Resumen del trabajo fin de master

En problemas de optimización cuya resolución se basa en técnicas de ramificación y acotación, las decisiones tomadas en dicho proceso de ramificación y acotación pueden resultar cruciales para la resolución eficiente del problema. Por un lado, es necesario determinar la variable por la cual se ramifica. Ramificar por una variable que no simplifique ninguno de los subproblemas que genera, lleva a incrementar de forma poco eficiente el tamaño del árbol de búsqueda. Por otro lado, también debemos seleccionar el nodo a resolver, lo cual se relaciona con la forma en que se va recorriendo el árbol. La incorporación de técnicas de aprendizaje automático en este contexto tiene como objetivo que los algoritmos ``aprendan'' sobre su mejor configuración. Con este trabajo se pretende que el alumno o la alumna haga una revisión de las principales técnicas de aprendizaje supervisado que pueden ser de utilidad en este contexto, evaluando su rendimiento a través de ejemplo prácticos. Referencias: The Elements of Statistical Learning. Data Mining, Inference, and Prediction. Hastie, T., Tibshirani, R. , Friedman, J. Springer. 2008