00:00 / 00:00
1.8x
1.4x
1.0x
0.7x
HD SD
HD
SD
ثبت‌نام رایگان
  • دسترسی به 9 جلسه نمونه از دوره
  • دسترسی به 9 جلسه نمونه از دوره
  • عضویت در تالار گفت‌وگوی دوره
  • اضافه شدن دوره به پروفایل
فقط محتوا
  • دسترسی کامل و نامحدود به محتوای دوره
  • تمام قابلیت‌‌های پلن رایگان
    +
  • دسترسی کامل و نامحدود به محتوای دوره
469,000 تومان
امکان پرداخت ارزی ‎
دوره کامل
  • دسترسی به تمام قابلیت‌های دوره
  • تمام قابلیت‌های پلن محتوا
    +
  • گواهی‌نامه مکتب‌خونه
  • پروژه محور
  • تمرین و آزمون
  • تالار گفتگو
  • تسهیل استخدام
569,000 تومان
امکان پرداخت ارزی ‎
00:00 / 00:00
1.8x
1.4x
1.0x
0.7x
HD SD
HD
SD
مکتب‌خونه مکتب‌خونه

آموزش الگوریتم‌های بهینه ‌سازی در R

دوره‌های مکتب‌پلاس
15 ساعت
97٪ (74 رای)

الگوریتم‌های بهینه سازی در R :

بهینه سازی به روشی برای یافتن پارامترهای ورودی یا آرگومان‌های یک تابع اشاره دارد که منجر به حداقل یا حداکثر خروجی تابع می‌شود. متداول‌ترین مشکلات بهینه سازی در یادگیری با ماشین عملکرد پیوسته آن است، جایی که آرگومان‌های ورودی تابع مقادیر عددی با ارزش واقعی هستند، به عنوان مثال مقادیر نقاط شناور.

خروجی تابع نیز یک ارزیابی با ارزش واقعی از مقادیر ورودی است. ما ممکن است به مسائلی از این نوع به عنوان بهینه سازی تابع پیوسته اشاره کنیم تا آن را از توابعی که متغیرهای گسسته را می‌گیرند و به عنوان مسائل بهینه سازی ترکیبی نامیده می‌شوند متمایز کنیم.

انواع مختلفی از الگوریتم‌های بهینه‌سازی وجود دارد که می‌توان برای مسائل بهینه‌سازی تابع پیوسته و همچنین روش‌های گروه‌بندی و خلاصه‌سازی از آن‌ها استفاده کرد. یک رویکرد برای گروه بندی الگوریتم‌های بهینه سازی بر اساس مقدار اطلاعات موجود در مورد تابع هدف وجود دارد که در حال بهینه سازی است و به نوبه خود می‌تواند توسط الگوریتم بهینه سازی استفاده شود.

به طور کلی، هرچه اطلاعات بیشتری در مورد عملکرد هدف در دسترس باشد، بهینه سازی عملکرد آسان‌تر است البته اگر اطلاعات بتوانند به طور موثر در جستجو استفاده شوند. شاید تقسیم عمده در الگوریتم‌های بهینه سازی این باشد که آیا می‌توان تابع هدف را در یک نقطه متمایز کرد یا خیر.

یعنی آیا مشتق اول (گرادیان یا شیب) تابع را می‌توان برای یک راه حل مشخص محاسبه کرد یا خیر. از این روش می‌توان الگوریتم‌ها را به الگوریتم‌هایی تقسیم کرد که می‌توانند از اطلاعات گرادیان محاسبه شده استفاده کنند.

1. الگوریتم‌های Bracketing

الگوریتم‌های بهینه سازی Bracketing برای مشکلات بهینه سازی با یک متغیر ورودی در نظر گرفته شده است که در آن optima در محدوده خاصی وجود دارد.

الگوریتم‌های Bracketing  می‌توانند به طور موثر در محدوده شناخته شده حرکت کرده و بهترین‌ها را تعیین کنند، اگرچه آن‌ها فرض می‌کنند که تنها یک Optima  وجود دارد. اگر الگوریتم‌های bracketing در دسترس نباشند، می‌توانند بدون اطلاعات مشتق نیز استفاده شوند.

