بهینه‌سازی استوار و برنامه‌ریزی تصادفی تطبیق‌پذیر همراه با یادگیری ماشین

Robust Optimization, Stochastic Programming, and Multi-Stage Adaptive Robust Optimization with Machine Learning

بهینه‌سازی استوار و برنامه‌ریزی تصادفی تطبیق‌پذیر همراه با یادگیری ماشین

معرفی دوره

عنوان:

بهینه‌سازی استوار و برنامه‌ریزی تصادفی تطبیق‌پذیر همراه با یادگیری ماشین (با کدنویسی نرم‌افزاری)

Robust Optimization, Stochastic Programming, and Multi-Stage Adaptive Robust Optimization with Machine Learning

چکیده:

در اینجا چکیده می آید.

وضعیت:

برگزار شده (ویدیو در دسترس)

مدرس و برگزارکننده:

دکتر علی پاپی ( آکادمی تخصصی آپتیم‌یار )

مناسب برای:

رشته‌های مهندسی، علوم پایه و مدیریت (از جمله ریاضیات، صنایع/سیستم، کامپیوتر، برق، انرژی، عمران، نفت/شیمی، مکانیک، حمل‌‌ونقل، اقتصاد و ...) و به طور کلی، هر زمینه آکادمیک و یا صنعتی/سازمانی مرتبط با مباحث برنامه‌ریزی، تصمیم‌گیری، بهینه‌سازی و تحلیل

توضیحات

برای دریافت اطلاعات تکمیلی، ویدئو معرفی دوره زیر را تماشا بفرمایید:

ویدئو معرفی دوره

پخش ویدئو

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

Edit

برای تماشای ویدئوی کامل این وبینار به حساب کاربری خود وارد شوید...

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:

توضیحات

سرفصل‌ها

  • مفاهیم اصلی و پایه بهینه‌سازی تحت عدم‌قطعیت (Optimization under Stochastic Uncertainty)
  • عدم‌قطعیت‌های تصادفی، چندمرحله‌ای/پویا (Dynamic & Stochastic Uncertainties)
  • تفاوت رویکرد مقدار اسمی/متوسط با رویکرد برنامه‌ریزی
  • تصمیمات مرحله اول (Here and Now) و تصمیمات تعدیل‌کننده (Wait and See)
  • اصول و مفاهیم استواری و دو خاصیت Optimality Robustness و Feasibility Robustness در برنامه‌ریزی تحت عدم‌قطعیت
  • اصول و مفاهیم تطبیق‌پذیری (Adaptivity) و تعدیل‌پذیری (Adjustability) در برنامه‌ریزی چندمرحله‌ای و پویا تحت عدم‌قطعیت
  • مدل برنامه‌ریزی تصادفی با رویکردهای Risk Neutral‌ و Risk-Averse
  • برنامه‌ریزی مقید به شانس احتمالی (Chance Constrained Programming)
  • مدل برنامه‌ریزی تصادفی درجه اطمینان (Reliability)
  • مدل برنامه‌ریزی تصادفی سناریومحور
  • انواع رویکردهای استواری پاسخ برنامه‌ریزی تصادفی سناریو‌محور

  • مدل‌سازی عدم‌قطعیت با رویکرد Chance Constrained Programming و CCP Counterpart مدل‌های بهینه‌سازی تحت عدم‌قطعیت تصادفی
    • مدل‌سازی و نحوه بدست آوردن همتای CCP قیود مختلف
    • نقاط ضعف و قوت رویکرد CCP و تحلیل پیچیدگی مدل‌های آن
    • کدنویسی و پیاده‌سازی مدل‌های CCP

