- Кількість кредитів 3,5
- Тип Обов'язковий
- Семестр 5
- Рівень вищої освіти Бакалавр
- Підсумковий контроль Екзамен
⚡Квест: Дослідження операцій: програмуй симулятори Монте-Карло та градієнтний спуск!
Коли архітектура софту стає занадто заплутаною, формули безсилі — час писати власні симулятори! На цьому курсі ти навчишся транслірувати ресурси хмари у математичні обмеження. Напишеш з нуля канонічний Симплекс-метод, транспортні алгоритми для оптимізації трафіку та підкориш теорію ігор для вибору архітектурних альтернатив. Створиш симулятор Монте-Карло та градієнтний спуск.
🚀Витисни із заліза 100% ефективності!
🛠Стек: Python, NumPy, SciPy, PuLP, SimPy, Google OR-Tools, Matplotlib.
🎒В рюкзак: Власний дискретно-подійний симулятор хмарної інфраструктури в GitHub.
⚡Квест: Побудуй обчислювальний симулятор Монте-Карло, приручи теорію черг та запусти градієнтний спуск!
🌐Опис місії
Коли перед системним архітектором чи техлідом постає завдання оптимізувати витрати на хмарні сервери, збалансувати пули потоків чи налаштувати маршрутизацію трафіку між дата-центрами, рішення «на око» коштує тисячі доларів збитків. Друга частина нашого епічного квесту повністю присвячена дослідженню операцій та багатокритеріальній оптимізації. Забудь про використання бібліотек-«чорних скриньок»! Ти власноруч запрограмуєш класичні алгоритми лінійної та нелінійної оптимізації, навчишся приймати безпомилкові рішення в умовах невизначеності за допомогою теорії ігор та збудуєш інтелектуальний дискретно-подійний симулятор, який здатний передбачити поведінку будь-якої високонавантаженої IT-системи.
🛠Твій інструментарій
Programming Frameworks: Python 3.10+ (основне середовище), NumPy (матричні обчислення), SciPy (чисельні методи).
Optimization & Modeling Libraries: PuLP (декларативний опис ЗЛП), Google OR-Tools (промислова оптимізація), SimPy (дискретно-подійне моделювання процесів).
Visualization Engines: Matplotlib, Seaborn (побудова траєкторій градієнтного спуску та метрик збіжності).
Validation Tools: PHPSimply, Simul8 (інтерактивні онлайн-калькулятори систем масового обслуговування).
🚀Що прокачаєш (Суперсили)
Linear Programming Implementation: Самостійно закодуєш канонічний Симплекс-метод та двоетапний М-метод для максимізації продуктивності (RPS) віртуальних машин.
Traffic Transport Optimization: Реалізуєш метод потенціалів для транспортних задач, оптимізуючи розподіл потоків даних між розподіленими дата-центрами з мінімальною затримкою.
Game Theory Architecture Decisions: Навчишся будувати платіжні матриці технічних ризиків та знаходити найкращі стратегії за критеріями Вальда, Севіджа, Гурвіца та Лапласа.
Gradient Descent Core Engine: Напишеш алгоритм найшвидшого градієнтного спуску (Gradient Descent) з чисельним диференціюванням — фундаментальну базу для нейромереж та Machine Learning.
🎒Що покладеш у рюкзак (Портфоліо)
Твоїм головним артефактом у цьому семестрі стане наскрізний інженерний кейс на GitHub — Програмна реалізація чисельних методів оптимізації та дискретно-подійних симуляторів систем:
Simplex & M-Method Core: Твій власний кодовий модуль розв'язання задач лінійної оптимізації без сторонніх бібліотек з покроковим виводом таблиць.
Infrastructure Resource Transportation Node: Програма оптимізації розподілу трафіку в мережі методом потенціалів з автоматичним введенням фіктивних споживачів.
Gradient Descent Engine: Програмний модуль чисельної оптимізації нелінійних функцій затримок (Latency) з автоматичною побудовою 3D-графіків траєкторії спуску в Matplotlib.
Monte-Carlo Stochastic Simulator (DES): Самостійний симулятор на SimPy, який генерує випадкові потоки запитів за експоненціальним законом розподілу, відстежує черги, виявляє «пляшкові шийки» (Bottlenecks) та видає порівняльну таблицю з аналітичними формулами теорії черг Ерланга-Колмогорова.
💼Твій майбутній тайтл
Цей курс перетворює розробника на елітного інженера, здатного створювати високонавантажені та інтелектуальні сервіси:
High-Load Backend Developer.
Systems Simulation Engineer / R&D Specialist.
Machine Learning Engineer / Infrastructure Optimizer.
