یکی از پرکاربردترین دروس در علوم مهندسی، از مهندسی کامپیوتر گرفته تا مهندسی عمران و مهندسی برق و مهندسی صنایع «درس بهینهسازی» است. علاوه بر کاربرد بسیار زیاد بهینهسازی باید گستردگی مطالب و سرفصلهای این ... ادامه
در این دوره سعی شده است مطالب با زبان ساده و روان به دانشجویان ارائه شود. اما آشنایی با مباحث جبر خطی و کار با توابع چندمتغیره موجب یادگیری سریعتر و عمیقتر دانشجویان میشود. اگرچه در جلساتی از این دوره پیشنیازهای ضروری شرح داده میشود.
منابع استفاده شده در این دوره شامل دو کتاب اصلی زیر میشود:
1. Boyed, L. Vandenberg, Convex optimization, Cambridge
2. J. Nocedal, S. J. Wright, Numerical Optimization, Springer
یکی از پرکاربردترین دروس در علوم مهندسی، از مهندسی کامپیوتر گرفته تا مهندسی عمران و مهندسی برق و مهندسی صنایع «درس بهینهسازی» است. علاوه بر کاربرد بسیار زیاد بهینهسازی باید گستردگی مطالب و سرفصلهای این درس را نیز در نظر داشته باشیم. این گستردگی مفاهیم و کاربردها، نیاز به آموزش صحیح و اصولی این درس را مهمتر از همیشه کرده است.
کاربرد بسیار زیاد بهینهسازی در علوم مهندسی و عدم آموزش اصولی و منسجم دانشجویان در این درس منجر به آن میشود که دانشجویان نتوانند بهدرستی از روشهای بهینهسازی استفاده نمایند. هدف در این دوره آموزشی «بررسی منسجم الگوریتمهای بهینهسازی» و آشنایی مخاطبان با روشهای مختلف بهینهسازی و شرایط بهکارگیری این روشها است. آموزش کاربردی بهینهسازی در این دوره موردتوجه زیادی قرار گرفته است.
در این دوره آموزشی علاوه بر تعاریف اولیه و مقدماتی، مسائل مرتبط با بهینهسازی در یادگیری ماشین (machine learning) با عمق مناسب پوشش داده شده است. مطالب آموزشدادهشده در این دوره به سه بخش تئوری، الگوریتمها و کاربردها تقسیمبندی میشود. بخش تئوری شامل پیشنیازهای ریاضیاتی، مجموعههای محدب، توابع محدب، مسائل بهینهسازی محدب و تئوری دوگانی است. در ادامه این دوره الگوریتمها در بخشهای الگوریتمهای بهینهسازی بدون قید، الگوریتمهای بهینهسازی با قید تساوی، روشهای نقطه درونی و الگوریتمهای مطرح در یادگیری عمیق آموزش داده میشود. در بخش کاربردها نیز به کاربردهای بهینهسازی در مسائل تقریب، دستهبندی و تخمین آماری پرداخته شده است.
تلاش ما در این دوره آموزشی آن است که باتوجهبه گستردگی سرفصلها و مطالب موجود همه موضوعات با عمق مناسب پوشش داده شود و در انتها تناسب کامل بین گستردگی مطالب و عمق آموزش برقرار شود.
باتوجهبه مطالب ارائه شده در این دوره و گستردگی این مطالب میتوان انتظار داشت دانشجویان بهرهبرداری بسیار زیادی از این دوره داشته باشند. از جمله مسائلی در پایان این دوره میتوانید به آموختههای خود اضافه کنید میتوان به موارد زیر اشاره کرد:
این دوره آموزشی با رویکرد آموزش به دانشجویان مهندسی کامپیوتر بهویژه دانشجویان گرایش هوش مصنوعی در تحصیلات تکمیلی طراحی شده است. اما باتوجهبه گستردگی موضوعات و مطالب ارائه شده و از سوی دیگر نیاز به درس بهینهسازی در سایر شاخههای مهندسی استفاده از این دوره آموزشی برای دانشجویان سایر رشتهها از مهندسی برق و عمران و مهندسی پزشکی گرفته تا مهندسی صنایع مفید و کاربردی خواهد بود.
اطلاعات بیشتر
از مجموع 43 امتیاز
24 نظرنظرات بیشتر
مدرس: جمعی از اساتید
مدرس: جادی میرمیرانی
دانشگاه علم و صنعت
مدرس: محمدرضا محمدی
مدرس: علی مسفروش
دکتر مریم امیرمزلقانی از سال 1390 به عنوان هیات علمی دانشکده مهندسی کامپیوتر دانشگاه صنعتی امیرکبیر مشغول به کار هستند. ایشان در حال حاضر دانشیار گروه هوش مصنوعی دانشکده مهندسی کامپیوتر بوده و علایق تحقیقاتی ایشان شامل یادگیری ماشین، پردازش تصویر، مدلسازی آماری و بهینه سازی در مسایل یادگیری ماشین است.
وی مدرک دکترای مهندسی برق-مخابرات را از دانشگاه صنعتی امیرکبیر در سال 1388، مدرک کارشناسی ارشد مهندسی برق مخابرات را از دانشگاه صنعتی شریف در سال 1384 و مدرک کارشناسی مهندسی برق را از دانشگاه علم و صنعت در سال 1382 کسب کرده است.
اطلاعات بیشتر