Kurs
Einführung in Optimierung mit Python
MittelSchwierigkeitsgrad
Aktualisiert 06/2025
PythonProgramming4 Std.13 Videos42 Übungen3,250 XP5,171Leistungsnachweis
Kostenloses Konto erstellen
Mit Google fortfahrenWeitere Optionen anzeigenoder
Durch Klick auf die Schaltfläche akzeptierst du unsere Nutzungsbedingungen, unsere Datenschutzrichtlinie und die Speicherung deiner Daten in den USA.
Beliebt bei Lernenden in Tausenden Unternehmen
Ein Team schulen?
Für Unternehmen ausprobierenKursbeschreibung
Wende die Analysis auf uneingeschränkte Optimierungsprobleme mit SymPy an
Du lernst zuerst, was ein Optimierungsproblem ist und wofür man es so alles nutzen kann. Du wirst SymPy nutzen, um mit Hilfe der Infinitesimalrechnung analytische Lösungen für die uneingeschränkte Optimierung zu finden. Du musst keine Ableitungen berechnen oder Gleichungen lösen; SymPy funktioniert einfach super! Genauso wirst du SciPy nutzen, um numerische Lösungen zu bekommen.Komplexe Probleme direkt angehen
Als Nächstes lernst du, wie du lineare Programmierprobleme in SciPy und PuLP löst. Um die Komplexität der realen Welt zu erfassen, lernst du, wie man PuLP und SciPy anwendet, um konvexe Optimierungsprobleme mit Nebenbedingungen und gemischt-ganzzahlige Optimierungsprobleme zu lösen. Am Ende dieses Kurses wirst du echte Optimierungsprobleme gelöst haben, zum Beispiel in den Bereichen Fertigung, Gewinn und Budgetierung, Ressourcenzuteilung und mehr.Voraussetzungen
Introduction to NumPy1
Einführung in die Optimierung
Dieses Kapitel führt in die Optimierung ein, erklärt ihre Kernelemente und zeigt ihre vielfältigen Anwendungen in Branchen und Domänen. Es stellt eine schnelle, erschöpfende Suchmethode zur Lösung eines Optimierungsproblems vor und liefert eine mathematische Grundlage für die in diesem Kurs benötigten Konzepte.
2
Unbeschränkte und linear beschränkte Optimierung
Dieses Kapitel behandelt das Lösen unbeschränkter und beschränkter Optimierungsprobleme mit Differentialrechnung und SymPy und zeigt mögliche Fallstricke auf. Außerdem lernst du, mit SciPy unbeschränkte Optimierungsprobleme – eindimensional und mehrdimensional – numerisch mit wenigen Zeilen Code zu lösen. Anschließend wird lineare Programmierung in SciPy und PuLP gelöst.
3
Nichtlinear beschränkte Optimierung
Dieses Kapitel führt in konvex beschränkte Optimierungsprobleme mit verschiedenen Nebenbedingungen ein und betrachtet gemischt-ganzzahlige lineare Programmierungsprobleme – also lineare Programme, bei denen mindestens eine Variable ganzzahlig ist.
4
Robuste Optimierungstechniken
Dieses Kapitel behandelt das Finden des globalen Optimums, wenn es mehrere gute Lösungen gibt. Wir führen eine Sensitivitätsanalyse durch und lernen Linearisierungstechniken kennen, die nichtlineare Probleme auf leicht lösbare mit SciPy oder PuLP reduzieren. Anhand von Anwendungen lösen wir eine HR-Ressourcenzuteilung mit Trainingskosten sowie Capital Budgeting mit abhängigen Projekten.
Einführung in Optimierung mit Python
Kurs abgeschlossen
Leistungsnachweis verdienen
Füge diesen Fähigkeitsnachweis zu deinem LinkedIn-Profil, Anschreiben oder Lebenslauf hinzuTeile es auf Social Media und in deiner LeistungsbeurteilungJetzt anmelden
Schließe dich 19 Millionen Lernenden an und starte Einführung in Optimierung mit Python heute!
Kostenloses Konto erstellen
Mit Google fortfahrenWeitere Optionen anzeigenoder
Durch Klick auf die Schaltfläche akzeptierst du unsere Nutzungsbedingungen, unsere Datenschutzrichtlinie und die Speicherung deiner Daten in den USA.
DataCamp gibt es auch für Mobilgeräte
Mit unseren Kursen für Mobilgeräte und täglichen Programmier-Challenges erweiterst du deine Datenkompetenz von unterwegs.