فناوری
طبقه بندی داده های نامتوازن به کمک یادگیری جمعی در متلب
در این یادداشت طبقه بندی یا کلاس بندی داده های نامتوازن را به کمک یادگیری جمعی مبتنی بر الگوریتم RUSBoost با تابع fitcensemble در محیط MATLAB بررسی می کنیم.
تحلیل پوششی داده ها در متلب: معرفی تولباکس DEA در نرم‌افزار MATLAB
در این پست به معرفی یک جعبه ابزار برای حل مدل های تحلیل پوششی داده ها در نرم افزار متلب می پردازیم. حل مدل های رایج DEA نظیر CCR و BCC به همراه مدل های جمعی، خروجی های نامطلوب، ابرکارایی و کارایی متقاطع از جمله ویژگی‌های این تولباکس است.
برنامه ریزی خطی در پایتون با استفاده از Scipy
آموزش مقدماتی حل برنامه ریزی ریاضی خطی (بهینه سازی ریاضی خطی) در محیط پایتون را توسط کتابخانه Scipy.optimize با کلاس linprog دنبال می‌کنیم. سینتکس‌های این تابع بی‌شباهت به متلب نیست و از این روی، سازگاری و کار را با آن خیلی سریع و ساده است.
آشنایی با OptaPlanner : بهینه سازی و حل مسائل ارضای محدودیت با زبان جاوا
OptaPlanner یک راهکار به زبان جاوا برای حل مسائل ارضای محدودیت (CSP) است که مسائل معروفی همچون مسیریابی وسیله نقلیه، برنامه‌ریزی نگهداری و تعمیرات، زمان‌بندی کلاس، بهینه‌سازی ابری، زمان‌بندی کار کارگاهی، بین پکینگ، بهینه‌سازی مالی، برنامه‌ریزی هواپیمایی را پوشش می‌دهد.
آشنایی با Google OR-Tools سرویس بهینه سازی ریاضی گوگل
سرویس Google OR-Tools یک نرم افزار متن‌باز به منظور تأمین زیرساخت بهینه سازی ریاضی است که قابلیت پیاده‌سازی در پایتون و برخی زبان‌ها را دارد.
کتابخانه‌های پایتون برای بهینه‌سازی ریاضی
در این یادداشت به معرفی شش کتابخانه مطرح پایتون در حوزه بهینه‌سازی ریاضی خواهیم پرداخت. هریک از این کتابخانه‌ها ویژگی‌های مخصوص به خود را دارند و در شرایطی می‌توانند گزینه مناسبی برای استفاده در راستای پیاده‌سازی و حل مدل‌های تحقیق در عملیات باشند.