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. 

Pengantar optimisasi matematis

Memahami optimisasi matematis

Menerapkan fungsi objektif

Metode pencarian menyeluruh

Optimisasi univariat

Menentukan turunan

Cari turunan kedua

Optimisasi multivariat

Turunan parsial dengan SymPy

Opsi

Differentiable

Non-differentiable

Keterbatasan diferensiasi

Introduction to 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.

Unconstrained optimization

Finding the maxima

Multivariate optimization

Bound-constrained optimization

Working with Bounds

Handling hard inequalities

Linear programming

What is linear programming?

PuLP for linear optimization

Handling multiple elements

 Unconstrained and 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.

Convex constrained-optimization

Interpreting indifference curves

Visualize the indifference curve

Utility maximization

Convex-constrained optimization with inequality constraints

Interior or corner?

Linear constrained biscuits

Nonlinear constrained biscuits

Mixed integer linear programming (MILP)

Adjusting MILP

Understanding integrality

Non-linear Constrained Optimization

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.

Transforming non-linear problems

Solving the capital budgeting problem

Allocating resources

Global optimization in SciPy

Find the global optimum

Using callback

Sensitivity analysis in PuLP

Slack and shadow price

Shadow prices with juice

The diet problem revisited

Congratulations!

Robust Optimization Techniques

Kursus ini mengubah pemula menjadi pengoptimal andal, mengajarkan Anda mengonversi dan menyelesaikan masalah dunia nyata menggunakan pemodelan matematis di Python dengan SciPy dan PuLP. Dimulai dari dasar-dasar optimasi dan penerapannya, Anda akan menggunakan SymPy untuk solusi analitik tanpa harus menghitung turunan secara manual, serta memanfaatkan SciPy untuk jawaban numerik. Anda akan berlanjut ke pemrograman linear, optimasi cembung dengan kendala, dan optimasi bilangan bulat campuran menggunakan SciPy dan PuLP, dengan fokus pada persoalan praktis seperti manufaktur, maksimisasi laba, dan alokasi sumber daya.

Masalah optimasi sangat umum ditemui dalam bidang teknik, ilmu pengetahuan, dan ilmu sosial. Kursus ini akan membawa Anda dari nol pengetahuan optimasi menjadi ahli optimasi. Anda akan menggunakan pemodelan matematis untuk mengubah masalah dunia nyata menjadi masalah matematis dan menyelesaikannya menggunakan Python dengan paket SciPy dan PuLP.

<h2>Menerapkan Kalkulus pada Masalah Optimisasi Tanpa Batasan Menggunakan SymPy</h2>

Anda akan memulai dengan mempelajari definisi masalah optimasi dan penerapan-penerapannya. Anda akan menggunakan SymPy untuk menerapkan kalkulus guna mendapatkan solusi analitis pada masalah optimisasi tanpa batasan. Anda tidak perlu menghitung turunan atau menyelesaikan persamaan; SymPy bekerja dengan lancar! Demikian pula, Anda akan menggunakan SciPy untuk mendapatkan solusi numerik.

<h2>Hadapi Masalah Kompleks Secara Langsung</h2>

Selanjutnya, Anda akan belajar cara menyelesaikan masalah pemrograman linier menggunakan SciPy dan PuLP. Untuk menangkap kompleksitas dunia nyata, Anda akan belajar cara menerapkan PuLP dan SciPy untuk menyelesaikan masalah optimisasi konveks terkendali dan optimisasi bilangan bulat campuran. 

Pada akhir kursus ini, Anda akan mampu menyelesaikan masalah optimasi dunia nyata, termasuk dalam bidang manufaktur, keuntungan dan anggaran, alokasi sumber daya, dan lainnya.

Introduction to NumPy

Pelajari cara menyelesaikan masalah optimasi nyata dengan SciPy dan PuLP di Python, dari dasar hingga kompleks.

Pengantar Optimasi di Python

Keterbatasan diferensiasi

Pengantar Optimasi di Python

Latihan interaktif praktis