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. 

Matematiksel optimizasyona giriş

Matematiksel optimizasyonu anlama

Amaç fonksiyonunu uygulama

Kapsamlı arama yöntemi

Tek değişkenli optimizasyon

Türevi bulma

İkinci türevi bul

Çok değişkenli optimizasyon

SymPy ile kısmi türevler

Seçenekler

Türevlenebilir

Türevlenemez

Türev almanın sınırlılıkları

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

Bu kurs, yeni başlayanları yetkin çözücülere dönüştürerek, gerçek dünya problemlerini Python'da SciPy ve PuLP kullanarak matematiksel modellemeyle ifade etmeyi ve çözmeyi öğretir. Optimizasyonun temelleri ve uygulamalarıyla başlayacak, türevleri elle hesaplamadan analitik çözümler için SymPy kullanacak ve sayısal yanıtlar için SciPy'dan yararlanacaksın. Ardından SciPy ve PuLP ile doğrusal programlama, kısıtlı dışbükey optimizasyon ve karışık tamsayılı optimizasyona geçerek üretim, kâr maksimizasyonu ve kaynak tahsisi gibi pratik konulara odaklanacaksın.

Optimizasyon problemleri mühendislik, fen bilimleri ve sosyal bilimlerde her yerde karşımıza çıkar. Bu kurs, sizi sıfır optimizasyon bilgisinden kahraman bir optimizasyon uzmanına dönüştürecektir. Matematiksel modelleme kullanarak gerçek dünyadaki problemleri matematiksel problemler haline getirecek ve SciPy ve PuLP paketlerini kullanarak Python ile çözeceksiniz.

<h2>SymPy ile Kısıtlanmamış Optimizasyon Problemlerine Kalkülüs Uygulayın</h2>

Optimizasyon probleminin tanımını ve kullanım örneklerini öğrenerek başlayacaksınız. SymPy'yi kullanarak, kısıtlamasız optimizasyona analitik çözümler elde etmek için kalkülüs uygulayacaksınız. Türevleri hesaplamanız veya denklemleri çözmeniz gerekmeyecek; SymPy sorunsuz bir şekilde çalışır! Benzer şekilde, sayısal çözümleri elde etmek için SciPy kullanacaksınız.

<h2>Karmaşık Sorunları Doğrudan Ele Alın</h2>

Ardından, SciPy ve PuLP'de doğrusal programlama problemlerini çözmeyi öğreneceksiniz. Gerçek dünyanın karmaşıklığını yakalamak için, kısıtlı konveks optimizasyon ve karışık tamsayı optimizasyonunu çözmek için PuLP ve SciPy'yi nasıl uygulayacağınızı göreceksiniz. 

Bu kursun sonunda, üretim, kâr ve bütçeleme, kaynak tahsisi ve daha fazlasını içeren gerçek dünyadaki optimizasyon problemlerini çözmüş olacaksınız.

Introduction to NumPy

Python SciPy ve PuLP kullanarak temelden karmaşığa gerçek dünya optimizasyon problemlerini çözmeyi öğrenin.

Python ile Optimizasyona Giriş

Matematiksel optimizasyonu anlama

Python ile Optimizasyona Giriş

Uygulamalı interaktif egzersiz