En el escenario en línea de toma de decisiones, un jugador tiene que escoger entre un conjunto de decisiones disponibles y, tras ello, incurre en una pérdida correspondiente a la calidad de la opción elegida. El paradigma de la minimización de arrepentimiento (regret minimization) sugiere la meta de causar una pérdida promedio que se acerque a la mejor decisión fijada a posteriori. Recientemente las herramientas de la optimización convexa han dado lugar a algoritmos que son más generales, unifican resultados previos y con frecuencia brindan límites de arrepentimiento nuevos y mejorados.
En este documento se estudian algunos de los desarrollos recientes en esta fusión entre la optimización y el aprendizaje. Se comienza describiendo dos plantillas generales para producir algoritmos y validar límites de arrepentimiento. Las plantillas son muy simples y unifican el análisis de varios algoritmos bien conocidos y utilizados.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Efecto de la eficiencia del horno en la adherencia de incrustaciones en el proceso de calentamiento de la carga de acero
Video:
Introducción a los estándares GRI
Artículo:
Un algoritmo de búsqueda del cuco para optimización multimodal
Artículo:
Alternativas de construcción utilizando materiales de bajo costo para la evaluación térmica de cocinas solares tipo caja
Artículo:
Aplicación de la teoría de grafos para mejorar la planificación de rutas de trabajo de una empresa del sector de la distribución automática
Libro:
Metodología del marco lógico para la planificación, el seguimiento y la evaluación de proyectos y programas
Presentación:
Estudio de movimientos y tiempos
Artículo:
Estudio sobre la evaluación de la sostenibilidad de los productos innovadores
Tesis:
Materiales y prácticas de construcción sostenible