بهینه‌سازی استوار داده‌محور
برای تصمیم‌گیری مبتنی بر داده‌ در شرایط عدم ‌قطعیت
(با کدنویسی در GAMS و Python)

Data-Driven Robust Optimization for Optimal Decision-Making under Uncertainty

بهینه‌سازی استوار داده‌محور و تصمیم‌گیری مبتنی بر داده

معرفی دوره

عنوان:

بهینه‌سازی استوار داده‌محور برای تصمیم‌گیری مبتنی بر داده‌ در شرایط عدم ‌قطعیت (با کدنویسی در GAMS و Python)

Data-Driven Robust Optimization for Optimal Decision-Making under Uncertainty

وضعیت:

فعال برای درخواست

مدت زمان:

(ارائه در 5 زیردوره 20 ساعته)

مکان:

این دوره به صورت آنلاین و در پلتفرم برگزاری دوره‌های آنلاین همین سایت (آپتیم‌یار) برگزار می‌شود.

بهینه‌سازی استوار داده‌محور، که با عناوین دیگری از جمله بهینه‌سازی استوار مبتنی بر داده نیز شناخته می‌شود و معادل فارسی عبارت Data Driven Robust Optimization است، به عنوان یک رویکرد مدرن بهینه‌سازی و تصمیم‌گیری در شرایط عدم قطعیت‌ شناخته می‌شود و در فضای آکادمیک و صنعتی موردتوجه متخصصین بهینه‌سازی و تحقیق در عملیات قرار گرفته است.
در ادبیات بهینه‌سازی در شرایط عدم‌قطعیت (Optimization under Uncertainty)، رویکردهای مختلفی از جمله برنامه‌ریزی تصادفی، برنامه‌ریزی ریاضی فازی، و بهینه‌سازی استوار مبتنی بر مجموعه‌های محدب مورد استفاده قرار گرفته است و در حال حاضر نیز به توسعه و به‌کارگیری آنها در مسائل مختلفی پرداخته می‌شود. این تکنیک‌ها به طور کامل در آکامی آپتیم‌یار آموزش داده شده است و در دوره بهینه‌سازی استوار و برنامه‌ریزی در شرایط عدم‌قطعیت می‌توانید به آنها دسترسی داشته باشید، و

