Cours
Introduction à l’optimisation en Python
IntermédiaireNiveau de compétence
Actualisé 06/2025PythonProgramming4 h13 vidéos42 Exercices3,250 XP4,725Certificat de réussite.
Créez votre compte gratuit
ou
En continuant, vous acceptez nos Conditions d'utilisation, notre Politique de confidentialité et le fait que vos données seront hébergées aux États-Unis.Apprécié par des utilisateurs provenant de milliers d'entreprises
Former 2 personnes ou plus ?
Essayez DataCamp for BusinessDescription du cours
Appliquer le calcul différentiel et intégral à des problèmes d'optimisation sans contrainte avec SymPy
Vous commencerez par découvrir la définition d'un problème d'optimisation et ses cas d'utilisation. Vous utiliserez SymPy pour appliquer le calcul différentiel et intégral afin d'obtenir des solutions analytiques à des problèmes d'optimisation sans contrainte. Vous n'aurez pas besoin de calculer des dérivées ou de résoudre des équations ; SymPy fonctionne de manière transparente. De même, vous utiliserez SciPy pour obtenir des solutions numériques.Aborder les problèmes complexes de manière directe
Ensuite, vous apprendrez à résoudre des problèmes de programmation linéaire dans SciPy et PuLP. Afin de refléter la complexité du monde réel, vous découvrirez comment appliquer PuLP et SciPy pour résoudre des problèmes d'optimisation convexe sous contraintes et d'optimisation mixte en nombres entiers. À la fin de ce cours, vous aurez résolu des problèmes d'optimisation concrets, notamment dans les domaines de la fabrication, des bénéfices et de la budgétisation, de l'allocation des ressources, etc.Prérequis
Introduction to NumPy1
Introduction to Optimization
This chapter introduces optimization, its core components, and its wide applications across industries and domains. It presents a quick, exhaustive search method for solving an optimization problem. It provides a mathematical primer for the concepts required for this course.
2
Unconstrained and Linear Constrained Optimization
This chapter covers solving unconstrained and constrained optimization problems with differential calculus and SymPy, identifying potential pitfalls. SciPy is also introduced to solve unconstrained optimization problems, in single and multiple dimensions, numerically, with a few lines of code. The chapter goes on to solve linear programming in SciPy and PuLP.
3
Non-linear Constrained Optimization
This chapter introduces convex-constrained optimization problems with different constraints and looks at mixed integer linear programming problems, essentially linear programming problems where at least one variable is an integer.
4
Robust Optimization Techniques
This chapter covers finding the global optimum when multiple good solutions exist. We will conduct sensitivity analysis and learn linearization techniques that reduce non-linear problems to easily solvable ones with SciPy or PuLP. In terms of applications, we will solve an HR allocation with training costs problem and capital budgeting with dependent projects.
Introduction à l’optimisation en Python
Cours terminé
Obtenez un certificat de réussite
Ajoutez cette certification à votre profil LinkedIn, à votre CV ou à votre portfolioPartagez-la sur les réseaux sociaux et dans votre évaluation de performance
Inclus avecPremium or Teams
S'inscrire MaintenantRejoignez plus de 19 millions d'utilisateurs et commencez Introduction à l’optimisation en Python dès aujourd'hui !
Créez votre compte gratuit
ou
En continuant, vous acceptez nos Conditions d'utilisation, notre Politique de confidentialité et le fait que vos données seront hébergées aux États-Unis.