Curso
Introducción a la optimización en Python
IntermedioNivel de habilidad
Actualizado 6/2025
PythonProgramming4 h13 vídeos42 Ejercicios3,250 XP5,171Certificado de logros
Crea tu cuenta gratuita
Continuar con GoogleMostrar más opcioneso
Al continuar, aceptas nuestros Términos de uso, nuestra Política de privacidad y que tus datos se almacenen en los EE. UU.
Preferido por estudiantes en miles de empresas
¿Formando un equipo?
Prueba para empresasDescripción del curso
Aplica el cálculo a problemas de optimización sin restricciones con SymPy
Comenzarás aprendiendo la definición de un problema de optimización y sus casos de uso. Utilizarás SymPy para aplicar el cálculo y obtener soluciones analíticas para la optimización sin restricciones. No tendrás que calcular derivadas ni resolver ecuaciones; ¡SymPy funciona a la perfección! Del mismo modo, utilizarás SciPy para obtener soluciones numéricas.Aborda los problemas complejos de frente
A continuación, aprenderás a resolver problemas de programación lineal en SciPy y PuLP. Para captar la complejidad del mundo real, verás cómo aplicar PuLP y SciPy para resolver optimizaciones convexas con restricciones y optimizaciones mixtas enteras. Al finalizar este curso, habrás resuelto problemas de optimización del mundo real, incluyendo fabricación, beneficios y presupuestos, asignación de recursos y mucho más.Requisitos previos
Introduction to NumPy1
Introducción a la optimización
Este capítulo presenta la optimización, sus componentes esenciales y sus amplias aplicaciones en distintos sectores y ámbitos. Muestra un método rápido de búsqueda exhaustiva para resolver un problema de optimización. También ofrece un repaso matemático de los conceptos necesarios para este curso.
2
Optimización sin restricciones y con restricciones lineales
Este capítulo aborda la resolución de problemas de optimización sin y con restricciones mediante cálculo diferencial y SymPy, señalando posibles escollos. Además, se presenta SciPy para resolver numéricamente problemas de optimización sin restricciones, en una y varias dimensiones, con pocas líneas de código. El capítulo continúa con la resolución de programación lineal en SciPy y PuLP.
3
Optimización no lineal con restricciones
Este capítulo introduce problemas de optimización convexa con restricciones de distintos tipos y analiza problemas de programación lineal entera mixta, esencialmente programación lineal donde al menos una variable es entera.
4
Técnicas de optimización robusta
Este capítulo trata cómo encontrar el óptimo global cuando existen varias soluciones buenas. Realizaremos análisis de sensibilidad y aprenderemos técnicas de linealización que convierten problemas no lineales en otros fácilmente resolubles con SciPy o PuLP. En cuanto a aplicaciones, resolveremos un problema de asignación de RR. HH. con costes de formación y un presupuesto de capital con proyectos dependientes.
Introducción a la optimización en Python
Curso completo
Obtener certificado de logros
Añade esta certificación a tu perfil de LinkedIn o a tu currículum.Compártelo en redes sociales y en tu evaluación de desempeño.Inscríbete ahora
¡Únete a 19 millones de estudiantes y empieza Introducción a la optimización en Python hoy mismo!
Crea tu cuenta gratuita
Continuar con GoogleMostrar más opcioneso
Al continuar, aceptas nuestros Términos de uso, nuestra Política de privacidad y que tus datos se almacenen en los EE. UU.
Desarrolla tus habilidades de datos con la aplicación móvil de DataCamp
Progresa desde cualquier dispositivo móvil con nuestros cursos y desafíos de programación diarios de 5 minutos.