نمونه‌هایی از الگوریتم‌های bracketing عبارتند از:

  • جستجوی فیبوناچی
  •  جستجوی بخش طلایی
  •  روش تقسیم بندی

2. الگوریتم‌های نزول محلی

الگوریتم‌های بهینه سازی نزول محلی برای حل مشکلات بهینه سازی با بیش از یک متغیر ورودی در نظر گرفته شده است. شاید متداول ترین مثال الگوریتم نزول محلی ، الگوریتم جستجوی خط باشد. تغییرات زیادی در جستجوی خط وجود دارد به عنوان مثال الگوریتم Brent Dekker، اما این روش به طور کلی شامل انتخاب جهت حرکت در فضای جستجو و سپس انجام جستجوی نوع bracketing  در جهت انتخاب شده است.

این روند تا زمانی که پیشرفت‌های بیشتری انجام نشود، تکرار می‌شود. محدودیت این است که بهینه سازی هر حرکت جهت‌دار در فضای جستجو از نظر محاسباتی می‌تواند بسیار گران باشد.

3. الگوریتم‌های مرتبه اول

الگوریتم‌های بهینه سازی مرتبه اول شامل استفاده از مشتق اول (گرادیان) برای انتخاب جهت حرکت در فضای جستجو است. روش‌ها شامل محاسبه گرادیان تابع و سپس پیگیری گرادیان در جهت مخالف (به عنوان مثال حداقل سرازیری ) با استفاده از اندازه گام (که نرخ یادگیری نیز نامیده می‌شود) است.

اندازه گام یک فوق پارامتر است که میزان حرکت در فضای جستجو را کنترل می‌کند و بر خلاف "الگوریتم‌های نزول محلی" که یک جستجوی کامل را برای هر حرکت جهت دار انجام می‌دهند است.

اندازه مرحله‌ای که بسیار کوچک است باعث می‌شود جستجو زمان زیادی طول بکشد. در حالی که اندازه مرحله بسیار بزرگ باعث زیگزاگ یا پرش در اطراف فضای جستجو می‌شود و بهینه سازی را به طور کامل از دست می‌دهد. الگوریتم‌های مرتبه اول عموماً به عنوان گرادیان نزول شناخته می‌شوند، و نام‌های خاص‌تر به روش‌های جزئی تر اشاره می‌کنند، به عنوان مثال:

  • نزول گرادیان
  • تکانه
  •  آداگراد
  • RMSProp 
  •  آدم

الگوریتم نزول گرادیان همچنین الگویی را برای نسخه تصادفی محبوب الگوریتم با نام Stochastic Gradient Descent (SGD) فراهم می‌کند که برای آموزش مدل‌های شبکه عصبی مصنوعی (یادگیری عمیق) استفاده می‌شود. تفاوت مهم این است که گرادیان بیشتر از آنکه مستقیماً محاسبه شود، با استفاده از خطای پیش بینی در داده‌های آموزش، مانند یک نمونه (تصادفی)، همه مثال‌ها (دسته‌ای)، یا زیرمجموعه کوچکی از داده‌های آموزشی (مینی بچ)، اختصاص داده می‌شود.

برنامه‌های افزودنی طراحی شده برای تسریع الگوریتم شیب نزولی (حرکت و غیره) معمولاً با SGD  استفاده می‌شوند.

  •  نزول گرادیان تصادفی
  •  نزول دسته‌ای گرادیان
  •  نزول گرادیان مینی بچ

4. الگوریتم‌های مرتبه دوم

الگوریتم‌های بهینه سازی مرتبه دوم شامل مشتق دوم  Hessianبرای انتخاب جهت حرکت در فضای جستجو است. این الگوریتم‌ها فقط برای آن توابع هدف که ماتریس هسیان را می‌توان محاسبه یا تقریب زد مناسب است. نمونه‌هایی از الگوریتم‌های بهینه سازی مرتبه دوم برای توابع هدف تک متغیره عبارتند از :

  •  روش نیوتن
  •  روش ثانویه

روش‌های مرتبه دوم برای توابع هدف چند متغیره، روش‌های شبه نیوتنی نامیده می‌شوند. روش‌های شبه نیوتن زیادی وجود دارد که معمولاً برای توسعه دهندگان الگوریتم نامگذاری شده است.