  • رویکرد برنامه‌ریزی تصادفی سناریومحور (Scenario-based Stochastic Programming)
    • رویکرد SSP تک‌مرحله‌ای
    • رویکرد SSP دومرحله‌ای
      • تشخیص متغیرهای Here and Now از متغیرهای Wait and See
      • مدل‌سازی مسائل بهینه‌سازی تعدیل‌پذیر تحت عدم‌قطعیت با رویکرد SSP
      • مدل SSP دومرحله‌ای کلاسیک
    • کدنویسی و پیاده‌سازی مدل‌های SSP ریسک خنثی (Risk Neutral)
    • کدنویسی و پیاده‌سازی مدل‌های SSP ریسک گریز (Risk-Averse)
    • نقاط ضعف و قوت رویکرد‌های SSP
  • مدل SSP استوار با رویکرد ترکیبی Risk-Averse و Risk Neutral
    • مکانیزم تنظیم بهینه‌ ریسک‌گریزی با مفهوم کشش (Elasticity)
    • مدل SSP استوار ترکیبی RN-RA
    • کدنویسی و پیاده‌سازی مدل SSP استوار ترکیبی RN-RA
    • تحلیل نتایج و نقاط ضعف و قوت
  • ارزیابی و اعتبارسنجی مدل‌های رویکردهای برنامه‌ریزی تصادفی
    • معیار VSS
    • معیار Relative VSS
    • معیار EVPI
    • ارزیابی با استفاده Realization مبتنی بر مفاهیم Optimality Robustness و Feasibility Robustness

  • مدل SSP با رویکرد p-Robust
    • مدل SSP با رویکرد p-Robust در برقراری قیود (Feasibility-based p-Robust)
    • مدل SSP با رویکرد p-Robust در بهینگی تابع هدف (Optimality-based p-Robust)
    • کاربرد رویکرد p-Robust در مدل‌سازی اختلال (Disruption)
    • کدنویسی و پیاده‌سازی مدل p-Robust
    • تحلیل نتایج و نقاط ضعف و قوت

  • مدل SSP استوار با رویکرد مالوی Mulvey مبتنی بر کاهش واریانس
    • مدل SSP استوار Mulvey در حالت غیرخطی
    • انواع خطی‌سازی (Linearization) توابع کوادراتیک و قدرمطلق بدون نیاز به متغیر باینری
    • مدل SSP استوار مبتنی بر کاهش انحراف معیار
    • نحوه تنظیم بهینه ضرایب/پارامترهای مدل SSP استوار (ضرایب استواری بهینگی و استواری شدنی‌بودن)
    • حالت‌های حدی در مدل SSP استوار مبتنی بر کاهش نوسانات
    • کدنویسی و پیاده‌سازی مدل SSP استوار Mulvey و مشتقات آن
    • تحلیل نتایج و نقاط ضعف و قوت

  • مدل بهینه‌سازی استوار کمینه‌سازی حداکثر تاسف/پشیمانی (Minimax Regret Robust Optimization)
    • پروسه بدست آوردن پاسخ بهینه هر سناریو در رویکرد MMRRO
    • فرمولاسیون تاسف مطلق و تاسف نسبی (Absolute Regret and Relative Regret)
    • مدل MMRRO مبتنی بر Absolute Regret
    • ‌ مدل MMRRO مبتنی بر Relative Regret
    • مقایسه مدل‌های مختلف MMRRO
    • کدنویسی و پیاده‌سازی مدل‌های MMRRO
    • تحلیل نتایج و نقاط ضعف و قوت

  • مدل SSP استوار با رویکرد Aghezzaf مبتنی بر ترکیب MMRRO و عملکرد متوسط
    • چرایی ترکیب تابع هدف مدل Risk-Neutral و تابع هدف مدل MMRRO
    • ‌ مدل SSP استوار Aghezzaf
    • وسعه ‌مدل SSP استوار Aghezzaf مبتنی بر Relative Regret
    • ‌ نحوه تنظیم بهینه ضرایب/پارامترهای مدل SSP استوار Aghezzaf
    • مقایسه خروجی مدل کلاسیک Risk-Neutral مدل ترکیبی Aghezzaf
    • کدنویسی و پیاده‌سازی مدل‌های SSP استوار ترکیبی Aghezzaf
    • تحلیل نتایج و نقاط ضعف و قوت
  • دیگر ایده‌های ترکیبی مبتنی بر مفهوم Regret
    • بهینه‌سازی متوسط عملکرد با حفظ حداکثر Regret
    • کمینه‌سازی Regret با کنترل متوسط عملکرد
    • کنترل Regret در کنار نوسانات
    • و ...

