Name: การหาค่าที่เหมาะสมที่สุดใน Python เบื้องต้น
Rating: 4.775 (200 reviews)

รายละเอียดคอร์ส

ปัญหาการหาค่าเหมาะที่สุดพบได้ทั่วไปในวิศวกรรม วิทยาศาสตร์ และสังคมศาสตร์ หลักสูตรนี้จะพาคุณจากความรู้ด้านการปรับให้เหมาะสมเป็นศูนย์ไปสู่การเป็นนักปรับให้เหมาะสมระดับฮีโร่ คุณจะใช้การสร้างแบบจำลองทางคณิตศาสตร์เพื่อแปลงปัญหาในโลกจริงให้เป็นปัญหาทางคณิตศาสตร์ และแก้ปัญหาเหล่านั้นใน Python โดยใช้แพ็กเกจ SciPy และ PuLP

ใช้แคลคูลัสกับปัญหาการหาค่าเหมาะที่สุดแบบไม่มีข้อจำกัดด้วย SymPy

คุณจะเริ่มต้นด้วยการเรียนรู้คำจำกัดความของปัญหาการหาค่าเหมาะที่สุดและกรณีการใช้งานของมัน คุณจะใช้ SymPy เพื่อประยุกต์แคลคูลัสเพื่อให้ได้คำตอบเชิงวิเคราะห์สำหรับการหาค่าเหมาะที่สุดแบบไม่มีข้อจำกัด คุณจะไม่ต้องคำนวณอนุพันธ์หรือแก้สมการ; SymPy ทำงานได้อย่างราบรื่น! ในทำนองเดียวกัน คุณจะใช้ SciPy เพื่อหาคำตอบเชิงตัวเลข

เผชิญหน้ากับปัญหาซับซ้อนอย่างตรงไปตรงมา

ต่อไป คุณจะได้เรียนรู้วิธีแก้ปัญหาเชิงโปรแกรมเชิงเส้นใน SciPy และ PuLP เพื่อสะท้อนความซับซ้อนในโลกจริง คุณจะได้เห็นวิธีใช้ PuLP และ SciPy เพื่อแก้ปัญหาการหาค่าเหมาะที่สุดแบบคอนเว็กซ์ที่มีข้อจำกัดและการหาค่าเหมาะที่สุดแบบจำนวนเต็มผสม เมื่อจบหลักสูตรนี้ คุณจะสามารถแก้ปัญหาการเพิ่มประสิทธิภาพในโลกจริงได้ รวมถึงด้านการผลิต กำไรและงบประมาณ การจัดสรรทรัพยากร และอื่นๆ

ข้อกำหนดเบื้องต้น

Introduction to NumPy

หลักสูตร

โครงสร้างคอร์ส

การหาค่าที่เหมาะสมที่สุดเบื้องต้น

บทนี้แนะนำการหาค่าที่เหมาะสมที่สุด องค์ประกอบหลัก และการประยุกต์ใช้งานในอุตสาหกรรมและสาขาต่าง ๆ นำเสนอวิธีการค้นหาแบบครอบคลุมทั้งหมดเพื่อแก้ปัญหาการหาค่าที่เหมาะสมที่สุด พร้อมทั้งปูพื้นฐานทางคณิตศาสตร์ที่จำเป็นสำหรับคอร์สนี้

เริ่มบทเรียน

การหาค่าที่เหมาะสมที่สุดแบบไม่มีเงื่อนไขและแบบมีเงื่อนไขเชิงเส้น

บทนี้ครอบคลุมการแก้ปัญหาการหาค่าที่เหมาะสมที่สุดแบบไม่มีเงื่อนไขและแบบมีเงื่อนไขด้วยแคลคูลัสเชิงอนุพันธ์และ SymPy รวมถึงการระบุข้อผิดพลาดที่อาจเกิดขึ้น นอกจากนี้ยังแนะนำ SciPy สำหรับการแก้ปัญหาการหาค่าที่เหมาะสมที่สุดแบบไม่มีเงื่อนไขในมิติเดียวและหลายมิติเชิงตัวเลขด้วยโค้ดเพียงไม่กี่บรรทัด และปิดท้ายด้วยการแก้ปัญหา linear programming ด้วย SciPy และ PuLP

เริ่มบทเรียน

การหาค่าที่เหมาะสมที่สุดแบบมีเงื่อนไขไม่เชิงเส้น

บทนี้แนะนำปัญหาการหาค่าที่เหมาะสมที่สุดแบบ convex มีเงื่อนไขหลายประเภท และศึกษาปัญหา mixed integer linear programming ซึ่งเป็น linear programming ที่ตัวแปรอย่างน้อยหนึ่งตัวเป็นจำนวนเต็ม

เริ่มบทเรียน

เทคนิคการหาค่าที่เหมาะสมที่สุดขั้นสูง

บทนี้ครอบคลุมการหาค่าที่ดีที่สุดในระดับ global เมื่อมีคำตอบที่ดีหลายคำตอบ จะได้ศึกษาการวิเคราะห์ความไว (sensitivity analysis) และเทคนิคการทำให้เป็นเชิงเส้น (linearization) ที่ช่วยลดปัญหาไม่เชิงเส้นให้แก้ได้ง่ายขึ้นด้วย SciPy หรือ PuLP ในด้านการประยุกต์ใช้งาน จะได้แก้ปัญหาการจัดสรรบุคลากรพร้อมต้นทุนการฝึกอบรม และการจัดสรรงบประมาณที่มีโครงการที่เชื่อมโยงกัน