Optimización Bayesiana: introducción y motivación (parte 1)

Antonio Sala, UPV

Dificultad: ** ,       Relevancia: ,      Duración: 16:47

*Link to English version

Resumen:

Este vídeo introductorio plantea la necesidad de métodos estadísticos en optimización en algunos tipos de aplicaciones (optimización experimental, datos con ruido) donde no se dispone de un modelo de ecuaciones perfectamente conocidas a optimizar (eso caería bajo el marco de la optimización ‘determinista’, discutida en los primeros cinco minutos).

Un conjunto de algoritmos que usan modelos estadísticos en optimización se suele agrupar bajo el nombre de optimización bayesiana en la literatura. Este vídeo enuncia el problema, plantea el concepto de ‘función aleatoria’ y la necesidad de un kernel de covarianza para probar, entre otras cosas, continuidad de la función y, en general, introduce la idea de procesos estocásticos y procesos gaussianos como la herramienta básica que la mayoría de trabajos sobre optimización bayesiana utilizan.

Otras descripciones y aplicaciones de los procesos estocásticos se abordan en el vídeo introductorio [estoc1]; futuros vídeos desarrollarán el problema de optimización bayesiana en mayor profundidad, continuando con [BOmot2].