آموزش الگوریتم‌های بهینه ‌سازی در R

poster
پیش‌نمایش دوره

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، ... ادامه

برگزارکننده:  مکتب‌خونه  مکتب‌خونه
مدرس دوره:
4.8 (6 رای)
سطح: مقدماتی
 پلاس
  
زمان مورد نیاز برای گذراندن دوره:  15 ساعت
مجموع محتوای آموزشی:  5 ساعت ویدئو - 10 ساعت تمرین و پروژه
 (قابل دانلود می‌باشد)
مهلت دوره:  8 هفته
  
حد نصاب قبولی در دوره:  80 نمره
فارغ‌التحصیل شدن در این دوره نیاز به ارسال تمرین‌ها و پروژه‌های الزامی دارد. 
organization-pic  گواهینامه این دوره توسط مکتب‌خونه ارائه می‌شود.
course-feature   گواهی‌نامه مکتب‌خونه course-feature   خدمات منتورینگ course-feature   پروژه محور course-feature   تمرین و آزمون course-feature   تالار گفتگو course-feature   تسهیل استخدام

پیش‌نیاز‌ها

سرفصل‌های دوره آموزش الگوریتم‌های بهینه ‌سازی در R

مقدمه

این فصل درباره مباحث آموزشی این دوره بحث می‌کند. 

  مقدمه
مشاهده
"10:41  
  فایل‌های جانبی دوره
"00:03  
فصل اول: روش‌های بهینه‌سازی بدون محدودیت

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
مشاهده
"05:46  
  الگوریتم Golden Section Search
"09:41  
  الگوریتم Successive Parabola Interpolation
"07:58  
  اجرای بهینه‌سازی در R
"08:22  
  الگوریتم Gradient Descent
مشاهده
"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%    
"05:00  
فصل دوم: برنامه‌ریزی خطی

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
مشاهده
"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
مشاهده
"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%    
"05:00  
فصل سوم: بهینه‌سازی غیرخطی

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
مشاهده
"01:50  
  بهینه‌سازی قیمت فروش یک تولیدکننده
"06:29  
  اجرای بهینه‌سازی قیمت در R
"10:35  
  فرمول‌بندی مسئله بهینه‌سازی قیمت تحت محدودیت تولید
مشاهده
"07:32  
  حل مسئله بهینه‌سازی قیمت تحت محدودیت تولید در R
"05:17  
  بهینه نسبی در مقابل بهینه مطلق
"13:36  
  فرمول‌بندی مدل انتخاب سبد سهام مارکوویتز
"14:19  
  حل مسئله انتخاب سبد سهام مارکوویتز در R
"09:31  
  رابطه بین ریسک و بازدهی در مدل مارکوویتز
"04:03  
  جمع‌بندی درس
"04:14  
  کوییز فصل سوم
 100%    
"05:00  
پروژه نهایی

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%    
"600:00  

ویژگی‌های دوره

گواهی‌نامه مکتب‌خونه
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

ویژگی‌های دوره

خدمات منتورینگ
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.

ویژگی‌های دوره

پروژه محور
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.

ویژگی‌های دوره

تمرین و آزمون
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.

ویژگی‌های دوره

تالار گفتگو
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.

ویژگی‌های دوره

تسهیل استخدام
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.

بررسی فرصت‌های شغلی

درباره دوره

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.

درباره استاد

maktabkhooneh-teacher 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.

مشاهده پروفایل و دوره‌‌های استاد

نظرات کاربران

تا کنون نظری برای این دوره ثبت نشده است. برای ثبت نظر باید ابتدا در دوره ثبت نام کرده و دانشجوی دوره باشید.
مرضیه شفیعی ثابت 1400-09-29
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 تمیمی 1400-09-12
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 صادقي 1400-09-06
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 اسدی امجد 1400-08-10
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 شمس اسفندآبادی 1400-03-21
یک دوره عالی چیزی رو یاد میگیرید که تو هر کسب و کاری که دارید می‌تونه کمکتون کنه
مهدی فرهادخانی 1402-07-09
دوره مفید و کاربردی بود و مسال مفیدی در آن مطرح شد

دوره‌های پیشنهادی

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.

سوالات پرتکرار

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.

سوالات پرتکرار

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.

سوالات پرتکرار

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

سوالات پرتکرار

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.

دوره آموزش الگوریتم ‌‌های بهینه‌ سازی در R 

آموزش الگوریتم ‌‌های بهینه‌ سازی در R یکی از دوره‌های بسیار پرکاربرد و کارامد است که توانسته علاوه بر پژوهشگران علوم اجتماعی، نظر بسیاری از تحلیلگران اقتصادی و دانشجویان مدیریت را به خود جلب کند. بهینه‌سازی به روشی اطلاق می‌شود که به منظور یافتن پارامترهای ورودی به کار گرفته می‌شود و حداقل یا حداکثر خروجی تابع را ارائه می‌دهد. 

الگوریتم‌های بهینه‌سازی در انواع مختلفی وجود دارند که در حل مسائل مرتبط با بهینه‌سازی تابع پیوسته، گروه‌بندی و خلاصه‌سازی مورد استفاده قرار می‌گیرند. از طرف دیگر، امروزه شاهد در دسترس قرار گرفتن زبان‌های برنامه‌نویسی بسیار زیادی هستیم. همین تنوع باعث می‌شود که برنامه نویسان در انتخاب با مشکلاتی مواجه شوند. 

در آموزش الگوریتم ‌های بهینه ‌سازی در R چه مباحثی مد نظر است؟ 

R یک زبان برنامه‌نویسی است که در محاسبات آماری و گرافیک به کار گرفته می‌شود. این زبان نیز به در تجریه و تحلیل داده‌ها مورد استفاده قرار می‌گیرد. در ادامه قصد داریم به مباحثی بپردازیم که در دوره الگوریتم بهینه سازی در r آموزش داده می‌شوند. 

الگوریتم‌های بهینه‌سازی به منظور ارائه راهکار در یک زمان قابل قبول به کار گرفته می‌شوند. شاید الگوریتم‌های بهینه‌سازی بهترین راه حل برای حل مسئله نباشند، اما به عنوان نزدیکترین راه حل به کار گرفته می‌شوند. ترکیب الگوریتم فراابتکاری و بهینه‌سازی در اصلاح کارایی الگوریتم موثر است. 

در دوره آموزش الگوریتم ‌های بهینه‌ سازی در R، کارآموزان با کاربردهای مختلف الگوریتم‌های یادگیری ماشین و نحوه به کارگیری آن‌ها در کسب و کار آشنا خواهند شد. مباحث این دوره به گونه‌ای برگزار می‌شوند که با دنیای کسب و کار مطابقت داشته و بتوان از آن‌ها استفاده کرد. در حقیقت، کارآموزان بعد از گذراندن دوره می‌توانند از آن‌ها در حل مسائل دنیای واقعی استفاده کنند. 

اکثر الگوریتم‌هایی که در زبان r آموزش داده می‌شوند، در پیش‌بینی و کشف الگوها مورد استفاده قرار می‌گیرند. درس بهینه سازی در طراحی و تولید به بیان مفاهیم و اصول پایه بهینه‌سازی پرداخته و کارآموز را با مفهوم تابع هزینه، تابع خطا، تفاوت‌های بین توابع و برازندگی، توابع عملکرد و تابع مطلوبیت آشنا خواهد کرد. در این راستا، بهینه‌سازی سراسری و محلی با ارائه مثال‌هایی عملی مورد بحث قرار خواهند گرفت. 

چه کسانی به آموزش الگوریتم ‌های بهینه‌ سازی در R نیاز دارند؟ 

الگوریتم‌های بهینه‌سازی که به نام optimization Algorithm نیز شناخته می‌شوند، به الگوریتم‌هایی اطلاق می‌شوند که با در نظر گرفتن محدودیت و نیاز یک مسئله در یافتن جواب قابل قبول به کار گرفته می‌شوند. مطالعه جزوه بهینه سازی ترکیباتی در برطرف کردن مشکلات زیادی سودمند خواهد بود.

ترکیب الگوریتم‌های بهینه سازی، الگوریتم‌های ابتکاری و فراابتکاری با یکدیگر در ارائه راه حل‌های جدید موثر خواهد بود. روش‌هایی همچون رگرسیون خطی، لجستیک، خوشه‌بندی و الگوریتم‌هایی همچون Naive Bayes و Apriori در این دوره مورد بحث قرار می‌گیرند. از جمله کسانی که نیاز است دوره آموزش الگوریتم ‌های بهینه‌ سازی در R را بگذرانند، پژوهشگران علوم احتماعی و تحلیل گران اقتصادی هستند. 

دانشجویانی که در رشته مدیریت تحصیل می‌کنند، نیز می‌توانند با گذراندن این دوره به اطلاعات مفیدی دست یابند. به علاوه روزنامه نگاران و دانشجویانی که در رشته‌های مرتبط تحصیل کرده و یا فارغ التحصیل شده اند، از دیگر کاندیدها برای شرکت در دوره آموزش تحلیل داده های آماری محسوب می‌شوند. از دیگر رشته‌هایی که به مباحث مرتبط با بهینه سازی در R نیاز دارند، رشته مهندسی برق است.

کاربرد های آموزش الگوریتم ‌های بهینه ‌سازی در R چیست؟ 

آشنایی و تسلط بر انواع مختلف الگوریتم‌ها می‌تواند نقش مهم و بسزایی در اکثر حوزه‌ها از جمله برنامه‌نویسی و کامپیوتر تا آزمایشات علمی ایفا کند. در این قسمت قصد داریم تا کاربردهای آموزش الگوریتم ‌های بهینه ‌سازی در R، را مورد بحث قرار دهیم. 

 برنامه‌نویسی کامپیوتر

از کاربردهای این رشته می‌توان به حل مشکل اشاره کرد. در این شرایط، ابتدا باید یک نوع الگوریتم ایجاد شود. مهم نیست که قرار است از چه زبانی استفاده کنید. فلوچارت الگوریتم در حل دشوارترین و پیچیده‌ترین مسائل به شما کمک خواهد کرد. 

به طور مثال، فرض کنید در حال نوشتن برنامه‌ای هستید که باید اعداد را از ۱ تا ۲۰ به شکلی اتوماتیک چاپ کند. زمانی که این برنامه اجرا می‌شود، یک متغیر می‌بایست مقداردهی اولیه شده و سپس به یک واحد افزایش داده شود. این کار باید تا زمانی تکرار شود که تعداد به عدد ۲۰ برسد. 

ریاضیات و محاسبات علمی

کاربرد بهینه سازی چند هدفه در آر در حل مسائل ریاضی و علمی را نمی‌توان نادیده گرفت.

 حل مشکلات روزمره

آشنایی و تسلط بر انواع مختلف الگوریتم‌ها فقط به برنامه‌نویسی و مسائل علمی محدود نمی‌شود. با استخراج یک الگوریتم ژنتیک می‌توان مالیات را نیز محاسبه کرد. 

معرفی دوره آموزش الگوریتم‌ های بهینه ‌سازی در R

از مزایای مهم شرکت در دوره آموزش الگوریتم ‌های بهینه‌ سازی در R، باید به مصورسازی که به معنای رسم نمودار می‌باشد، اشاره کرد. گاهی با مشاهده یک نمودار می‌توان به خیلی از مسائل پی برد که مشاهده هزار کلمه از بیان آن ناتوان است. کارآموزان در این دوره می‌توانند داده‌ها را به شکل نمودارهای مختلف نمایش دهاده و به درک تحلیلی قابل استنادی دست یابند. 

این دوره به شکلی گام به گام و کاملا عملی برگزار شده و تمامی مباحث مرتبط با برنامه نویسی، تحلیل آماری، ساختمان داده‌های مختلف، رگرسیون، بردار، ماتریس، آرایه، توابع، داده‌های سری زمانی، تحلیل احساسات به کارآموزان یاد داده خواهد شد. 

در کلاس الگوریتم بهینه‌سازی در r، کارآموز این فرصت را خواهد داشت تا علاوه بر شبیه‌سازی بر نوشتن الگوریتم‌های خاص با استفاده از نرم‌افزار r، مسلط شود. از دیگر مباحثی که توسط اساتید در این دوره آموزش داده می‌شوند، ترسیم نمودار و گراف آماری، منحنی سه بعدی و ترسیم نمودارهای ابتکاری و خلاقانه خواهد بود.

سرفصل‌های دوره آموزش الگوریتم ‌های بهینه‌ سازی در R

در دوره آموزش الگوریتم ‌های بهینه ‌سازی در R، الگوریتم‌های متداولی که در بهینه کردن تابع بدون محدودیت به کار گرفته می‌شوند به کارآموزان معرفی شده و مثال‌هایی برای درک کاربرد آن‌ها ارائه خواهد شد. 

سرفصل‌های دوره الگوریتم بهینه‌سازی عبارتند از: 

·        روش‌های بهینه‌سازی بدون محدودیت

·        الگوریتم Golden Section Search

·        الگوریتم Successive Parabola Interpolation

·        اجرای بهینه‌سازی در R

·        الگوریتم Gradient Descent

·        اجرای Gradient Descent در R

·        رگرسیون خطی ساده

·        حل رگرسیون خطی ساده با استفاده از Gradient Descent در R

·        مقدمه‌ای بر برنامه‌ریزی خطی

·        فرمول‌بندی مسئله

·        تفسیر نتایج و تحلیل حساسیت در R

·        فرمول‌بندی مسئله حمل و نقل

·        حل مثال مسئله حمل و نقل در R

·        فرمول‌بندی مسئله برنامه‌ریزی نیروی انسانی

·        حل مسئله برنامه‌ریزی نیروی انسانی در R

·        فرمول‌بندی مسئله برنامه‌ریزی تولید

·        حل مسئله برنامه‌ریزی تولید در R

·        حالت‌های خاص در برنامه‌ریزی خطی

·        مقدمه‌ای بر بهینه‌سازی غیرخطی

·        بهینه‌سازی قیمت فروش یک تولیدکننده

·        اجرای بهینه‌سازی قیمت در R

·        فرمول‌بندی مسئله بهینه‌سازی قیمت تحت محدودیت تولید

·        حل مسئله بهینه‌سازی قیمت تحت محدودیت تولید در R

·        بهینه نسبی در مقابل بهینه مطلق

·        فرمول‌بندی مدل انتخاب سبد سهام مارکوویتز

·        حل مسئله انتخاب سبد سهام مارکوویتز در R

·        ارتباط مابین ریسک و بازدهی در مدل مارکویتز

بعد از گذراندن دوره آموزش رایگان r، کارآموز مهارت‌هایی را یاد خواهد گرفت که می‌تواند با استفاده از آن‌ها یک پروژه مدیریت لجستیک را به راحتی اجرا کند. 

مخاطبین دوره آموزش الگوریتم ‌های بهینه ‌سازی در R

مطالعات اجتماعی از آن دسته رشته‌هاست که به لطف ظهور روش‌های محاسباتی و حجم گسترده‌ای از داده‌های تولید شده و طی تعامل بشر و کامپیوتر در دوران دیجیتال، تحولات گسترده‌ای را تجربه کرده است. علوم اجتماعی محاسباتی به عنوان رشته‌ای پویا در برطرف کردن مسائل و پدیده‌های اجتماعی پیچیده باید از توان پردازش و محاسبات استفاده کند. 

