APLICACIONES BASADAS EN EL CONOCIMIENTO. IBM CPLEX

[pic 1]

APLICACIONES BASADAS EN EL CONOCIMIENTO

Nombre: Angel Echeverria

Fecha: 14/07/2021

IBM CPLEX es una herramienta para ejecutar sus aplicaciones de toma de decisión críticas y han demostrado mejores resultados como la reducción de costos operativos el aumento en los ingresos y han acelerado el tiempo de generación de valor a medida que la ciencia de datos se convierte en un imperativo estratégico. Las soluciones de optimización combinan técnicas matemáticas avanzadas y de inteligencia artificial para ayudar a abordar decisiones complejas en las organizaciones.

Pandas es una librería para análisis de datos que permite leer archivos procesar datos y guardar nuevos archivos los datos serán almacenados en tablas de data frames esto permitirá su fácil manipulación y tratamiento. CPLEX es una librería creada por ibm para agregar de manera rápida y sencilla modelos optimizaciones aplicaciones de Python,los problemas modelados dentro de una aplicación de python pueden ser resueltos por medio de una licencia local o por medio de un servicio cloud.

CPLEX cuenta con dos grandes librerías la primera para modelar y resolver problemas por medio de programación matemática y la segunda para modelar y resolver problemas por medio de la programación de restricciones, para definir una restricción es necesario utilizar un operador de comparación entre dos expresiones; para agregar una restricción se debe llamar el método at construint desde la sentencia creada; las expresiones lineales no son necesarias para crear más de la optimización pero permiten tener un mayor orden y rastreo de los valores importantes del problema.

En la actualidad muchos científicos de datos adaptan la optimización porque les permite abordar problemas complejos del mundo real y obtener soluciones óptimas una de las principales razones es que los modelos de optimización son cada vez más fáciles y rápidos de usar un problema que hace mucho tiempo atras hubiera tardado varios años en resolverse pues se puede resolver en menos de un segundo con cualquier solver comercial.

Otra razón es que los modelos de machine learning y los modelos de predicción se pueden utilizar de manera complementaria por ejemplo un modelo de machine learning genera las predicciones necesarias para que mueve la optimización tome las decisiones optimas. La optimización puede generar todos los datos para el entrenamiento inmueble de machine learning y también puede generar todos los parámetros para la correcta difusión del modelo de machine e incluso se pueden utilizar modelo de optimización para realizar modelos de clasificación que pueden incluir restricciones del negocio de manera mucho más sencilla en comparación con los modelos de machine learning tradicionales.

...