  • بهینه‌سازی تحت عدم‌قطعیت تصادفی مبتنی بر سنجه‌های VaR و CVaR
    • مفهوم ارزش در معرض ریسک (Value-at-Risk) و فرمولاسیون آن
    • مفهوم ارزش در معرض ریسک شرطی (Conditional Value-at-Risk) و فرمولاسیون آن
    • خواص سنجه CVaR و مزیت‌های آن
    • ‌ مدل SSP با سنجه CVaR و فرمولاسیون خطی آن
    • کاربرد مدل CVaR در مهندسی مالی و بهینه‌سازی/انتخاب پورتفولیو (Portfolio Optimization)
    • ارتباط مدل‌های VaR، CVaR، Risk Neutral و Risk Averse
    • مقایسه خروجی مدل ریسک‌گریزی نسبی CVaR در مقایسه با مدل ریسک‌-خنثی
    • ترکیب‌های معنادار با CVaR
    • کدنویسی و پیاده‌سازی مدل‌ SSP مبتنی بر سنجه CVaR
    • نقاط ضعف و قوت، و تحلیل نتایج

  • برنامه‌ریزی تصادفی سناریومحور چندمرحله‌ای (Multi-Stage Stochastic Programming)
    • مفهوم مرحله (Stage) تصمیم‌گیری در بهینه‌سازی تحت عدم‌قطعیت
    • تفاوت دوره (Period) و مرحله در بهینه‌سازی چنددوره‌ای تحت عدم‌قطعیت
    • شباهت و تفاوت برنامه‌ریزی پویا و برنامه‌ریزی چندمرحله‌ای
    • مدل‌های MSSP سناریومحور گسسته و MSSP توزیعی پیوسته
    • ترمینولوژی MSSP و مفاهیم اساسی
      • تصمیمات "حال حاضر" (Here-and-Now) مستقل از سناریو (Scenario-independent)
      • تصمیمات "صبر تا دیدن/وقوع" (Wait-and-See) یا وابسته به سناریو (Scenario-dependent)
      • قابلیت‌ پیش‌بینی (Anticipativity) و عدم قابلیت پیش‌بینی (Non-Anticipativity) در تصمیمات چند دوره‌ای/مرحله‌ای تحت عدم‌قطعیت
      • قیود کنترل عدم قابلیت پیش‌بینی (Non-Anticipativity Constraints) یا NAC
      • ایجاد هماهنگی/سازگاری در تصمیمات چنددوره‌ای سناریومحور
      • نحوه اعمال قیود NAC در مسائل برنامه‌ریزی تصادفی چندمرحله‌ای
    • پاسخ به یک سوال مهم (آیا هر مسئله بهینه‌سازی چنددوره‌ای تحت عدم‌قطعیت تصادفی یک MSSP است؟)
    • بیان مجدد مدل‌های MSSP به صورت برنامه‌ریزی پویای تصادفی (Stochastic Dynamic Programming)
    • حل یک مسئله MSSP توزیعی پیوسته و تحلیل ارزش آن در مقایسه با رویکرد مقدار متوسط (EV)
    • رویکرد MSSP برای برنامه‌ریزی شیفت کاری کادر درمانی: مدلسازی و کدنویسی
    • رویکرد MSSP برای طراحی و توسعه شبکه چنددوره‌ای: مدلسازی و کدنویسی
    • رویکرد MSSP در مسائل تولید و موجودی چنددوره‌ای (Lot-Sizing): مدلسازی و کدنویسی
    • رویکرد MSSP در مسائل تامین انرژی و شبکه توزیع با عدم‌قطعیت منابع تولید انرژی: مدلسازی و کدنویسی
    • مراحل کدنویسی و پیاده‌سازی مدل‌های MSSP در حالت کلی
    • تحلیل نتایج و نقاط ضعف و قوت مدل‌های MSSP
  • استواری و تطبیق‌پذیری (Adaptivity and Robustness) در مدل‌های MSSP
    • رویکرد Multi-Stage Adaptive Robust Optimization: مدلسازی و کدنویسی
    • ترکیب مدل‌های MSSP خنثی و استوار: مدلسازی و کدنویسی
    • نحوه تنظیم بهینه پارامتر ریسک‌گریزی در مدل‌های MSSP ترکیبی استوار
    • مدل MSSP مبتنی بر Regret Minimization
    • مدل MSSP مبتنی بر p-Robust Satisfaction
    • رویکرد MSARO برای برنامه‌ریزی شیفت کاری کادر درمانی: مدلسازی و کدنویسی
    • رویکرد MSARO برای طراحی و توسعه شبکه چنددوره‌ای: مدلسازی و کدنویسی
    • رویکرد MSARO در مسائل تولید و موجودی چنددوره‌ای (Lot-Sizing): مدلسازی و کدنویسی
    • رویکرد MSARO در مسائل تامین انرژی و شبکه توزیع با عدم‌قطعیت منابع تولید انرژی: مدلسازی و کدنویسی
    • تحلیل نتایج و نقاط ضعف و قوت مدل‌های MSSP کلاسیک و توسعه‌یافته

