) valores.
Carga Horária
Carga Horária de Contacto -
Trabalho Autónomo - 119.0
Carga Total -
Bibliografia
Principal
- Sra, Suvrit, Sebastian Nowozin, and Stephen J. Wright, eds., Optimization for machine learning, Mit Press, 2012. Dréo, Johann, et al., Metaheuristics for hard optimization: methods and case studies, Springer Science \& Business Media, 2006.:
Secundária
- Dive into DeepLearning, Chapter 11, Optimization algorithms, https://d2l.ai/chapter_optimization/ Postek, Krzysztof and Zocca, Alessandro and Gromicho, Joaquim and Kantor, Jeffrey, Hands-On Mathematical Optimization with AMPL in Python, 2024. https://ampl.com/mo-book: