بهینه یابی خطی اینبار با PuLP
در پست های قبل در خصوص بهینه یابی با استفاده از کتابخانه Scipy صحبت کردیم. البته الگوریتم Scipy به گونه ای است که صرفا مسائل را از طریق minimize کردن حل می کند و برای حل مسائل حداکثر سازی باید به گونه ای مسئله را به حداقل سازی تبدیل کنیم.
یکی دیگر از کتابخانه های بسیار جالب برای حل مسائل بهینه یابی خطی کتابخانه PuLP است. این کتابخانه امکانات بسیار جالبی را برای حل مسائل بهینه یابی بدون قید و مقید در اختیار ما قرار می دهد.
در پست بعد یک مدل بهینه یابی مقید با استفاده از کتابخانه PuLP را با یکدیگر بررسی خواهیم کرد.
برای کسب اطلاعات بیشتر در این خصوص می توانید به صفحه گیت هاب این ماژول مراجعه فرمایید.
** پی نوشت: بهینه یابی یکی از پرکاربردترین روش های حل مسائل است و در مواردی مانند حداکثر سازی سود، حداقل کردن هزینه ها، انتخاب بهترین سبدسهام با استفاده مدل CAPM و ... استفاده می شود.
#بهینه_یابی
#بهینه سازی خطی
#پایتون_مالی
#optimization
#PuLP
#python_for_finance
عضویت در کانال 👇👇👇
تلگرام t.me/python4finance
بله ble.ir/python4finance
در پست های قبل در خصوص بهینه یابی با استفاده از کتابخانه Scipy صحبت کردیم. البته الگوریتم Scipy به گونه ای است که صرفا مسائل را از طریق minimize کردن حل می کند و برای حل مسائل حداکثر سازی باید به گونه ای مسئله را به حداقل سازی تبدیل کنیم.
یکی دیگر از کتابخانه های بسیار جالب برای حل مسائل بهینه یابی خطی کتابخانه PuLP است. این کتابخانه امکانات بسیار جالبی را برای حل مسائل بهینه یابی بدون قید و مقید در اختیار ما قرار می دهد.
در پست بعد یک مدل بهینه یابی مقید با استفاده از کتابخانه PuLP را با یکدیگر بررسی خواهیم کرد.
برای کسب اطلاعات بیشتر در این خصوص می توانید به صفحه گیت هاب این ماژول مراجعه فرمایید.
** پی نوشت: بهینه یابی یکی از پرکاربردترین روش های حل مسائل است و در مواردی مانند حداکثر سازی سود، حداقل کردن هزینه ها، انتخاب بهترین سبدسهام با استفاده مدل CAPM و ... استفاده می شود.
#بهینه_یابی
#بهینه سازی خطی
#پایتون_مالی
#optimization
#PuLP
#python_for_finance
عضویت در کانال 👇👇👇
تلگرام t.me/python4finance
بله ble.ir/python4finance
بهینه یابی خطی اینبار با PuLP (بخش دوم)
شرکتی را در نظر بگیرید که 4 محصول x1، x2،x3 و x4 را تولید می کند. این شرکت می خواهد سود خود را بر اساس تابع تولید و نیز قیدهای داده شده حداکثر کند. حل مسئله با استفاده از PuLP به این صورت خواهد بود.
نتیجه جالب است! سود شما زمانی حداکثر می شود که از کالای 1، پنج عدد و از کالای 3 ، چهل و پنج عدد و سایر کالاها صفر عدد تولید شود.
#بهینه_یابی
#بهینه سازی خطی
#پایتون_مالی
#optimization
#PuLP
#python_for_finance
عضویت در کانال 👇👇👇
تلگرام t.me/python4finance
شرکتی را در نظر بگیرید که 4 محصول x1، x2،x3 و x4 را تولید می کند. این شرکت می خواهد سود خود را بر اساس تابع تولید و نیز قیدهای داده شده حداکثر کند. حل مسئله با استفاده از PuLP به این صورت خواهد بود.
نتیجه جالب است! سود شما زمانی حداکثر می شود که از کالای 1، پنج عدد و از کالای 3 ، چهل و پنج عدد و سایر کالاها صفر عدد تولید شود.
#بهینه_یابی
#بهینه سازی خطی
#پایتون_مالی
#optimization
#PuLP
#python_for_finance
عضویت در کانال 👇👇👇
تلگرام t.me/python4finance
استاندارد سازی و نرمال سازی داده ها در پایتون
عموما در بیشتر مدلها نیازمند مقایسه داده های متغیرهای مختلف هستیم. برای مثال سهمی را در نظر بگیرید که در کانال 2000 تومان در حال معامله است و سهم دیگری در کانال 500 تومان. آیا می توان این دو داده را با یکدیگر مقایسه کرد؟ پاسخ منفی است چرا که این دو سهم به لحاظ مقیاس با یکدیگر برابر نیستند. استاندارد سازی داده کمک میکند که اهمیت آنها به واحد اندازهگیریشان بستگی نداشته باشد و میانگین آنها صفر (μ=0) و انحراف معیار نیز برابر با واحد (σ=۱) شود.
یکی دیگر از روشهای تغییر مقیاس، استفاده از روش نرمالسازی Min-Max است (نرمالسازی (Normalization)). به این ترتیب علاوه بر یکسان سازی مقیاس دادهها، کرانهای تغییر آنها نیز در بازه [0,1] خواهد بود.
استانداردسازی و نرمال سازی یکی از مهمترین ابزارهای کار با داده ها خصوصا در مدلهای مقایسه ای است.
در پست بعد مثالی در این زمنیه را با هم بررسی خواهیم کرد.
#نرمال_سازی
#استاندارد_سازی
#پایتون_مالی
#Normalization
#standardize
#python_for_finance
عضویت در کانال پایتون برای مالی👇👇👇
🆔 t.me/python4finance
عموما در بیشتر مدلها نیازمند مقایسه داده های متغیرهای مختلف هستیم. برای مثال سهمی را در نظر بگیرید که در کانال 2000 تومان در حال معامله است و سهم دیگری در کانال 500 تومان. آیا می توان این دو داده را با یکدیگر مقایسه کرد؟ پاسخ منفی است چرا که این دو سهم به لحاظ مقیاس با یکدیگر برابر نیستند. استاندارد سازی داده کمک میکند که اهمیت آنها به واحد اندازهگیریشان بستگی نداشته باشد و میانگین آنها صفر (μ=0) و انحراف معیار نیز برابر با واحد (σ=۱) شود.
یکی دیگر از روشهای تغییر مقیاس، استفاده از روش نرمالسازی Min-Max است (نرمالسازی (Normalization)). به این ترتیب علاوه بر یکسان سازی مقیاس دادهها، کرانهای تغییر آنها نیز در بازه [0,1] خواهد بود.
استانداردسازی و نرمال سازی یکی از مهمترین ابزارهای کار با داده ها خصوصا در مدلهای مقایسه ای است.
در پست بعد مثالی در این زمنیه را با هم بررسی خواهیم کرد.
#نرمال_سازی
#استاندارد_سازی
#پایتون_مالی
#Normalization
#standardize
#python_for_finance
عضویت در کانال پایتون برای مالی👇👇👇
🆔 t.me/python4finance