نه تنها از منظر تئوری و مدل‌سازی، بلکه کدنویسی نرم‌افزاری آن را نیز مسلط شوید.
در توسعه رویکردهای برنامه‌ریزی غیرقطعی، بهینه‌سازی استوار داده‌محور توسعه یافته است که خود در برگیرنده تکنیک‌ها و مدل‌های مختلفی است و در مسائل و کاربردهای متعدد، مورد استفاده قرار می‌گیرد. لازم به توضیح است که تکنیک‌های بهینه‌سازی داده‌محور (Data-Driven Optimization) همگی در دسته بهینه‌سازی استوار قرار نمی‌گیرند چراکه لزوما خاصیت استواری (Robustness) در خروجی همه آنها وجود ندارد. به عنوان مثال، تکنیک‌هایی همچون بهینه‌سازی داده‌محور مبتنی بر استخراج برآورد نقطه‌ای پارامترهای غیرقطعی و یا تخمین توزیع احتمال، هرگز به تنهایی در دسته مدل‌های بهینه‌سازی استوار داده‌محور قرار نمی‌گیرند، بلکه از رویکردهای کلاسیک بهینه‌سازی داده‌محور به حساب می‌آیند. به عبارت دیگر، می‌توان گفت که مدل‌های بهینه‌سازی استوار داده‌محور زیرمجموعه‌ای از مدل‌های بهینه‌سازی داده‌محور است که در آن نه تنها از داده‌های موجود مربوط به پارامترهای غیرقطعی استفاده می‌شود بلکه خاصیت استواری در پاسخ مدل نیز تضمین می‌شود و از محافظه‌کاری شدید مدل‌های بهینه‌سازی استوار کلاسیک کاسته می‌شود.
بهینه‌سازی استوار داده‌محور (DDRO) از شاخه‌های متعددی تشکیل شده است که از مهمترین آنها می‌توان به بهینه‌سازی استوار توزیعی (Distributionally Robust Optimization)، بهینه‌سازی استوار مبتنی بر یادگیری ماشین (Machine-Learning-based Robust Optimization) و بهینه‌سازی استوار مبتنی بر برش مجموعه عدم‌ قطعیت اشاره کرد. البته رویکردهای DDRO ساده‌تری نیز وجود دارد که در ساده‌ترین حالت آنها می‌توان به توسعه مدل CVaR مبتنی بر داده و یا استخراج یک ناحیه اعتماد (Confidence Region) با استفاده از داده‌های در دسترس، اشاره کرد.
بهینه‌سازی استوار مبتنی بر یادگیری ماشین از جمله رویکردهای پرکاربرد DDRO به حساب می‌آید که در آن به برخی از روش‌های یادگیری ماشین نظارت‌شده و یا بدون نظارت، از جمله خوشه‌بندی (Clustering)، ماشین بردار پشتیبان (Support Vector Machine)، تحلیل مؤلفه اصلی (Principle Component Analysis)، هم به بهبود فضای عدم‌قطعیت کلاسیک در بهینه‌سازی استوار پرداخته می‌شود و هم یک فضای عدم‌قطعیت و همتای استوار مبتنی بر یادگیری ماشین، توسعه داده می‌شود.
از میان تکنیک‌های DDRO، بهینه‌سازی استوار توزیعی داده‌محور (Data-Driven Distributionally Robust Optimization) از محبوبیت تئوریک و کاربردی بیشتری برخوردار است و عمده پژوهش‌های مرتبط با این شاخه، در ژورنال‌های بسیار معتبری به انتشار رسیده است. لازم به توضیح است که این به معنای آن نیست که شاخه‌های دیگر از جمله شاخه بهینه‌سازی استوار مبتنی بر یادگیری ماشین اهمیت کمتری دارند، بلکه منظور آن است که این شاخه به دلیل زیرساخت ریاضیاتی و آماری قوی‌تری که دارد، در ژورنال‌های معتبر، با اقبال بیشتری مواجه شده است. بهینه‌سازی استوار توزیعی (DRO)، که به برنامه‌ریزی تصادفی استوار توزیعی (Distributionally Robust Stochastic Programming) نیز معروف است، در اصل یک ایده ترکیبی از بهینه‌سازی استوار و برنامه‌ریزی تصادفی است. در بهینه‌سازی استوار کلاسیک، گرچه با وابستگی کم به داده، صرفا یک مجموعه عدم‌قطعیت تعریف می‌شود، ولی سطح محافظه‌کاری در آن بسیار بالا است. از طرف دیگر، برنامه‌ریزی تصادفی، وابستگی زیادی به توزیع احتمال مرتبط با پارامترهای غیرقطعی دارد و محافظه‌کاری آن نیز خنثی است. به این ترتیب، با ادغام ایده دو رویکرد بهینه‌سازی استوار و برنامه‌ریزی تصادفی، مدل‌های مدرن بهینه‌سازی استوار توزیعی معرفی می‌شود.
در بهینه‌سازی استوار توزیعی (DRO)، به عنوان یکی از مهمترین رویکردهای بهینه‌سازی استوار داده‌محور، ابتدا به تعریف یک مفهوم جدید تحت عنوان مجموعه ابهام (Ambiguity Set) پرداخته می‌شود. مجموعه ابهام در DRO یک خانواده از توزیع‌های احتمال است که با داده‌های موجود، هم‌خوانی/برازش قابل‌قبولی دارد. به عبارت دیگر، به مجموعه ابهام، مجموعه توزیع (Distribution Set) نیز می‌توان گفت. در DRO، بهینه‌سازی به صورتی انجام می‌شود که متوسط عملکرد سیستم در صورت وقوع بدترین توزیع ممکن، بهینه باشد. برای ایجاد مجموع توزیع یا همان مجموعه ابهام در بهینه‌سازی استوار توزیعی داده‌محور، رویکردهای مختلفی وجود دارد که می‌تواند در سه دسته کلی قرار گیرد؛ دسته اول رویکردهای مبتنی بر گشتاور (Moment-based)، دسته دوم رویکرهای مبتنی بر فاصله دیورژانس (Divergence Distance-based) و نهایتا دسته سوم رویکردهای مبتنی بر فاصله متریک (Metric Distance-based) می‌باشند.
لازم به توضیح است که مدل‌های ترکیبی متعددی نیز وجود دارد که در آنها، به عنوان مثال، شاخه DRO با شاخه یادگیری ماشین ترکیب می‌شود. همچنین بهینه‌سازی استوار توزیعی تطبیق‌پذیر داده‌محور (Data-Driven Adaptive Distributionally Robust Optimization) نیز یک شاخه بسیار مفید و کاربردی است که عمدتا به صورت مدل‌های برنامه‌ریزی تصادفی دو/چند مرحله‌ای مطرح می‌شود. آنچه که واضح است، مدل‌های مختلف بهینه‌سازی استوار داده‌محور طی سال‌های 2015 تا 2020 بسیار موردتوجه قرار گرفته و از سال 2020 نیز به توسعه و به‌کارگیری آن در مسائل آکادمیک و صنعتی پرداخته شده است. در فایل PDF زیر، یک مرور کامل از رویکردهای بهینه‌سازی استوار داده‌محور ارائه شده و هر کدام از آنها به طور خلاصه توضیح داده شده است.

