We're proud to design great products for life
Интенсив
Математическая оптимизация и исследование операций
Интенсив даст глубокое понимание методов построения и особенностей применения оптимизационных моделей для решения прикладных бизнес-задач
Когда
Длительность
Формат
Стоимость
Требования
Ведется сбор заявок
Очно или дистанционно
20 ак. ч. лекций и практики
12 ак. ч. самостоятельной работы
12 ак. ч. самостоятельной работы
42 000 руб/слушатель
Скидки для групп
Скидки для групп
Базовые знания моделей ML/DS и Python
Интенсив даст глубокое понимание методов построения и особенностей применения оптимизационных моделей для решения прикладных бизнес-задач
Типичные задачи и сценарии использования методов математической оптимизации
Классификация и особенности постановки оптимизационных задач
Технические аспекты реализации алгоритмов
Доступные предложения по солверам
О чём пойдёт речь?
Интенсив даст глубокое понимание методов построения и особенностей применения оптимизационных моделей для решения прикладных бизнес-задач.
Подход к решению задач с концепции: любой проект с данными должен заканчиваться задачей оптимизации
Аналитикам, DS, Team leads, будущим специалистам по исследованию операций
5. РобоБух проводит
сверку автоматически
сверку автоматически
для понимания сценариев применения оптимизационных алгоритмов, их видов, степени трудоёмкости и методах построения
Кому подойдет курс?
которые хотят научиться выявлять, формулировать и решать задачи с применением методов математической оптимизации
Руководителям Data Science подразделений
A²NCED
Программа
1. Введение в математическую оптимизацию
- Задача нахождения экстремальных значений целевой функции в рамках заданных ограничений
- Обзор видов ресурсов, подлежащих оптимизации
- Основные бизнес-сценарии: транспортная задача и задача графикования
- Концепция GlowByte: обзор проекта как задачи оптимизации
2. Обзор реальных кейсов оптимизации компании GlowByte
3. Основные понятия и классы задач
- Переменные решения, функции цели, ограничения
- Градиентные методы и методы первого и второго порядка
- Линейное программирование: симплекс-метод, алгоритм Кармаркара
- Квадратичное программирование
- Проблема булевой выполнимости (SAT)
4. Практические задачи
- Оптимальная диета
- Задача квадратичного программирования с разбором кода
- Задача нахождения экстремальных значений целевой функции в рамках заданных ограничений
- Обзор видов ресурсов, подлежащих оптимизации
- Основные бизнес-сценарии: транспортная задача и задача графикования
- Концепция GlowByte: обзор проекта как задачи оптимизации
2. Обзор реальных кейсов оптимизации компании GlowByte
3. Основные понятия и классы задач
- Переменные решения, функции цели, ограничения
- Градиентные методы и методы первого и второго порядка
- Линейное программирование: симплекс-метод, алгоритм Кармаркара
- Квадратичное программирование
- Проблема булевой выполнимости (SAT)
4. Практические задачи
- Оптимальная диета
- Задача квадратичного программирования с разбором кода
1. Линейное программирование (LP)
- Линейное программирование от работ Канторовича до современности
- Симплекс-метод: прямой, двойственный, комбинированный
- Алгоритм Кармаркара
- Метод эллипсоидов
- Основные программные инструменты для решения задач LP
2. Симплекс-метод в решении задач линейного программирования
3. Функциональность библиотеки pyScipOpt для решения задач оптимизации
4. Введение в MILP (Mixed Integer Linear Programming)
- Основные принципы и задачи MILP
- Примеры решения задач для развития интуиции
- Линейное программирование от работ Канторовича до современности