تکنیک‌های متنوع محاسباتی از جمله داده کاوی، مدل‌سازی مبتنی بر عامل و یادگیری ماشین این قدرت را به محققان می‌دهند تا به تجزیه و تحلیل داده‌ها در مقیاس بزرگ بپردازند و علاوه بر کشف الگوهای پنهان نسبت به شبیه‌سازی سیستم‌های اجتماعی پیچیده اقدام نمایند. 

آموزش الگوریتم ‌های بهینه ‌سازی در R در دانشکده‌های علوم اجتماعی به عنوان الزامی برای تحلیل‌های کمی و گاها کیفی کاربرد دارد. مخاطبین این دوره علاوه بر فعالان حوزه علوم انسانی شامل انجمن جامعه‌شناسی می‌شوند که در حوزه اقتصادی، اجتماعی و سلامت به پژوهش مشغول هستند و هنگام مواجه شدن با داده‌های واقعی، نسبت به بررسی نظریان و فرضیات خود اقدام می‌کنند.

در این دوره، پژوهشگران این فرصت را دارند که با مدرن‌ترین ابزارهای جهان در تحلیل‌های کمی مسلط شوند و بتوانند از آن‌ها برای تعامل با همتایانشان در فضای آکادمیک استفاده کنند. جزوه بهینه سازی خطی رایگان علاوه بر دوره آموزش مذکور به مخاطبین کمک خواهد کرد تا به اطلاعات و دانش کافی برای پژوهش‌های خود دست یابند.

آموزش الگوریتم ‌های بهینه ‌سازی در R در مکتب خونه

در دوره آموزش الگوریتم‌ های بهینه ‌سازی در R در مکتب خونه به بیان چرایی و اهمیت ویژه این دوره آموزشی پرداخته می‌شود. از دیگر مباحثی که کارآموز در این دوره بر آن تسلط خواهد یافت، می‌توان به تعریف مسئله بهینه سازی، انواع تابع هدف، تابع هزینه و خطا، مثال‌هایی عملی از مسائل بهینه‌سازی و نحوه تبدیل مسائل مرتبط با کمینه‌سازی و بیشینه‌سازی اشاره کرد. 

در این دوره، توضیحات مناسبی در مورد نرم‌افزار r نیز ارائه می‌شود. این نرم‌افزار را می‌توان در اموری همچنین تحلیل سری زمانی، رگرسیون از نوع خطی و غیر خطی، کدگذاری، خوشه‌بندی و غیره استفاده کرد. در این دوره یاد خواهید گرفت که چگونه از این نرم‌افزار قدرتمند برای ساخت شکل‌های گرافیکی و نمودارها استفاده کنید. همچنین در مکتب خونه انواع دوره آموزش برنامه نویسی و آموزش R به عنوان مکمل و پیش نیاز این دوره موجود است.

poster
پیش‌نمایش دوره
  
برگزار کننده:  مکتب‌خونه
  
زمان مورد نیاز برای گذراندن دوره:  15 ساعت
مجموع محتوای آموزشی:  5 ساعت ویدئو - 10 ساعت تمرین و پروژه
 (قابل دانلود می‌باشد)
مهلت دوره:  8 هفته
  
حد نصاب قبولی در دوره:  80 نمره
فارغ‌التحصیل شدن در این دوره نیاز به ارسال تمرین‌ها و پروژه‌های الزامی دارد. 
organization-pic  گواهینامه این دوره توسط مکتب‌خونه ارائه می‌شود.
course-feature   گواهی‌نامه مکتب‌خونه course-feature   خدمات منتورینگ course-feature   پروژه محور course-feature   تمرین و آزمون course-feature   تالار گفتگو course-feature   تسهیل استخدام