  • روش‌های تولید و کاهش سناریو در برنامه‌ریزی تصادفی (Scenario Generation and Reduction)
  • شبیه‌سازی مونت‌کارلو و روش‌ تقریب مبتنی بر میانگین نمونه (Sample Average Approximation)
    • انواع روش‌های نمونه‌گیری تصادفی (Random Sampling)
      • نمونه‌گیری ساده تصادفی یا Simple Random Sampling
      • نمونه‌گیری طبقه‌بندی‌شده تصادفی یا Stratified Random Sampling
      • نمونه‌گیری سیستماتیک تصادفی یا Systematic Random Sampling
      • نمونه‌گیری خوشه‌‌‌ای تصادفی یا Cluster Random Sampling
    • فرمولاسیون برآورد عملکرد متوسط مبتنی بر Sampling و Replication ‌های SAA
    • تعیین متغیرهای مرحله اول (Here and Now) برنامه‌ریزی تصادفی مبتنی بر Replication های روش SAA
      • تصمیم مبتنی بر Mean
      • تصمیم مبتنی بر Mode یا Frequency
      • تصمیم مبتنی بر Best
      • سایر قاعده‌های تصمیم‌گیری
  • روش SAA برای پیاده‌سازی کاراتر مدل‌های برنامه‌ریزی تصادفی: کدنویسی
  • نقاط ضعف و قوت روش SAA و ایده‌های بهبود آن

  • تکنیک افق غلطان (Rolling Horizon) و کاربرد آن در مسائل چنددوره‌ای و چندمرحله‌ای: مدل‌سازی و کدنویسی
  • کاربرد تکنیک RH برای تقریب در مدل‌های MSSP
    • مکانیزم پیاده‌سازی
    • کدنویسی و ارزیابی عملکرد
  • بکارگیری رویکرد RH برای کاهش MSSP به مدل Two Stage
    • مکانیزم پیاده‌سازی
    • کدنویسی و ارزیابی عملکرد

  • روش‌ تجزیه L-Shaped برای حل مدل‌های برنامه‌ریزی تصادفی پیوسته
    • تئوری و مکانیزم روش تجزیه L-Shaped
    • کدنویسی و پیاده‌سازی روش تجزیه L-Shaped برای حل مسائل برنامه‌ریزی تصادفی دومرحله‌ای
  • چرایی استفاده از روش‌های تجزیه در برنامه‌ریزی تصادفی سناریومحو
  • روش Multi-Cut Benders Decomposition برای حل مدل‌های برنامه‌ریزی تصادفی مختلط
    • تئوری و مکانیزم روش تجزیه بندرز (Benders Decomposition)
    • مفهوم برش چندگانه (Multi-Cut) در الگوریتم تجزیه بندرز
    • مکانیزم روش Multi-Cut Benders Decomposition
    • کدنویسی و پیاده‌سازی روش Benders Decomposition برای حل مسائل برنامه‌ریزی تصادفی دومرحله‌ای مختلط
    • کدنویسی و پیاده‌سازی روش Multi-Cut Benders Decomposition برای حل مسائل برنامه‌ریزی تصادفی دومرحله‌ای مختلط
  • ارزیابی عملکرد روش‌های L-Shaped و BD در حل مسائل برنامه‌ریزی تصادفی

  • روش‌ آزادسازی لاگرانژ (Lagrangian Relaxation) برای حل مسائل MSSP سناریومحور
    • تئوری و مکانیزم روش Lagrangian Relaxation یا LR
    • مفهوم Complicating Constraint در روش LR
    • مکانیزم تکنیک زیرگرادیان (Subgradient) در پیاده‌سازی روش LR
    • کدنویسی و پیاده‌سازی روش LR برای حل مدل‌های MSSP
  • ارزیابی عملکرد روش LR در حل مدل‌های MSSP