5. الگوریتم‌های مستقیم

الگوریتم‌های بهینه سازی مستقیم برای توابع هدفی هستند که نمی‌توان مشتقات آن‌ها را محاسبه کرد به عنوان مثال یک وجهی. روش‌های جستجوی مستقیم معمولاً به عنوان « جستجوی الگو » نیز شناخته می‌شوند، زیرا ممکن است با استفاده از اشکال هندسی یا تصمیم‌گیری‌ها، به عنوان مثال الگوها، فضای جستجو را هدایت کنند.
اطلاعات گرادیان به طور مستقیم از نتیجه تابع هدف که تفاوت نسبی بین امتیازات را در فضای جستجو مقایسه می‌کند، تقریب می‌یابد. سپس از این تخمین‌های مستقیم برای انتخاب جهت حرکت در فضای جستجو و مثلث‌سازی ناحیه بهینه استفاده می‌شود.
نمونه‌هایی از الگوریتم‌های جستجوی مستقیم عبارتند از:

  • جستجوی مختصات چرخه ای
  •  روش پاول
  •  روش هوک جیوز
  •  Nelder-Mead Simplex Search 

6. الگوریتم‌های تصادفی

الگوریتم‌های بهینه‌سازی تصادفی، الگوریتم‌هایی هستند که از تصادفی بودن در روند جستجو برای توابع هدف استفاده می‌کنند که مشتقات آنها قابل محاسبه نیست. بر خلاف روش‌های جست‌وجوی مستقیم قطعی، الگوریتم‌های تصادفی معمولاً نمونه‌برداری بیشتری از تابع هدف را شامل می‌شوند، اما قادر به رسیدگی به مشکلات هستند. الگوریتم‌های بهینه سازی تصادفی عبارتند از:

  •  پخت شبیه سازی شده
  •  استراتژی تکامل
  • روش آنتروپی متقابل

7. الگوریتم‌های جمعیت

الگوریتم‌های بهینه‌سازی جمعیت، الگوریتم‌های بهینه‌سازی تصادفی هستند که مجموعه‌ای (جمعیت) از راه‌حل‌ها را حفظ می‌کنند که با هم برای نمونه‌برداری، کاوش، و بررسی یک بهینه استفاده می‌شوند. الگوریتم‌هایی از این نوع برای مسائل عینی چالش‌برانگیزتر در نظر گرفته شده‌اند که ممکن است ارزیابی‌های عملکرد پر سر و صدا و بهینه‌های کلی (چند وجهی) زیادی داشته باشند، و یافتن راه‌حل خوب با استفاده از روش‌های دیگر چالش‌برانگیز یا غیرممکن است. مجموعه این راه حل‌ها استحکام را به جستجو می‌افزاید.

در ادامه  به مقایسه روش‌های مختلف برای بهینه سازی طراحی مدل‌های محاسباتی خواهیم پرداخت. کاربرد مورد نظر این است که به مهندس کمک کند تا هنگام مواجهه با مشکل بهینه سازی قوی، روش بهینه سازی را انتخاب کند.

پنج روش بهینه سازی طراحی قوی، از جمله یک روش جدید، در نشان دادن روش مقایسه وجود دارد که با هم مقایسه شده اند. چهار مورد از پنج روش مقایسه شده شامل مدل‌های جانشین برای کاهش هزینه محاسباتی انجام بهینه سازی طراحی قوی است. از پنج روش برای بهینه سازی چندین توابع ریاضی که باید شبیه به مسئله مهندسی باشند استفاده می‌شود.

سپس از این روش‌ها برای بهینه سازی مشکل مهندسی استفاده می‌شود تا تایید شود که مناسب‌ترین روش بهینه سازی شناسایی شده است. معیارهای عملکرد مورد استفاده عبارتند از: میانگین مقدار و انحراف معیار بهینه قوی و شاخصی که تعداد مورد نیاز شبیه سازی‌های مدل اصلی را با دقت محلول بدست آمده ترکیب می‌کند. این اقدامات نشان دهنده دقت، استحکام و کارایی روش‌های مقایسه شده است.

نتایج مقایسه نشان می‌دهد که بهینه سازی پی در پی روشی است که بهترین تعادل بین دقت و تعداد ارزیابی عملکردها را دارد. این امر با بهینه سازی مسئله مهندسی تأیید می‌شود. این مقایسه همچنین نشان می‌دهد که روش جدید بهتر از روش قدیمی است.

سرفصل‌های دوره آموزش الگوریتم‌های بهینه ‌سازی در R

مقدمه
00:10 ساعت
00:10
Combined Shape Created with Sketch. 2 جلسه
بارم:
0%
نمایش جلسات فصل  

این فصل درباره مباحث آموزشی این دوره بحث می‌کند. 

