Cursus
Introductie tot optimalisatie in Python
GemiddeldVaardigheidsniveau
Bijgewerkt 06-2025
PythonProgramming4 u13 videos42 Opdrachten3,250 XP5,181Bewijs van Prestatie
Maak je kosteloos account aan
Ga verder met GoogleMeer opties weergevenof
Door verder te gaan accepteer je onze Gebruiksvoorwaarden, ons Privacybeleid en dat je gegevens worden opgeslagen in de VS.
Geliefd bij leerlingen van duizenden bedrijven
Een team trainen?
Probeer voor bedrijvenCursusbeschrijving
Gebruik calculus voor onbeperkte optimalisatieproblemen met SymPy
Je begint met het leren van de definitie van een optimalisatieprobleem en de toepassingen ervan. Je gaat SymPy gebruiken om calculus toe te passen en zo analytische oplossingen te vinden voor onbeperkte optimalisatie. Je hoeft geen afgeleiden te berekenen of vergelijkingen op te lossen; SymPy werkt gewoon super! Je gaat SciPy gebruiken om numerieke oplossingen te vinden.Pak complexe problemen direct aan
Vervolgens leer je lineaire programmeerproblemen oplossen in SciPy en PuLP. Om de complexiteit van de echte wereld te begrijpen, leer je hoe je PuLP en SciPy kunt gebruiken om beperkte convexe optimalisatie en gemengde gehele optimalisatie op te lossen. Aan het einde van deze cursus heb je echte optimalisatieproblemen opgelost, zoals productie, winst en budgettering, toewijzing van middelen en nog veel meer.Vereisten
Introduction to NumPy1
Introductie tot optimalisatie
Dit hoofdstuk introduceert optimalisatie, de kernelementen ervan en de brede toepassingen in sectoren en domeinen. Het laat een snelle, uitputtende zoekmethode zien om een optimalisatieprobleem op te lossen. Ook krijg je een wiskundige opfriscursus voor de concepten die je in deze cursus nodig hebt.
2
Ongeconditioneerde en lineair geconditioneerde optimalisatie
Dit hoofdstuk behandelt het oplossen van ongeconditioneerde en geconditioneerde optimalisatieproblemen met differentiaalrekening en SymPy, en wijst op mogelijke valkuilen. SciPy wordt ook geïntroduceerd om ongeconditioneerde optimalisatieproblemen, in één en meerdere dimensies, numeriek op te lossen met maar een paar regels code. Vervolgens lossen we lineaire programmering op in SciPy en PuLP.
3
Niet-lineair geconditioneerde optimalisatie
Dit hoofdstuk introduceert convex-geconditioneerde optimalisatieproblemen met verschillende restricties en bekijkt mixed-integer lineaire programmeringsproblemen: in essentie lineaire programmeringsproblemen waarbij minstens één variabele een geheel getal is.
4
Robuuste optimalisatietechnieken
Dit hoofdstuk gaat over het vinden van het globale optimum wanneer er meerdere goede oplossingen bestaan. We voeren gevoeligheidsanalyse uit en leren linearisatietechnieken die niet-lineaire problemen terugbrengen tot eenvoudig oplosbare varianten met SciPy of PuLP. Qua toepassingen lossen we een HR-toewijzingsprobleem met trainingskosten op en kapitaalbudgettering met afhankelijke projecten.
Introductie tot optimalisatie in Python
Cursus voltooid
Verdien een prestatieverklaring
Voeg deze referentie toe aan je LinkedIn-profiel, cv of curriculum vitaeDeel het op sociale media en in je functioneringsgesprekSchrijf je nu in
Sluit je aan bij meer dan 19 miljoen leerlingen en start vandaag nog met Introductie tot optimalisatie in Python!
Maak je kosteloos account aan
Ga verder met GoogleMeer opties weergevenof
Door verder te gaan accepteer je onze Gebruiksvoorwaarden, ons Privacybeleid en dat je gegevens worden opgeslagen in de VS.
Ontwikkel je datavaardigheden met DataCamp voor Mobiel
Maak vooruitgang onderweg met onze mobiele cursussen en dagelijkse 5-minuten programmeeruitdagingen.