¿Cuáles son algunos buenos recursos para aprender acerca de la optimización?

(Esta es una lista en vivo. Ediciones y adiciones bienvenidas)

Notas de lectura:

Muy recomendable: videoconferencias del profesor S. Boyd en Stanford, este es un caso raro en el que ver conferencias en vivo es mejor que leer un libro.

  • EE263: Introducción a los sistemas dinámicos lineales (video): http://www.stanford.edu/~boyd/ee…
  • EE363: Sistemas dinámicos lineales: http://www.stanford.edu/class/ee…
  • EE364a: Optimización Convexa I (video): http://www.stanford.edu/class/ee…
  • EE364b: Optimización Convexa II (video): http://www.stanford.edu/class/ee…
  • 6.253: Análisis y optimización convexos:
    http://ocw.mit.edu/courses/elect…
  • Cursos de optimización en MIT: http://optimization.mit.edu/clas…
  • Curso de Optimización en CMU 10-725 Optimización Otoño 2012

Libros:

  • Papadimitriou & Steiglitz, Optimización combinatoria: algoritmos y complejidad: http://www.amazon.com/Combinator…
  • Boyd & Vandenberghe, Optimización Convexa: http://www.amazon.com/Convex-Opt…
  • Lawson & Hanson, resolviendo problemas de mínimos cuadrados: http://books.google.com/books/ab…
  • Bellman, Programación dinámica: http://www.amazon.com/Dynamic-Pr…
  • Bellman, Programación dinámica aplicada: http://www.amazon.com/Applied-Dy…
  • Bellman, Procesos de control adaptativo: http://www.amazon.com/Adaptive-C…
  • Goldberg, algoritmos genéticos en búsqueda, optimización y aprendizaje automático: http://www.amazon.com/Genetic-Al…
  • Gill, Murray, Wright, Optimización práctica: http://www.amazon.com/Practical-…
  • Ben-Tal y Nemirovsky, Conferencias sobre la optimización moderna convexa: http://www.amazon.com/Lectures-M…
  • Bertsekas, Introducción a la optimización lineal: http://www.amazon.com/Introducti…
  • Bertsekas, Análisis y optimización convexos: http://www.amazon.com/Convex-Ana…
  • Bertsekas, programación no lineal: http://www.amazon.com/Nonlinear-…
  • Bertsekas, programación dinámica y control óptimo: http://www.amazon.com/Dynamic-Pr…
  • Rockafellar, Análisis convexo: http://www.amazon.com/Analysis-P…
  • Nesterov, Conferencias introductorias sobre la optimización convexa: Un curso básico: http://www.amazon.com/Introducto…
  • Ruszczynski, optimización no lineal: http://www.amazon.com/Nonlinear-…
  • Fletcher, Métodos prácticos de optimización: http://www.amazon.com/Practical-…
  • Nocedal y Wright, optimización numérica: http://www.amazon.com/Numerical-…
  • Press et al., Recetas Numéricas: http://www.amazon.com/Numerical-…
  • Dennis & Schnabel, Métodos numéricos para la optimización sin restricciones y ecuaciones no lineales: http://www.amazon.com/Numerical-…
  • Cornuejols & Tütüncü, Métodos de optimización en finanzas:
    http://www.amazon.com/Optimizati…
  • Stengel, control y estimación óptimos: http://www.amazon.com/Optimal-Co…
  • Kirk, Teoría del control óptimo: http://www.amazon.com/Optimal-Co…
  • Spall, Introducción a la Búsqueda Estocástica y
    Optimización: http://www.amazon.com/Introducti…
  • Lasdon, teoría de la optimización para grandes sistemas: http://www.amazon.com/Optimizati…
  • Deb & Kalyanmoy, Optimización multiobjetivo usando algoritmos evolutivos: http://www.amazon.com/Multi-Obje…
  • Goldberg, algoritmos genéticos en búsqueda, optimización y aprendizaje automático: http://www.amazon.com/Genetic-Al…
  • Minoux, Programación matemática: http://www.amazon.com/Mathematic…
  • Camacho y Alba: Control predictivo de modelos: http://www.amazon.com/Predictive…
  • Hillier, Introducción a la Investigación de Operaciones: http://www.amazon.com/Introducti…
  • Puterman, Markov Process Processes: http://www.amazon.com/Markov-Dec…
  • Powell, Programación dinámica aproximada: http://www.amazon.com/Approximat…

Preguntas y respuestas

  • ¿Cuáles son algunos buenos recursos para aprender sobre programación lineal?
  • ¿Qué son los trabajos seminales sobre optimización no lineal? ¿Por qué?
  • ¿Cuáles son algunos buenos recursos para aprender acerca de la optimización estocástica?
  • ¿Cuáles son algunos buenos recursos para aprender acerca de la optimización distribuida?
  • ¿Cuáles son algunos algoritmos de descenso de gradiente rápido?
  • ¿Cómo aprendo el aprendizaje automático?
  • ¿Cómo me convierto en un científico de datos?
  • ¿Cuáles son algunos buenos recursos para aprender sobre el análisis numérico?
  • ¿Cuáles son algunos buenos recursos para aprender sobre la estimación y detección de señales?
  • ¿Cuál es la mejor manera de implementar un SVM usando Hadoop?
  • ¿Cuál es el curso más interesante en EE en Stanford? ¿Por qué?
  • ¿Cuáles son algunos paquetes de optimización de código abierto?
  • ¿Cuáles son los mejores paquetes / bibliotecas de C ++ para problemas de optimización no lineales?
  • ¿Cuáles son las alternativas distribuidas a MATLAB?
  • ¿Cuáles son algunas conferencias y talleres de optimización y control óptimo?

Otro

  • Grešovnik , Enlaces de optimización: http://www2.arnes.si/~ljc3m2/igo…
  • Arsham, Introducción al modelado y optimización: http://home.ubalt.edu/ntsbarsh/o…
  • Recursos de Matlab Optimization Toolbox: http://www.mathworks.com/help/to…
  • Bennett et al., La interacción de la optimización y el aprendizaje automático.
    Investigación: http://jmlr.csail.mit.edu/papers…
  • Capítulo de algoritmos evolutivos en el libro de Jason Brownlee: http://www.cleveralgorithms.com/…
  • Brent, Algoritmos para la minimización sin derivados, Página en anu.edu.au

CVX101: Convex Optimization, un MOOC (curso masivo en línea abierto) de la Universidad de Stanford, comienza el próximo año, enero de 2014. Se basa en el popular libro Convex Optimization – Boyd and Vandenberghe.

Realmente depende de qué tipo de optimización le interesa.

Un gran libro, disponible gratuitamente, para optimización convexa es el texto de Boyd y Vandenberghe. http://www.stanford.edu/~boyd/cv

Si está interesado en comprender el software de optimización, consulte los paquetes de código abierto COIN-OR de IBM
http://www.coin-or.org/

Si proporciona más detalles sobre lo que le interesa comprender, puedo proporcionarle una lista de referencias.