مقدمه
"10:41
فایل‌های جانبی دوره
"00:03
فصل اول: روش‌های بهینه‌سازی بدون محدودیت
01:21 ساعت
01:16
Combined Shape Created with Sketch. 9 جلسه
بارم:
10%
نمایش جلسات فصل  

در این درس دانشجویان با الگوریتم‌های متداول برای بهینه کردن یک تابع بدون هیچ محدودیتی آشنا می‌شوند. الگوریتم‌های Golden Section Search، Successive Parabola Interpolation و Gradient Descent به همراه مثال‌هایی از کاربرد آنها بحث می‌شوند.

روش‌های بهینه‌سازی بدون محدودیت
"05:46
الگوریتم Golden Section Search
"09:41
الگوریتم Successive Parabola Interpolation
"07:58
اجرای بهینه‌سازی در R
"08:22
الگوریتم Gradient Descent
"12:11
اجرای Gradient Descent در R
"09:32
رگرسیون خطی ساده
"10:16
حل رگرسیون خطی ساده با استفاده از Gradient Descent در R
"12:57
کوییز فصل اول
100.0%
     
"05:00
فصل دوم: برنامه‌ریزی خطی
02:34 ساعت
02:29
Combined Shape Created with Sketch. 16 جلسه
بارم:
10%
نمایش جلسات فصل  

بسیاری از مسائل بهینه‌سازی در کسب و کار را می‌توان در قالب برنامه‌ریزی خطی مدلسازی و حل کرد. مسائل برنامه‌ریزی تولید، طراحی ساختار لجستیک، برنامه ریزی نیروی انسانی و مانند این از جمله مسائل مهمی در حوزه کسب و کار هستند که با برنامه‌ریزی خطی قابل حل هستند.

مقدمه‌ای بر برنامه‌ریزی خطی
"08:56
فرمول‌بندی مسئله
"14:58
پیدا کردن جواب بهینه
"10:20
حل مثال شرکت تولید مبلمان در R
"08:06
مثال مزرعه تولید کانولا و گندم - فرمول‌بندی مسئله
"05:53
حل مثال مزرعه تولید کانولا و گندم در R
"05:01
تفسیر نتایج و تحلیل حساسیت
"06:06
تفسیر نتایج و تحلیل حساسیت در R
"13:03
فرمول‌بندی مسئله حمل و نقل
"12:01
حل مثال مسئله حمل و نقل در R
"14:44
فرمول‌بندی مسئله برنامه‌ریزی نیروی انسانی
"06:19
حل مسئله برنامه‌ریزی نیروی انسانی در R
"07:36
فرمول‌بندی مسئله برنامه‌ریزی تولید
"15:44
حل مسئله برنامه‌ریزی تولید در R
"11:44
حالت‌های خاص در برنامه‌ریزی خطی
"09:07
کوییز فصل دوم
100.0%
     
"05:00
پروژه نهایی
10:00 ساعت
Combined Shape Created with Sketch. 1 جلسه
بارم:
70%
نمایش جلسات فصل  

در این پروژه از مهارت‌هایی که در طول این دوره یاد گرفتید، استفاده خواهید کرد و یک پروژه در حوزه مدیریت لجستیک، اجرا خواهید کرد.

پروژه نهایی الگوریتم‌های بهینه‌سازی در R

 (الزامی)

100.0%
     
"600:00

تالار گفت‌وگو

استاد دوره
فرزاد مینویی فرزاد مینویی

فرزاد مینویی فارغ‌التحصیل رشته مهندسی عمران و مدیریت کسب‌وکار (MBA) از دانشگاه صنعتی شریف است. وی تحصیلات خود را در دکترای مدیریت در دانشگاه کلورادو (University of Colorado) آمریکا ادامه داده است. زمینه‌های تخصصی او تصمیم‌گیری و مدیریت ریسک، هوش تجاری و مدیریت عملیات است.

او تا قبل از ادامه تحصیل در دوره دکترا، در فاصله سال‌های ۱۳۸۴ تا ۱۳۹۴ در نقش‌های مدیریتی و مشاوره‌ای با شرکت‌های بخش خصوصی در ایران همکاری کرده است. در دوره دکترا به‌عنوان محقق بر روی پروژه‌های کاربردی که کارفرمای آن وزارت راه آمریکا و موسسه تحقیقاتی CII بوده، فعالیت کرده است. موسسه تحقیقاتی CII  یک کنسرسیوم از شرکت‌های بزرگ فعال در صنعت نفت و گاز، فنی و مهندسی و تأمین‌کنندگان عمده آمریکاست. نتیجه فعالیت‌های تحقیقاتی او در مجلات معتبر علمی بین‌المللی چاپ شده‌اند.