+
Edit

برای دسترسی به این فایل آموزشی، باید در سایت آپتیم‌یار عضویت داشته باشید...

رمز فایل کپی شد...

با توجه به اهمیت و کاربرد فراوان موضوع بهینه‌سازی استوار داده‌محور در رشته‌های مختلف مهندسی، علوم پایه و مدیریت، آکادمی آپتیم‌یار به ارائه این دوره‌ آموزشی پرداخته است و تکنیک‌های مختلف آن، در قالب چند زیردوره، آموزش داده می‌شود. در حالت کلی، این دوره با عنوان "بهینه‌سازی استوار داده‌محور برای تصمیم‌گیری مبتنی بر داده‌ در شرایط عدم ‌قطعیت (با کدنویسی در GAMS و Python)" در سایت آپتیم‌یار معرفی شده است و برخی از زیر دوره‌های آن در سرفصل‌های این صفحه مشاهده می‌شود.

ویدئو معرفی دوره

پخش ویدئو

برای دریافت اطلاعات تکمیلی، ویدئو بازپخش کامل وبینار را در ادامه تماشا فرمایید:

Edit

برای دسترسی به این فایل آموزشی، باید در سایت آپتیم‌یار عضویت داشته باشید...

اشتراک‌گذاری:
Share on telegram
Share on whatsapp
Share on facebook
Share on twitter
Share on email
Share on linkedin

برای کسب اطلاعلات بیشتر از محتوای این دوره آموزشی، می‌توانید مستقیما از طریق ID تلگرام زیر با مدرس دوره در ارتباط باشید:

