Applied Mathematical Optimization

Real - World optimization models using the language FICO Xpress

What you'll learn
Easily & quickly develop an optimization model from scratch (check promo video for all info )
FICO Xpress is the software you will learn. You do not need software engineering background.
Download, install and use the software without expiration date and for free.
In less than 2 hours, you will have a very good grasp of the software & you can build your own models
Requirements
The only prerequisite is to take the first course of the "giannelos dot com" program , which is the course "Data Science Code that appears all the time at workplace".
Description
NOTE: THIS COURSE IS CURRENTLY UNPUBLISHED AS IT IS BEING RADICALLY REDESIGNED=====================NOTE: THIS COURSE IS CURRENTLY UNPUBLISHED AS IT IS BEING RADICALLY REDESIGNED=====================NOTE: THIS COURSE IS CURRENTLY UNPUBLISHED AS IT IS BEING RADICALLY REDESIGNED====================Περίληψη :Βήμα προς βήμα Αρχές βελτιστοποίησηςΜαθαίνουμε τη γλώσσα μοντελοποίησης FICO Xpress, η οποία είναι εναλλακτική της Pyomo, GAMS.Μαθαίνουμε τις αρχές της βελτιστοποίησης με δομημένο τρόπο.Βήμα-βήμα, χωρίς προϋποθέσεις. Σημαντικό :Δεν χρειάζονται προαπαιτούμενα: Δεν χρειάζεται να γνωρίζετε καθόλου Προγραμματισμό (π.χ. Python ή MATLAB ή C ++) γιατί εξετάζουμε όλες τις εντολές που χρειάζονται, με μεγάλη λεπτομέρεια και με πολλά παραδείγματα.Ξεκινάμε από το μηδέν, για να μην χρειάζεται να έχετε κάνει καθόλου προπαρασκευαστικές εργασίες εκ των προτέρων. Απλώς ακολουθήστε αυτό που εμφανίζεται στην οθόνη, γιατί προχωράμε αργά καθώς εξηγούμε τα πάντα λεπτομερώς.Δεν μπορείτε να μαντέψετε ή να κάνετε αναζήτηση στο Διαδίκτυο γιατί προχωράμε αργά και εξηγούμε πλήρως τι εμφανίζεται στην οθόνη.Εάν είστε έμπειρος προγραμματιστής, τότε μπορεί να διαπιστώσετε ότι τα βίντεο πάνε πολύ αργά. Αυτό ισχύει γιατί καταστρέφω κάθε εντολή, ειδικά τις σύνθετες. Υπάρχουν άλλα διαδικτυακά μαθήματα για το Udemy που απλώς δίνουν τον κώδικα και σας δίνουν μια συνολική περιγραφή του και, στη συνέχεια, πρέπει να καταλάβετε τι κάνει. Στα μαθήματά μου, κάνουμε το αντίθετο: πηγαίνουμε πολύ αργά και εξετάζουμε κάθε εντολή. Αυτός είναι ο λόγος για τον οποίο ορισμένα βίντεο μπορεί να έχουν διάρκεια 30 λεπτών, και αυτό συμβαίνει επειδή εμβαθύνουμε και περιγράφουμε πλήρως τον κώδικα.  Σε αυτό το μάθημα, δεν υπάρχει ΤΙΠΟΤΑ για να ψάξετε στο google γιατί κάθε γραμμή κώδικα εξηγείται λεπτομερώς.Έτσι στο τέλος του μαθήματος θα νιώθετε σίγουροι ότι ΕΙΣΤΕ ΟΙΚΟΝΟΜΙΚΟΙ ό,τι έχει διδαχθεί!   Για τα περιεχόμενα αυτού του μαθήματος, παρακολουθήστε το βίντεο προώθησης και επίσης διαβάστε τα περιεχόμενα και τις κριτικές. Αυτό το μάθημα έχει λάβει πολύ υψηλές κριτικές, σε σταθερή βάση. Αυτό το μάθημα έχει επίσης σχεδιαστεί με βάση το υλικό των συνεντεύξεων (τράπεζες, ενεργειακές εταιρείες/οργανισμοί, ρόλοι μηχανικής λογισμικού κ.λπ.), οπότε στο τέλος του, θα είστε πλήρως καλυμμένοι και σίγουροι ότι θα τα πάτε καλά.Όπως μπορείτε να διαβάσετε στο προφίλ μου, είμαι επικεφαλής της έρευνας, επομένως έχω μεγάλη εμπειρία σε αυτόν τον τομέα. Άρα είσαι σε καλά χέρια. Καλή τύχη και ότι χρειαστείς, είμαι και θα είμαι εδώ για να σε βοηθήσω.

Overview

Section 1: Introduction

Lecture 1 Innovative Research

Lecture 2 Optimization Process

Lecture 3 Research in Optimization

Lecture 4 Selecting the type of License

Lecture 5 Downloading the installer

Lecture 6 Software Installation

Lecture 7 Exploring available help resources

Section 2: Stochastic Optimization Theory using Python

Lecture 8 Construct a 2-stage scenario tree using Python

Lecture 9 Transition Probabilities on Python

Section 3: Apple Watch Optimization Case

Lecture 10 Setting the scene

Section 4: Fundamentals of Optimization Modelling

Lecture 11 Initial implementation of an Optimization Model

Lecture 12 Implementation and output

Lecture 13 Grouping variables and parameters

Lecture 14 Modelling summations

Lecture 15 Repetitive application of constraints

Lecture 16 Multiple statements on a single line

Lecture 17 Creating comment sections

Lecture 18 Applying code conditionally

Section 5: Intermediate concepts on Optimization Modelling

Lecture 19 Optimality, Infeasibility, Unboundedness

Lecture 20 Data Initialization

Lecture 21 Procedural coding

Lecture 22 Functional coding

Lecture 23 Optimization structure

Lecture 24 Multidimensional Variables and Parameters

Lecture 25 Activity, duality and slackness

Lecture 26 Reduced costs

Section 6: Conclusion

Lecture 27 Concluding remarks and wrap-up

Section 7: In depth aspects

Lecture 28 Mixed Integer Linear Problems

Lecture 29 Explicit and Implicit Variable Declarations

Lecture 30 Writing output data

Section 8: BONUS

Lecture 31 Extra knowledge on discount

Enterpreneurs,Economists.,Quants,Members of the highly googled giannelos dot com program,Investment Bankers,Academics, PhD Students, MSc Students, Undergrads,Postgraduate and PhD students.,Data Scientists,Energy professionals (investment planning, power system analysis),Software Engineers,Finance professionals