- Симплекс-метод: прямой, двойственный, комбинированный
- Алгоритм Кармаркара
- Метод эллипсоидов
- Основные программные инструменты для решения задач LP
2. Симплекс-метод в решении задач линейного программирования
3. Функциональность библиотеки pyScipOpt для решения задач оптимизации
4. Введение в MILP (Mixed Integer Linear Programming)
- Основные принципы и задачи MILP
- Примеры решения задач для развития интуиции
1. Обзор существующих на рынке солверов и библиотек
2. Классические постановки математических задач и возможные кейсы применения
- Bin Packing Problem
- Travel Salesman Problem
- Influence Maximization
- Vehicle Routing Problem
- Job Shop Scheduling Problem
- Facility Location Problem
- Quadratic Assignment Problem
3. Форматы MILP задач: LP, MPS. Различия между ограничениями «<» и «<=»
4. Примеры применения в бизнесе
2. Классические постановки математических задач и возможные кейсы применения
- Bin Packing Problem
- Travel Salesman Problem
- Influence Maximization
- Vehicle Routing Problem
- Job Shop Scheduling Problem
- Facility Location Problem
- Quadratic Assignment Problem
3. Форматы MILP задач: LP, MPS. Различия между ограничениями «<» и «<=»
4. Примеры применения в бизнесе
1. Переход от MILP к LP и LP-релаксация
2. Алгоритмы решения MILP
- Branch-and-Bound
- Cutting Plane
- Branch-and-Cut
3. Общий пайплайн решения MILP-задач
4. Обзор препроцессинга данных
5. Теоретические аспекты работы MILP-солвера
6. Влияние различных формулировок на поиск оптимума задачи
7. Функциональность warm-стартов в pyscipopt и python-mip
8. Практические примеры сложных MILP задач
2. Алгоритмы решения MILP
- Branch-and-Bound
- Cutting Plane
- Branch-and-Cut
3. Общий пайплайн решения MILP-задач
4. Обзор препроцессинга данных
5. Теоретические аспекты работы MILP-солвера
6. Влияние различных формулировок на поиск оптимума задачи
7. Функциональность warm-стартов в pyscipopt и python-mip
8. Практические примеры сложных MILP задач
1. Алгебраический подход и Constraint Programming. Unit Propagation. CDCL алгоритм
2. SAT и связанные задачи: CP, SMT, MAX-SAT
3. Солверы: CP-солвер (cp-sat, cplex-cp), SMT-солвер, MAX-SAT-солвер
4. Преимущества алгебраических методов
5. Функциональность и возможности CP-SAT
6. Практика использования CP-SAT
2. SAT и связанные задачи: CP, SMT, MAX-SAT
3. Солверы: CP-солвер (cp-sat, cplex-cp), SMT-солвер, MAX-SAT-солвер
4. Преимущества алгебраических методов
5. Функциональность и возможности CP-SAT
6. Практика использования CP-SAT
1. NLP (Nonlinear Programming)
- Определение и примеры задач
- Стационарные точки в контексте NLP
2. Преобразование к NLP задачам без ограничений и итеративное их решение
- Метод штрафных функций (внешней точки)
- Метод барьеров (внутренний точки)
- Модифицированная функция Лагранжа
3. Методы локальной аппроксимации
- Линейными функциями (COBYLA, Reduced Gradients, Polyhedrtal Outer Approximation и др.)
- Квадратичными функциями (Trust-constr, SLSQP)
4. Алгоритмы и библиотеки
5. Практика решения NLP: Оптимизация процесса регулярного ценообразования
- Цель и значимость оптимизации процесса регулярного ценообразования
- Обзор методов NLP, применяемых к ценообразованию
- Определение и примеры задач
- Стационарные точки в контексте NLP
2. Преобразование к NLP задачам без ограничений и итеративное их решение
- Метод штрафных функций (внешней точки)
- Метод барьеров (внутренний точки)
- Модифицированная функция Лагранжа
3. Методы локальной аппроксимации
- Линейными функциями (COBYLA, Reduced Gradients, Polyhedrtal Outer Approximation и др.)