  • روش‌ تولید سطر/قید و ستون (Column and Constraint Generation) برای حل مسائل برنامه‌ریزی تصادفی ریسک‌گریز
    • تئوری و مکانیزم روش Column and Row/Constraint Generation یا C&CG
    • ایجاد و بروزرسانی مجموعه سناریوهای فعال در RMP روش C&CG
    • کدنویسی و پیاده‌سازی روش C&CG برای مسائل MSSP استوار کلاسیک
    • کدنویسی و پیاده‌سازی روش C&CG برای مسائل MSSP مبتنی بر Regret نسبی
  • ارزیابی عملکرد روش C&CG در حل مدل‌های MSSP
  • مقایسه روش C&CG روش‌های LR و BD در حل مسائل برنامه‌ریزی تصادفی سناریومحور

  • برنامه‌ریزی تصادفی پویا (Stochastic Dynamic Programming) یک آلترناتیو برای مدل‌های MSSP
    • فرمولاسیون کلی رویکرد SDP در حالت کلی
    • تفاوت روش‌های حل مدل‌های SDP با مدل‌های برنامه‌ریزی پویا (DP) کلاسیک
  • مدل‌های SDP با افق نامتناهی/زیاد و حل آنها
    • مفاهیم مانایی (Stationary) و فرآیندهای مارکوف (Markov Processes)
    • روش حل مدل‌های SDP مارکوفی
    • کدنویسی و پیاد‌سازی مدل‌های SDP مارکوفی با تکنیک LP

  • یادگیری ماشین (Machin Learning) برای کنترل پیچیدگی و استواری مدل‌های بهینه‌سازی تحت عدم‌قطعیت
    • یادگیری ماشین بدون نظارت (Unsupervised ML) مبتنی بر الگوریتم FCM برای تولید و کاهش سناریوها
      • فرمولاسیون ریاضی خوشه‌بندی سخت
      • فرمولاسیون ریاضی خوشه‌بندی فازی
      • الگوریتم‌ FCM
    • یادگیری ماشین نظارت‌شده (Supervised ML) مبتنی بر رگرسیون چندگانه برای برآورد پارامترها
    • یادگیری ماشین نظارت‌شده مبتنی بر Classification برای تولید و کاهش سناریو در MSSP
    • یادگیری ماشین نظارت‌شده مبتنی بر Logistic Regression برای کنترل رفتار تصادفی و تقاضای غیرقطعی در فضای رقابتی
  • کدنویسی و پیاد‌سازی مدل‌های برنامه‌ریزی تصادفی مبتنی بر یادگیری ماشین
  • یادگیری ماشین برای بهبود بهینه‌سازی استوار مبتنی بر Budget Uncertainty Set
    • فضای عدم قطعیت بودجه (Budget) یا گاما
    • همتای استوار (Robust Counterpart) در عدم‌قطعیت بودجه و مدل B&S
    • فرمولاسیون خطی RC رویکرد بهینه‌سازی استوار B&S
    • پردازش داده‌ها در تعیین مقادیر اسمی (Nominal) و انحراف (Perturbation) پارامترهای غیرقطعی
    • تحلیل داده با تکنیک FCM برای افراز مجموعه عدم‌قطعیت
    • بهبود استواری و تطبیق‌پذیری مدل با استفاده از یادگیری ماشین
    • مدل MLRO مبتنی بر یادگیری ماشین و بهینه‌سازی استوار بودجه
    • کدنویسی و پیاد‌سازی مدل RO کلاسیک
    • کدنویسی و پیاد‌سازی مدل MLRO در حالت بهبود محافظه‌کاری و ایجاد تطبیق‌پذیری
    • مقایسه و تحلیل نتایج
  • یادگیری ماشین برای بهبود بهینه‌سازی استوار مبتنی بر Convex Uncertainty Set
    • شماتیک CUS ها در حالت کلی و فرمولاسیون بر اساس p-نرم‌ها
    • الگوریتم تعیین CUS با پردازش داده‌ها
    • استخراج همتای استوار متناظر با هر CUS، فرمولاسیون و محافظه‌کاری آن
    • ارتباط RC در CUSهای مختلف، ارتباط آنها و تحلیل پارامترهای Adjusting
    • تحلیل داده با تکنیک FCM و Classification برای تعیین بهترین CUS ها از داده‌های موجود
    • بهبود استواری و تطبیق‌پذیری مدل با استفاده از یادگیری ماشین
    • مدل MLRO مبتنی بر یادگیری ماشین و بهینه‌سازی استوار در CUS های افرازشده
      • کدنویسی و پیاد‌سازی مدل MLRO
      • مقایسه و تحلیل نتایج (محاسبه عملکرد یادگیری ماشین در بهبود استواری و تطبیق‌پذیری)
  • اعتبارسنجی و ارزیابی عملکرد (Validation and Performance Evaluation)
    • اعتبارسنجی ارزش استواری مدل‌های MLRO در مقایسه با RO کلاسیک: قاعده Validation و کدنویسی آن
      • از منظر معیار Optimality Robustness
      • از منظر معیار Feasibility Robustness
      • معیارهای ترکیبی Validation
    • ارزیابی عملکرد و تحلیل بهبود کارایی محاسباتی (Computational Efficiency) حاصل از استفاده از الگوریتم‌های ML