دکتر مینویی همچنین در چند سال گذشته به‌عنوان استاد مدعو درس هوش تجاری و مدیریت عملیات را برای دوره‌های کارشناسی ارشد دانشگاه تهران و دانشگاه شهید بهشتی برگزار کرده است. مخاطبان عمده این دوره‌ها مدیران ارشد و میانی شرکت‌های ایرانی بوده‌اند. تلاش او در این دوره‌ها این بوده تا با زبانی ساده و کاربردی مدیران صنعت را با مفاهیم تصمیم‌گیری داده محور و هوش تجاری آشنا کند.

وی هم‌اکنون مشاوره چندین شرکت ایرانی است و آن‌ها را برای حرکت به سمت مدیریت داده محور هدایت می‌کند. او امیدوار است با به‌کارگیری تجربه‌های عملی خود در صنعت ایران و آمریکا و ترکیب آن با دانش تخصصی به مدیران کمک کند تا در مورد چالش‌هایی که با آن مواجه هستند، تصمیمات بهتری بگیرند.

اطلاعات بیشتر
درباره گواهینامه
مکتب‌خونه مکتب‌خونه
حد نصاب قبولی در دوره:
80.0 نمره
فارغ‌التحصیل شدن در این دوره نیاز به ارسال تمرین‌ها و پروژه‌های الزامی دارد.

پیش‌نیاز‌های دوره آموزش الگوریتم‌های بهینه ‌سازی در R

آموزش تحلیل داده با زبان برنامه نویسی R (پیشرفته)
اطلاعات بیشتر
آموزش تحلیل داده با زبان برنامه نویسی R (مقدماتی)
اطلاعات بیشتر

ویژگی‌های دوره آموزش الگوریتم‌های بهینه ‌سازی در R

Combined Shape1 Created with Sketch. گواهی‌نامه مکتب‌خونه

در صورت قبولی در دوره، گواهی نامه رسمی پایان دوره توسط مکتب‌خونه به اسم شما صادر شده و در اختیار شما قرار می گیرد.

 

مشاهده نمونه گواهینامه

خدمات منتورینگ

خدمات منتورینگ به معنای برخورداری دانشجو از راهنما یا پشتیبان علمی در طول گذراندن دوره می‌باشد. این خدمات شامل پاسخگویی به سوالات آموزشی(در قالب تیکتینگ)، تصحیح آزمون یا پروژه های دوره و ارائه باز خورد موثر به دانشجو می‌باشد.

پروژه محور

این دوره طوری طراحی شده است که محتوای آموزشی دوره حول چند پروژه واقعی و کاربردی هستند تا یادگیری دانشجو در طول دوره به کاربردهای عملی تبدیل شود و به این ترتیب بالاترین سطح یادگیری را فراهم نمایند.

تمرین و آزمون

با قرار گرفتن تمرین ها و آزمون های مختلف در طول دوره، محیطی تعاملی فراهم شده است تا بهره گیری از محتوا و یادگیری بهتر و عمیق تر شود.

تالار گفتگو

شما می توانید از طریق تالار گفتگو با دیگر دانشجویان دوره در ارتباط باشید، شبکه روابط حرفه ای خود را تقویت کنید یا سوالات مرتبط با دوره خود را از دیگر دانشجویان بپرسید.

تسهیل استخدام

در صورت قبولی در دوره، شما می‌توانید با وارد کردن اطلاعات آن در بخش دوره‌های آموزشی رزومه‌ساز «جاب ویژن»، تایید مهارت خود را در قالب اضافه شدن «مدال مهارت» به روزمه آنلاین خود دریافت نمایید. این مدال علاوه بر ایجاد تمایز در نمایش رزومه شما، باعث بالاتر قرار گرفتن آن در لیست انبوه رزومه‌های ارسالی به کارفرما شده و بدین ترتیب شانس شما را برای استخدام در سازمانهای موفق و پر متقاضی افزایش می‌دهد. 

