В эпоху готовых библиотек легко забыть, как работают оптимизация, интерполяция или решение СЛАУ «изнутри». Но понимание фундаментальных алгоритмов — это не академическая роскошь, а инженерный инструмент.

Реализовал коллекцию численных методов на Python с нуля: от базовых до продвинутых.

🔢 Что внутри: • Решение СЛАУ: Гаусс, Гаусс-Жордан, итерационные методы (Якоби, Зейдель) • Оптимизация: градиентный спуск, Ньютон, сопряжённые градиенты, ограничения • Интерполяция и аппроксимация: Лагранж, сплайны, МНК • Численное интегрирование и дифференцирование • Решение ОДУ: Эйлер, Рунге-Кутта, Адамс

💡 Зачем это нужно в продакшене: • Понимать, почему оптимизатор «застрял» или расходится • Выбирать метод под задачу, а не надеяться на дефолтные настройки • Отлаживать численную нестабильность в реальных пайплайнах • Объяснять бизнесу, почему «точное решение» не всегда возможно

🔗 Репозиторий: https://github.com/Delshi/Numerical-Methods-Optimization

#NumericalMethods #Optimization #Algorithms #Python #Mathematics #Engineering #OpenSource #OpenToWork