سرفصل‌ها

  • مفاهیم اولیه و مدل عمومی مسائل بهینه‌سازی غیرقطعی (Optimization under Uncertainty Models)
  • مفهوم استواری در بهینه‌سازی تحت عدم ‌قطعیت (Robustness for Optimization under Uncertainty)
  • مروری بر تعاریف اولیه و تاریخچه بهینه‌سازی استوار (History of Robust Optimization)
  • تعریف بهینه‌سازی استوار در حالت سخت‌گیرانه (Worst-case Robust Optimization Definition)
  • مهمترین مجموعه‌های عدم‌قطعیت (Uncertainty Set)
  • مفهوم همتای استوار و نحوه بدست آوردن آن (Robust Counterpart)
  • مرور همتای استوار در مجموعه عدم‌قطعیت نُرمیک جعبه‌،  بیضی، لوزی، اشتراکی، بودجه، چندوجهی و ...
  • مروری بر برنامه‌ریزی تصادفی (Overview of Stochastic Programming) 
  • مقایسه برنامه‌ریزی تصادفی و بهینه‌سازی استوار کلاسیک (Classical Robust Optimization V.S. Stochastic Programming) 
  • برنامه‌ریزی در شرایط عدم‌قطعیت با استفاده از داده‌های در دسترس
  • رویکردهای کلاسیک و مدرن تصمیم‌گیری و بهینه‌سازی داده‌محور (Classical and Modern Data-Driven Optimization Approaches)
  • بهینه‌سازی داده‌محور مبتنی بر استخراج برآورد نقطه‌ای و فاصله‌ای (Point/Interval Estimate for Data-Driven Optimization)
  • بهینه‌سازی داده‌‌محور مبتنی بر استخراج توزیع احتمال (Probability Distribution for Data-Driven Optimization)
  • بهینه‌سازی داده‌محور مبتنی بر استخراج سناریو‌ (Scenario Generation for Data-Driven Optimization)
  • چرایی عدم استواری در رویکردهای کلاسیک بهینه‌سازی داده‌محور
  • بهینه‌سازی استوار داده‌محور (Data-Driven Robust Optimization [DDRO] )
  • رویکردهای مدرن تصمیم‌گیری بهینه در شرایط عدم‌قطعیت مبتنی بر بهینه‌سازی استوار داده‌محور
  • انواع مدل‌های بهینه‌سازی استوار داده‌محور
  • بهینه‌سازی استوار داده‌محور با برای کاهش محافظه‌کاری بالا با برش ناحیه غیرضروری
  • اصول بهینه‌سازی در شرایط عدم ‌قطعیت و مفهوم استواری (Optimization under Uncertainty & Robustness)
  • تصمیم‌گیری داده‌محور و بهینه‌سازی استوار داده‌محور (Data Driven Robust Optimization [DDRO])
  • رویکردها و تکنیک‌های کلاسیک و مدرن بهینه‌سازی تحت عدم‌قطعیت (Classical & Modern Techniques)
  • بهینه‌سازی استوار داده‌محور با کاهش محافظه‌کاری و تضمین سطح اطمینان احتمالی
  • بهینه‌سازی استوار داده‌محور مبتنی بر یادگیری ماشین (Machine-Learning-based Data-Driven Robust Optimization)
  • بهینه‌سازی استوار توزیعی داده محور ( Data-Driven Distributionally Robust Optimization [DRO])
  • مجموعه ابهام گشتاوری و فاصله‌ای در بِهینه‌سازی استوار توزیعی (Ambiguity Set in DRO [Moment – Metric - Divergence])
  • بهینه‌سازی استوار توزیعی تطبیق‌پذیر داده‌محور (Adaptive Distributionally Robust Optimization [ADRO])
  • اعتبارسنجی و ارزیابی عملکرد مدل‌های بهینه‌سازی استوار داده‌محور (Validation of DDRO Models)