  • مفاهیم اصلی و پایه بهینه‌سازی تحت عدم‌قطعیت (Optimization under Stochastic Uncertainty)
  • عدم‌قطعیت‌های تصادفی، چندمرحله‌ای/پویا (Dynamic & Stochastic Uncertainties)
  • تفاوت رویکرد مقدار اسمی/متوسط با رویکرد برنامه‌ریزی
  • تصمیمات مرحله اول (Here and Now) و تصمیمات تعدیل‌کننده (Wait and See)
  • اصول و مفاهیم استواری و دو خاصیت Optimality Robustness و Feasibility Robustness در برنامه‌ریزی تحت عدم‌قطعیت
  • اصول و مفاهیم تطبیق‌پذیری (Adaptivity) و تعدیل‌پذیری (Adjustability) در برنامه‌ریزی چندمرحله‌ای و پویا تحت عدم‌قطعیت
  • مدل برنامه‌ریزی تصادفی با رویکردهای Risk Neutral‌ و Risk-Averse
  • برنامه‌ریزی مقید به شانس احتمالی (Chance Constrained Programming)
  • مدل برنامه‌ریزی تصادفی درجه اطمینان (Reliability)
  • مدل برنامه‌ریزی تصادفی سناریومحور
  • انواع رویکردهای استواری پاسخ برنامه‌ریزی تصادفی سناریو‌محور

  • مدل‌سازی عدم‌قطعیت با رویکرد Chance Constrained Programming و CCP Counterpart مدل‌های بهینه‌سازی تحت عدم‌قطعیت تصادفی
    • مدل‌سازی و نحوه بدست آوردن همتای CCP قیود مختلف
    • نقاط ضعف و قوت رویکرد CCP و تحلیل پیچیدگی مدل‌های آن
    • کدنویسی و پیاده‌سازی مدل‌های CCP

  • رویکرد برنامه‌ریزی تصادفی سناریومحور (Scenario-based Stochastic Programming)
    • رویکرد SSP تک‌مرحله‌ای
    • رویکرد SSP دومرحله‌ای
      • تشخیص متغیرهای Here and Now از متغیرهای Wait and See
      • مدل‌سازی مسائل بهینه‌سازی تعدیل‌پذیر تحت عدم‌قطعیت با رویکرد SSP
      • مدل SSP دومرحله‌ای کلاسیک
    • کدنویسی و پیاده‌سازی مدل‌های SSP ریسک خنثی (Risk Neutral)
    • کدنویسی و پیاده‌سازی مدل‌های SSP ریسک گریز (Risk-Averse)
    • نقاط ضعف و قوت رویکرد‌های SSP
  • مدل SSP استوار با رویکرد ترکیبی Risk-Averse و Risk Neutral
    • مکانیزم تنظیم بهینه‌ ریسک‌گریزی با مفهوم کشش (Elasticity)
    • مدل SSP استوار ترکیبی RN-RA
    • کدنویسی و پیاده‌سازی مدل SSP استوار ترکیبی RN-RA
    • تحلیل نتایج و نقاط ضعف و قوت
  • ارزیابی و اعتبارسنجی مدل‌های رویکردهای برنامه‌ریزی تصادفی
    • معیار VSS
    • معیار Relative VSS
    • معیار EVPI
    • ارزیابی با استفاده Realization مبتنی بر مفاهیم Optimality Robustness و Feasibility Robustness

