Last chance: 50% off unlimited learning
Sale ends in
Описание курса
Задачи оптимизации повсеместно встречаются в инженерии, естественных науках и социальных науках. Этот курс проведёт вас от нулевых знаний в области оптимизации до уровня настоящего героя-оптимизатора. Вы будете использовать математическое моделирование, чтобы переводить реальные задачи в математические и решать их на Python с помощью пакетов SciPy и PuLP.
Применяйте математический анализ к задачам безусловной оптимизации с SymPy
Вы начнёте с изучения определения задачи оптимизации и её вариантов применения. Вы будете использовать SymPy, чтобы применять методы математического анализа для получения аналитических решений задач безусловной оптимизации. Вам не придется вычислять производные или решать уравнения; SymPy работает безупречно! Аналогичным образом вы будете использовать SciPy для получения численных решений.Решайте сложные задачи напрямую
Далее вы научитесь решать задачи линейного программирования в SciPy и PuLP. Чтобы освоить реальные задачи со всей их сложностью, вы узнаете, как применять PuLP и SciPy для решения ограниченной выпуклой оптимизации и смешанно-целочисленной оптимизации. К концу этого курса вы научитесь решать реальные задачи оптимизации, включая производство, прибыль и бюджетирование, распределение ресурсов и многое другое.Предварительные требования
Программа
План курса
1
Введение в оптимизацию
В этой главе рассматриваются основы оптимизации, её ключевые компоненты и широкое применение в различных отраслях. Представлен быстрый метод полного перебора для решения задач оптимизации, а также математические концепции, необходимые для прохождения курса.
- Введение в математическую оптимизацию50 XP
- Знакомство с математической оптимизацией50 XP
- Применение целевой функции100 XP
- Метод полного перебора100 XP
- Одномерная оптимизация50 XP
- Нахождение производной100 XP
- Нахождение второй производной100 XP
- Многомерная оптимизация50 XP
- Частные производные с SymPy100 XP
- Ограничения дифференцирования100 XP
2
Оптимизация без ограничений и с линейными ограничениями
Эта глава посвящена решению задач оптимизации — без ограничений и с ограничениями — с помощью дифференциального исчисления и SymPy, а также разбору типичных ошибок. Вводится SciPy для численного решения задач без ограничений в одном и нескольких измерениях — буквально за несколько строк кода. Завершает главу решение задач линейного программирования в SciPy и PuLP.
3
Нелинейная оптимизация с ограничениями
Эта глава знакомит с задачами выпуклой оптимизации с различными ограничениями и рассматривает задачи смешанного целочисленного линейного программирования — то есть задачи линейного программирования, в которых хотя бы одна переменная является целочисленной.
4
Продвинутые методы оптимизации
В этой главе рассматривается поиск глобального оптимума при наличии нескольких хороших решений. Вы проведёте анализ чувствительности и освоите методы линеаризации, позволяющие свести нелинейные задачи к легко решаемым с помощью SciPy или PuLP. На практике вы решите задачу распределения персонала с учётом затрат на обучение и задачу бюджетирования капитала с зависимыми проектами.
Введение в оптимизацию на Python
Курс
завершён