منابع مرتبط

  • Papi, A. (2022). Data-Driven Robust Optimization for Optimal Decision-Making under Uncertainty: An Overview of Classical to Modern Approaches. Course Presentation
  • Bertsimas, D., Gupta, V., & Kallus, N. (2018). Data-driven robust optimization. Mathematical Programming, 167(2), 235-292.
  • Mohajerin Esfahani, P., & Kuhn, D. (2018). Data-driven distributionally robust optimization using the Wasserstein metric: Performance guarantees and tractable reformulations. Mathematical Programming, 171(1), 115-166.
  • Kuhn, D., Esfahani, P. M., Nguyen, V. A., & Shafieezadeh-Abadeh, S. (2019). Wasserstein distributionally robust optimization: Theory and applications in machine learning. In Operations research & management science in the age of analytics (pp. 130-166). Informs.
  • Lin, F., Fang, X., & Gao, Z. (2022). Distributionally Robust Optimization: A review on theory and applications. Numerical Algebra, Control & Optimization, 12(1), 159.
  • Delage, E., & Ye, Y. (2010). Distributionally robust optimization under moment uncertainty with application to data-driven problems. Operations research, 58(3), 595-612.
  • Bertsimas, D., Sim, M., & Zhang, M. (2019). Adaptive distributionally robust optimization. Management Science, 65(2), 604-618.
  • Goh, J., & Sim, M. (2010). Distributionally robust optimization and its tractable approximations. Operations research, 58(4-part-1), 902-917.
  • Wiesemann, W., Kuhn, D., & Sim, M. (2014). Distributionally robust convex optimization. Operations Research, 62(6), 1358-1376.
  • Ning, C., & You, F. (2018). Data-driven stochastic robust optimization: General computational framework and algorithm leveraging machine learning for optimization under uncertainty in the big data era. Computers & Chemical Engineering, 111, 115-133.
  • Guevara, E., Babonneau, F., Homem-de-Mello, T., & Moret, S. (2020). A machine learning and distributionally robust optimization framework for strategic energy planning under uncertainty. Applied Energy, 271, 115005.
  • Shang, C., Huang, X., & You, F. (2017). Data-driven robust optimization based on kernel learning. Computers & Chemical Engineering, 106, 464-479.
  • Ning, C., & You, F. (2019). Optimization under uncertainty in the era of big data and deep learning: When machine learning meets mathematical programming. Computers & Chemical Engineering, 125, 434-448.
  • Ning, C., & You, F. (2018). Data-driven decision making under uncertainty integrating robust optimization with principal component analysis and kernel smoothing methods. Computers & Chemical Engineering, 112, 190-210.
  • Zhu, T., Xie, J., & Sim, M. (2022). Joint estimation and robustness optimization. Management Science, 68(3), 1659-1677.
  • Han, B., Shang, C., & Huang, D. (2021). Multiple kernel learning-aided robust optimization: Learning algorithm, computational tractability, and usage in multi-stage decision-making. European Journal of Operational Research, 292(3), 1004-1018.
  • Faccini, D., Maggioni, F., & Potra, F. A. (2022). Robust and Distributionally Robust Optimization Models for Linear Support Vector Machine. Computers & Operations Research, 147, 105930.
  • Shang, C., Huang, X., & You, F. (2017). Data-driven robust optimization based on kernel learning. Computers & Chemical Engineering, 106, 464-479.

سوالات متداول

بله، برحسب اعتماد گروه آپتیم‌یار به تمام فراگیران عزیز، با نظر مدرس دوره، ویدئو بازپخش هر بخش، یک سال در داشبورد شخصی هر فراگیر در سایت آپتیم‌یار قرار می‌گیرد. لازم به توضیح است که بعد از این مدت، در صورت صلاحدید مدرس دوره، امکان بارگذاری مجدد محتوا وجود دارد.

ویدئو هر جلسه در داشبورد شخصی شما قرار دارد و به صورتی برنامه‌ریزی شده است که فقط روی یک سیستم و با کد شخصی شما قابل پخش باشد. برای حفظ حقوق مدرسین گروه تخصصی آپتیم‌یار، لطفا از اشتراک‌گذاری خودداری نمایید.

گرچه سیاست اصلی ما این است که ویدیو فقط در داشبورد شخصی افراد شرکت‌کننده در دوره قرار گیرد، ولی برای این مورد می‌توانید با شماره تماس 09120044190 (به صورت پیامک/تلگرام) در ارتباط باشید.

لطفا به احترام حقوق مدرس و همچنین سایر شرکت کنندگان، فقط فرد ثبت‌نام ‌کننده حضور داشته باشد.

بله، در انتهای دوره (و یا تماشای ویدیو دوره توسط فراگیر)، در بخش گواهی‌ها درخواست داده می‌شود و بعد از تایید مدرس، گواهی اصلی آپتیم‌یار صادر می‌شود.

بله؛ به طور کامل.

بله؛ افراد شرکت‌کننده در هر دوره به گروه مرتبط با آن دوره اضافه می‌شوند و علاوه بر تعامل و هم‌فکری با یکدیگر طی و بعد از دوره، مدرس دوره هم در حد توان و وجود زمان، با آنها هم‌فکری دارد.

این مورد در اختیار مدرس دوره است. در صورت تمایل مدرس، کدها در داشبورد فراگیر قرار می‌گیرد و می‌تواند فقط و فقط به صورت شخصی استفاده نماید.