 

مشاهده اطلاعات بیشتر

نظرات  (5 نظر)

مرضیه
00:09 - 1400/09/29
فارغ‌التحصیل دوره
کیفیت و طبقه بندی مطالب در این دوره مانند دوره‌های قبلی بسیار عالی است. بیان و تسلط استاد در بیان مفاهیم و همچنین مثال‌های کاربردی، به درک مفاهیم کمک زیادی می‌کند. از دکتر مینویی و تیم مکتب خونه بابت این دوره بسیار متشکرم.
مریم
21:17 - 1400/09/12
فارغ‌التحصیل دوره
با عرض سلام و ادب خدمت شما عزیزان من پکیج نرم افزار R را که شامل پنج دوره ( آموزش تحلیل داده با زبان برنامه نویسی R (مقدماتی)، آموزش تحلیل داده با زبان برنامه نویسی R (پیشرفته)، آموزش الگوریتم‌های بهینه ‌سازی در R و Advanced Data Visualization و آموزش آمار کاربردی برای تحلیل داده کسب و کار) است را به اتمام رساندم. در تمامی این دوره ها، سر فصل ها، دسته بندی و شیوه تدریس دکتر فرزاد مینویی بسیار عالی بود. به طوری پس از اتمام هر دوره مشتاق بودم تا هر چه سریعتر دوره بعدی را شروع کنم. همچنین کوییز ها و پروژه های هر دوره، برای من حکم یک جلسه آموزشی مجزا را داشتند. من از شما استاد عزیز بسیار سپاسگزارم، چرا که دید من را نسبت به دنیای برنامه نویسی تغییر دادید. با تشکر از شما تیم مکتب خونه
لاله
17:04 - 1400/09/06
فارغ‌التحصیل دوره
کییفیت تدریس، مطالب، آزمونها و پشتیبانی فوق العاده هست. تنوع مطالب زیاد و مطالب کاربردی و خاص که جاهای دیگر به راحتی نمیشه بهش دست پیدا کرد. تشکر فراوان از استاد گرانقدر جناب آقای دکتر مینویی و تیم مکتب خونه.
احمد
20:08 - 1400/08/10
فارغ‌التحصیل دوره
این دوره، دوره ای است که به ندرت، از این آموزش چه منبع فارسی و چه انگلیسی پیدا میشه. بسیار دوره عالی بود. همچنین از جناب آقای دکتر مینویی عزیز تشکر میکنم. به دوستانی که علاقه مند به حل مساله و چالشها و ریاضیات هستند توصیه می کنم که در این دوره شرکت کنند.
سعید
17:58 - 1400/03/21
فارغ‌التحصیل دوره
یک دوره عالی چیزی رو یاد میگیرید که تو هر کسب و کاری که دارید می‌تونه کمکتون کنه

سوالات پرتکرار

آیا در صورت خرید دوره، گواهی نامه آن به من تعلق می گیرد؟
خیر؛ شما با خرید دوره می توانید در آن دوره شرکت کنید و به محتوای آن دسترسی خواهید داشت. در صورتی که در زمان تعیین شده دوره را با نمره قبولی بگذرانید، گواهی نامه دوره به نام شما صادر خواهد شد.
آیا گواهی‌نامه‌های دانشگاهی به صورت رسمی و توسط دانشگاه مربوطه صادر می‌شود؟
بله؛ گواهی نامه ها توسط دانشگاه مربوطه و با امضای رئیس دانشگاه یا مسئول مربوطه که حق امضای گواهی نامه ها را دارد صادر می شود و گواهی نامه معتبر دانشگاه است که به اسم هر فرد صادر می شود.
حداقل و حداکثر زمانی که می توانم یک دوره را بگذرانم چقدر است؟
برای گذراندن دوره حداقل زمانی وجود ندارد و شما می توانید در هر زمانی که مایل هستید فعالیت های مربوطه را انجام دهید. برای هر دوره یک حداکثر زمان تعیین شده است که در صفحه معرفی دوره می توانید مشاهده کنید که از زمان خرید دوره توسط شما تنها در آن مدت شما از ویژگی های تصحیح پروژه ها توسط پشتیبان و دریافت گواهی نامه بهره مند خواهید بود.
در صورت قبولی در دوره، آیا امکان دریافت نسخه فیزیکی گواهی نامه دوره را دارم؟
خیر، به دلیل مسائل زیست محیطی و کاهش قطع درختان، فقط نسخه الکترونیکی گواهی‌نامه در اختیار شما قرار می‌گیرد
پس از سپری شدن زمان دوره، به محتوای دوره دسترسی خواهم داشت؟
بله؛ پس از سپری شدن مدت زمان دوره شما به محتوای دوره دسترسی خواهید داشت و می توانید از ویدئوها، تمارین، پروژه و دیگر محتوای دوره در صورت وجود استفاده کنید ولی امکان تصحیح تمارین توسط پشتیبان و دریافت گواهی نامه برای شما وجود نخواهد داشت.

