Optimization for Data Analysis

Ambos son libros de texto modernos que enseñan algoritmos de optimización desde sus fundamentos matemáticos hasta implementaciones prácticas. Sin embargo, 'Algorithms for Optimization' adopta un enfoque más algorítmico y práctico, con ejemplos en Julia, mientras que 'Optimization for Data Analysis' se centra más específicamente en las formulaciones clásicas del análisis de datos. La conexión es sólida pero no es la recomendación canónica (como Nocedal & Wright).

Aunque es un clásico del aprendizaje automático, es una recomendación 'nonobvious' para un libro de optimización en data analysis porque conecta los fundamentos probabilísticos del ML con los problemas de optimización subyacentes (e.g., maximización de verosimilitud, inferencia variacional). Muestra 'por qué' se optimiza en el contexto del análisis de datos, no solo 'cómo', ofreciendo una perspectiva complementaria.

Proporciona los cimientos teóricos profundos sobre convexidad, dualidad y condiciones de optimalidad que subyacen a muchos de los algoritmos presentados en un libro de optimización para análisis de datos. La conexión es filosófica y arquitectónica: entender la optimización convexa es entender el marco teórico que hace robustos y confiables muchos métodos usados en ciencia de datos.

Explora en profundidad la conexión estadística entre los modelos predictivos y los problemas de optimización que los definen (regresión, regularización, clasificación). Mientras un libro de algoritmos de optimización enseña el 'cómo', este libro profundiza en el 'por qué' estadístico de minimizar una función de pérdida particular, conectando la teoría estadística con la práctica de la optimización.

Libro de texto francés contemporáneo que cubre un terreno similar (optimización para aprendizaje estadístico) pero desde una tradición académica distinta a la anglosajona dominante. Su enfoque y selección de temas pueden ofrecer perspectivas y énfasis diferentes, siendo una fuente valiosa y menos conocida en el circuito internacional principal.

Manual en español que aborda los fundamentos de la optimización (lineal, no lineal, entera) con un enfoque aplicado. Aunque no se centra exclusivamente en el análisis de datos, proporciona una base sólida en técnicas de optimización que son prerrequisito para el tema. Representa una perspectiva iberoamericana menos difundida en la literatura técnica global.

Comparte la misma estructura de libro de texto de referencia: definición de problemas, condiciones de optimalidad, análisis detallado de algoritmos (convergencia, complejidad) y ejemplos. Es el canon estructural en el que probablemente se basa un libro como 'Optimization for Data Analysis', pero con un alcance más general (optimización numérica) en lugar de enfocado solo en data science.

Mantiene una estructura similar de presentar una clase de algoritmos de optimización (en este caso, sin derivadas) de manera rigurosa: fundamentos, algoritmos clave, análisis de convergencia y aplicaciones. Esta estructura metodológica—problema, algoritmo, teoría, aplicación—es idéntica a la de un libro de optimización para data analysis, pero aplicada a un subcampo especializado diferente.