برای ثبت‌نام‌‌های زودهنگام معمولا تخفیف لحاظ می‌شود.

برای پاسخ به این مورد باید با مدرس دوره در ارتباط باشید.

 

مدرس دوره

دکتر علی پاپی
Ali Papi

  • مقطع/مدرک تحصیلی: دانشجوی دکتری مهندسی صنایع و سیستم [بهینه‌سازی و تحقیق در عملیات]
  • تخصص شاخص: بهینه‌سازی و تحقیق در عملیات، یادگیری ماشین و علم تحلیل داده، تکنیک‌های تجزیه و روش‌های حل دقیق، بهینه‌سازی استوار داده‌محور، هوش محاسباتی و الگوریتم‌های فراابتکاری، نظریه بازی، بهینه‌سازی چندهدفه و تصمیم‌گیری چندمعیاره

    Optimization & Operations Research, Machine Learning & Data Analytics, Computational Intelligence & Metaheuristics, Decomposition Techniques & Exact Methods, Data-Driven Robust Optimization, Game Theory, Multi Criteria Decision Making

  • علاقه‌مندی‌: بکارگیری مدل‌های بهینه‌سازی استوار داده‌محور و رویکردهای حل هوشمند و دقیق برای حل مسائل مختلف صنعتی/سازمانی
  • زبان/نرم‌افزار شاخص‌: GAMS, IBM CPLEX, MATALB, Python, C++, MiniZinc, Vensim

ثبت‌نام
برای شرکت در این دوره و دسترسی به محتوا از راه‌های ارتباطی زیر اقدام نمایید:
ارتباط مستقیم با مدرس دوره:
درخواست مشاوره و ثبت‌نام در این دوره:

دیدگاه و سوالات

(برای تسریع در فرایند بررسی و پاسخ به سوال شما، پیشنهاد می‌شود در سایت عضویت داشته باشید.)
19 دیدگاه/سوال
جدید‌ترین
قدیمی‌ترین محبوب‌ترین
بازخورد داخلی
نمایش تمام دیدگاه‌ها
سید مهدی ذهبی

خیلی عالیه خیلی عالی خیلی عالیه. سرفصل ها و فایل pdf رو خیلی نشون میده حرفه ای بودن این مدرس رو. خوشحالم که این دوره رو میبینم و خواهش میکنم اگر میشه توی جولیا هم کد کنید. میدونم گمز و پایتون/پایومو خیلی درخواست داره ولی لااقل بعدا برای جولیا هم تکرار کنید (من همه رو میام بخدا 🙂 )

Mahdi Mirzaei

سلام. چرا این دوره بصورت انلاین برگزار نمیشه؟

سمانه
پاسخ به  Mahdi Mirzaei

آنلاین هم هست. البته من با دوستم آنلاین خصوصی هستیم الان. فکر کنم بیشتر درخواست خصوصی دادن بشون ولی من از خود دکتر پاپی پرسیدم میگفتن بعد از کلاس های خصوصی میخوان به صورت عمومی برگزار کنن (نمیدونم البته منظورشون آنلاین بود یا حضوری که فکر کنم همون آنلاین باشه چون خیلی از دانشجوهاشون ایران نیستن). سرفصل هاش خیلییی زیاده و کاستومیایز میکنه به انتخاب خود دانشجوها در کلاس های خصوصی و این بنظرم نقطه قوت ایشون هست.

عادل اعظمی

سلام و خسته نباشید خدمت دکتر پاپی و تیم زحمت کش آپتیم یار. به جرئت میتونم بگم که نظیر دوره های آکادمی آپتیم یار وجود نداره و دانش دکتر پاپی در زمینه هایی که ادعا کردند تخصص دارند؛ یگانه و بی نهایت هست و کیفیت مطالب و دقت و علم ایشون کاملا اثبات شده هستند…….خواستم صمیمانه تشکر کرده باشم از زحماتی که می کشند و همیشه به روز ترین مطالب علمی را به زبان ساده در اختیار دانشجوها و پژوهشگرها قرار میدند. واقعا خسته نباشید