×

ثبت نظر

به این دوره از ۱ تا ۵ چه امتیازی می‌دهید؟

مقدمه
00:10 ساعت
00:10
Combined Shape Created with Sketch. 2 جلسه
بارم:
0%
نمایش جلسات فصل  

این فصل درباره مباحث آموزشی این دوره بحث می‌کند. 

مقدمه
"10:41
فایل‌های جانبی دوره
"00:03
فصل اول: روش‌های بهینه‌سازی بدون محدودیت
01:21 ساعت
01:16
Combined Shape Created with Sketch. 9 جلسه
بارم:
10%
نمایش جلسات فصل  

در این درس دانشجویان با الگوریتم‌های متداول برای بهینه کردن یک تابع بدون هیچ محدودیتی آشنا می‌شوند. الگوریتم‌های Golden Section Search، Successive Parabola Interpolation و Gradient Descent به همراه مثال‌هایی از کاربرد آنها بحث می‌شوند.

روش‌های بهینه‌سازی بدون محدودیت
"05:46
الگوریتم Golden Section Search
"09:41
الگوریتم Successive Parabola Interpolation
"07:58
اجرای بهینه‌سازی در R
"08:22
الگوریتم Gradient Descent
"12:11
اجرای Gradient Descent در R
"09:32
رگرسیون خطی ساده
"10:16
حل رگرسیون خطی ساده با استفاده از Gradient Descent در R
"12:57
کوییز فصل اول
100.0%
     
"05:00
فصل دوم: برنامه‌ریزی خطی
02:34 ساعت
02:29
Combined Shape Created with Sketch. 16 جلسه
بارم:
10%
نمایش جلسات فصل  

بسیاری از مسائل بهینه‌سازی در کسب و کار را می‌توان در قالب برنامه‌ریزی خطی مدلسازی و حل کرد. مسائل برنامه‌ریزی تولید، طراحی ساختار لجستیک، برنامه ریزی نیروی انسانی و مانند این از جمله مسائل مهمی در حوزه کسب و کار هستند که با برنامه‌ریزی خطی قابل حل هستند.

مقدمه‌ای بر برنامه‌ریزی خطی
"08:56
فرمول‌بندی مسئله
"14:58
پیدا کردن جواب بهینه
"10:20
حل مثال شرکت تولید مبلمان در R
"08:06
مثال مزرعه تولید کانولا و گندم - فرمول‌بندی مسئله
"05:53
حل مثال مزرعه تولید کانولا و گندم در R
"05:01
تفسیر نتایج و تحلیل حساسیت
"06:06
تفسیر نتایج و تحلیل حساسیت در R
"13:03
فرمول‌بندی مسئله حمل و نقل
"12:01
حل مثال مسئله حمل و نقل در R
"14:44
فرمول‌بندی مسئله برنامه‌ریزی نیروی انسانی
"06:19
حل مسئله برنامه‌ریزی نیروی انسانی در R
"07:36
فرمول‌بندی مسئله برنامه‌ریزی تولید
"15:44
حل مسئله برنامه‌ریزی تولید در R
"11:44
حالت‌های خاص در برنامه‌ریزی خطی
"09:07
کوییز فصل دوم
100.0%
     
"05:00
فصل سوم: بهینه‌سازی غیرخطی
01:22 ساعت
01:17
Combined Shape Created with Sketch. 11 جلسه
بارم:
10%
نمایش جلسات فصل  

برخی از مسائل در حوزه کسب و کار وجود دارند که نمی‌توان با روابط خطی مدلسازی کرد. یکی از مثال‌های معروف انتخاب سبد دارایی مبتنی بر مدل مارکویتز است که در این فصل بحث می‌گردد.

مقدمه‌ای بر بهینه‌سازی غیرخطی
"01:50
بهینه‌سازی قیمت فروش یک تولیدکننده