- Квадратичными функциями (Trust-constr, SLSQP)
4. Алгоритмы и библиотеки
5. Практика решения NLP: Оптимизация процесса регулярного ценообразования
- Цель и значимость оптимизации процесса регулярного ценообразования
- Обзор методов NLP, применяемых к ценообразованию
1. Введение в MINLP (Mixed Integer Nonlinear Programming)
2. Практическое применение: Оптимизация промо-календаря
2. Практическое применение: Оптимизация промо-календаря
1. Black Box Optimization
- Введение в оптимизацию «черного ящика»
- Открытый софт и общий пайплайн работы
2. Метаэвристики
- Обобщенные стратегии поиска или оптимизации
- Открытый софт
- Стратегии оптимизации
- Способы представления решений
- Моделирование и вероятностные подходы: CMA-ES (Covariance Matrix Adaptation
Evolution Strategy) и Байесовская оптимизация
3. Примеры применения метаэвристик
- Аддитивное производство
- Генеративный дизайн и проектирование
- Оптимизация расписания в кинотеатре
- Улучшение жадных алгоритмов
- Введение в оптимизацию «черного ящика»
- Открытый софт и общий пайплайн работы
2. Метаэвристики
- Обобщенные стратегии поиска или оптимизации
- Открытый софт
- Стратегии оптимизации
- Способы представления решений
- Моделирование и вероятностные подходы: CMA-ES (Covariance Matrix Adaptation
Evolution Strategy) и Байесовская оптимизация
3. Примеры применения метаэвристик
- Аддитивное производство
- Генеративный дизайн и проектирование
- Оптимизация расписания в кинотеатре
- Улучшение жадных алгоритмов
1. Использование обучения с подкреплением (Reinforcement Learning, RL) для оптимизации
2. Задача многоруких бандитов: введение в проблемы и стратегии для оптимизации выбора в условиях неопределённости
3. Метод Кросс-Энтропии для обучения с подкреплением (CEM)
4. Оптимизация с помощью GAN (Generative adversarial network)
5. Многокритериальные алгоритмы. Оптимальность по Парето
6. Островная модель (Island model) и Мультиагентная оптимизация
2. Задача многоруких бандитов: введение в проблемы и стратегии для оптимизации выбора в условиях неопределённости
3. Метод Кросс-Энтропии для обучения с подкреплением (CEM)
4. Оптимизация с помощью GAN (Generative adversarial network)
5. Многокритериальные алгоритмы. Оптимальность по Парето
6. Островная модель (Island model) и Мультиагентная оптимизация
1. Переход от нелинейных ограничений к линейным
2. Оптимизация повсюду
3. Технологии и платформы
4. What-if анализ и Анализ чувствительности
5. Обзор параметров SCIP
6. Пайплайн разработки оптимизационной модели
7. Способы быстрой визуализации моделей
8. Советы по написанию генератора задачи
9. Обзор известных датасетов для сравнения
2. Оптимизация повсюду
3. Технологии и платформы
4. What-if анализ и Анализ чувствительности
5. Обзор параметров SCIP
6. Пайплайн разработки оптимизационной модели
7. Способы быстрой визуализации моделей
8. Советы по написанию генератора задачи
9. Обзор известных датасетов для сравнения
Подход к обучению
Лекции
Демонстрации
Тесты дня
Домашние задания
Теория не будет оторвана от практики.
Вас ждет насыщенная программа и поддержка преподавателя на протяжении всего интенсива
Вас ждет насыщенная программа и поддержка преподавателя на протяжении всего интенсива
Онлайн вебинары с преподавателем и возможность задать все ваши вопросы
Преподаватель покажет и расскажет, как решается реальная задача на практике
Короткий тест в конце каждого дня, который поможет понять, насколько вы усвоили материал
Задачи и тесты, которые позволят повторить и закрепить пройденный на лекциях материал
Преподаватели
- Максим ГончаровРуководитель направления разработки аналитических решений
- Специализируется на методах машинного обучения и математической оптимизации.
- Область интересов - байесовская статистика, структурные вероятностные модели, глубокое вероятностное программирование, выпуклая нелинейная оптимизация, иерархические оптимизационные алгоритмы.
- Фёдор СмирновВедущий бизнес-аналитик практики Продвинутой аналитики GlowByte
Advanced Analytics- Специализируется на анализе и прогнозировании временных рядов в контексте промышленных задач с использованием методов машинного обучения.
- Область интересов включает байесовскую статистику и физико-математическое моделирование процессов.
- Опыт в разработке предиктивных моделей для оптимизации производственных процессов и повышения эффективности работы оборудования.
- Спикер конференции OpenTalks AI.
- Вазген АмбарцумовРуководитель группы практики GlowByte
Advanced Analytics
A²NCED
Записаться на интенсив
Оставьте заявку, и мы свяжемся с вами в ближайшее время!
Нажимая на кнопку, вы даете согласие на обработку персональных данных
и соглашаетесь c политикой конфиденциальности
и соглашаетесь c политикой конфиденциальности
Узнавайте об обновлениях и новых курсах первыми!
Подписывайтесь на наше коммьюнити NoML (Not only Machine Learning), где мы публикуем все новости, общаемся и делимся мнениями об индустрии