جواد حسن پور

اون فایل pdf خود دکتر پاپی رو خوندم کامل میشه به تسلط عالی ایشون پی برد. بینهایت ممنونم. دکتر دوستم ( سعید فلاح پور) پارسال که خصوصی باتون این دوره رو گذروندن گفتن توی پایتون نمیدونم یا پایومو و سیپلکس بشون گفتید. میشه لطفا این بار در C++ بگید؟ برای پروژه خودم یامه شاخه و قیمت رو برام توی C++ زدید واقعا هنوز اینجا پیش دوستام تعریفتون رو میکنم. اون دوره بهینه سازی توی C++ و تجزیه بندرز که با سعید دونفری پیش تون بودیم رو هیچ وقت فراموش نمیکنم) کانادا اومدی پیش ما هم بیا دکتر جان کیف میگنیم کارات رو میبینم بخدا

سید امین رضا

فقط میتونم بگم عالی و خدا خیرتون بده. همین.

مهسا

فکر کنم من اولین کسی بود که تقریبا بالای 50 درصد این محتوا رو با دکتر پاپی گذروندم. البته من بیشتر شاخه توزیعی و شاخه های کلاسیک رو کار کردم و خیلی خوب بود که همراه با اون پایومو رو هم بهم توضیح دادن مسلط شدم. دوستم البته شاخه یادگیری ماشین رو کار کرد و میگفت راحت تره شاخه توزیعی هست.

صادق محمدزاد

فقط میتونم بگم پرفکت و عالیه. البته من یکی دو بار با خود دکتر پاپی و تیم پشتیانی ارتباط گرفتم ظاهرا درخواست کلاس های خصوصی شون خیلی بالاست و عمومی کمی کمتر برگزار میکنن. ولی یک جلسه در یکی از کلاس های خصوصی جوین شدم. راستش خیلی خوب بود (حیف پول نداشتم :))) ) خداقوت و واقعا عالی و نامبر وان هستی توی بهینه سازی

محمد حسین پوررضایی

من دوره بهینه سازی استوار و برنامه ریزی در شرایط عدم قطعیت دکتر پاپی رو گذرونم. این دوره رو نیاز دارم؟ واقعا اونجا به اندازه یک دریاااا نکته گفت من حالا حالا ها نمیتونم اونا رو هضم کنم اینم بیام دکتر :)) ؟ انقدر سرفصل ها رو خوشگل تعریف میکنی ادم هوایی میشه بیاد 🙂

وحید

سرفصل ها خیلی کامل هستن. با شناختی که از مدرس دوره قبلا در گروه تلگرامشون داشتم، مطمئنم خیلی این سرفصل ها رو مسلط هستن. بی صبرانه منتظریم.

پریسا صدیقی

خیلی خیلی مفید. من قبلا خصوصی این دوره حضوری پیش خود دکتر پاپی میرفتم قبل از اینکه برم کانادا و پارسال مباحث بهینه سازی استوار داده محور با یادگیری ماشین رو واقعا خیلی عمیق تدریس کردن و خیلی راضی ام.

محدثه

من آخرین صحبتی که توی تلگرام با خود دکتر پاپی داشتم گفتن که محتوا کمی پیش نیاز داره و در یک وبینار توضیح میدن. تاریخ وبینار کی هست؟

رضا

عااااااااالیه این. هنوز توی خیلی از دانشگاه های معتبر دنیا هم همچین کورس پر محتوایی برگزار نمیشه. البته من قبلا دوره جامع بهینه سازی استوار و برنامه ریزی در شرایط عدم قطعیت دکتر پاپی رو گذرونم و بنظرم پیش نیاز این باشه چون کمی سخت هستن اینا به ظاهر. مرسی دکتر پاپی مرسی آپتیم یار

سید فرشاد

باز اومدیم آپتیم یار و علی جان ی دوره طلایی دیگه مثل خودش تعریف گرده. خیلی خوبی تو پسر

النا رحمانی

آپتیم یار واقعا بهترین دوره های بهینه سازی رو برگزار میکنه. ممنونم از این تیم خوب بخصوص مدرس خوبشون دکتر پاپی