Après avoir suivi ces cours, je me sens confiant dans la création de visualisations et de tableaux de bord professionnels.
Shoebur RahmanSpécialiste des marchés publics, Giz Bangladesh
Description du cours
Les problèmes d'optimisation sont omniprésents dans l'ingénierie, les sciences et les sciences sociales. Ce cours vous permettra de passer de zéro connaissance en optimisation à un expert en optimisation. Vous utiliserez la modélisation mathématique pour traduire des problèmes concrets en problèmes mathématiques et les résoudre en Python à l'aide des packages SciPy et PuLP.
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
Programme de formation
Plan du cours
1
Introduction à l’optimisation
Ce chapitre présente l’optimisation, ses éléments clés et ses nombreuses applications dans divers secteurs et domaines. Il propose une méthode rapide de recherche exhaustive pour résoudre un problème d’optimisation. Il fournit aussi un rappel mathématique des notions nécessaires pour ce cours.
- Introduction à l’optimisation mathématique50 XP
- Comprendre l’optimisation mathématique50 XP
- Appliquer une fonction objectif100 XP
- Méthode de recherche exhaustive100 XP
- Optimisation univariée50 XP
- Calculer la dérivée100 XP
- Trouver la dérivée seconde100 XP
- Optimisation multivariée50 XP
- Dérivées partielles avec SymPy100 XP
- Limites de la dérivation100 XP
2
Optimisation non contrainte et linéaire sous contraintes
Ce chapitre explique la résolution de problèmes d’optimisation non contraints et contraints avec le calcul différentiel et SymPy, en mettant en évidence les pièges possibles. SciPy est également présenté pour résoudre numériquement des problèmes d’optimisation non contraints, en une et plusieurs dimensions, avec quelques lignes de code. Le chapitre poursuit avec la résolution de problèmes de programmation linéaire dans SciPy et PuLP.
3
Optimisation non linéaire sous contraintes
Ce chapitre introduit les problèmes d’optimisation convexes sous contraintes de différentes natures et aborde les problèmes de programmation linéaire en nombres entiers mixtes, c’est‑à‑dire des problèmes de programmation linéaire où au moins une variable est entière.
4
Techniques d’optimisation robuste
Ce chapitre traite de la recherche de l’optimum global lorsqu’il existe plusieurs bonnes solutions. Nous mènerons une analyse de sensibilité et apprendrons des techniques de linéarisation qui transforment des problèmes non linéaires en problèmes facilement solvables avec SciPy ou PuLP. Côté applications, nous résoudrons un problème d’allocation RH avec coûts de formation et un problème de budgétisation de capital avec projets dépendants.
Introduction à l’optimisation en Python
Cours
terminé