  • مدل SSP با رویکرد p-Robust
    • مدل SSP با رویکرد p-Robust در برقراری قیود (Feasibility-based p-Robust)
    • مدل SSP با رویکرد p-Robust در بهینگی تابع هدف (Optimality-based p-Robust)
    • کاربرد رویکرد p-Robust در مدل‌سازی اختلال (Disruption)
    • کدنویسی و پیاده‌سازی مدل p-Robust
    • تحلیل نتایج و نقاط ضعف و قوت

  • مدل SSP استوار با رویکرد مالوی Mulvey مبتنی بر کاهش واریانس
    • مدل SSP استوار Mulvey در حالت غیرخطی
    • انواع خطی‌سازی (Linearization) توابع کوادراتیک و قدرمطلق بدون نیاز به متغیر باینری
    • مدل SSP استوار مبتنی بر کاهش انحراف معیار
    • نحوه تنظیم بهینه ضرایب/پارامترهای مدل SSP استوار (ضرایب استواری بهینگی و استواری شدنی‌بودن)
    • حالت‌های حدی در مدل SSP استوار مبتنی بر کاهش نوسانات
    • کدنویسی و پیاده‌سازی مدل SSP استوار Mulvey و مشتقات آن
    • تحلیل نتایج و نقاط ضعف و قوت

  • مدل بهینه‌سازی استوار کمینه‌سازی حداکثر تاسف/پشیمانی (Minimax Regret Robust Optimization)
    • پروسه بدست آوردن پاسخ بهینه هر سناریو در رویکرد MMRRO
    • فرمولاسیون تاسف مطلق و تاسف نسبی (Absolute Regret and Relative Regret)
    • مدل MMRRO مبتنی بر Absolute Regret
    • ‌ مدل MMRRO مبتنی بر Relative Regret
    • مقایسه مدل‌های مختلف MMRRO
    • کدنویسی و پیاده‌سازی مدل‌های MMRRO
    • تحلیل نتایج و نقاط ضعف و قوت

  • مدل SSP استوار با رویکرد Aghezzaf مبتنی بر ترکیب MMRRO و عملکرد متوسط
    • چرایی ترکیب تابع هدف مدل Risk-Neutral و تابع هدف مدل MMRRO
    • ‌ مدل SSP استوار Aghezzaf
    • وسعه ‌مدل SSP استوار Aghezzaf مبتنی بر Relative Regret
    • ‌ نحوه تنظیم بهینه ضرایب/پارامترهای مدل SSP استوار Aghezzaf
    • مقایسه خروجی مدل کلاسیک Risk-Neutral مدل ترکیبی Aghezzaf
    • کدنویسی و پیاده‌سازی مدل‌های SSP استوار ترکیبی Aghezzaf
    • تحلیل نتایج و نقاط ضعف و قوت
  • دیگر ایده‌های ترکیبی مبتنی بر مفهوم Regret
    • بهینه‌سازی متوسط عملکرد با حفظ حداکثر Regret
    • کمینه‌سازی Regret با کنترل متوسط عملکرد
    • کنترل Regret در کنار نوسانات
    • و ...

  • بهینه‌سازی تحت عدم‌قطعیت تصادفی مبتنی بر سنجه‌های VaR و CVaR
    • مفهوم ارزش در معرض ریسک (Value-at-Risk) و فرمولاسیون آن
    • مفهوم ارزش در معرض ریسک شرطی (Conditional Value-at-Risk) و فرمولاسیون آن
    • خواص سنجه CVaR و مزیت‌های آن
    • ‌ مدل SSP با سنجه CVaR و فرمولاسیون خطی آن
    • کاربرد مدل CVaR در مهندسی مالی و بهینه‌سازی/انتخاب پورتفولیو (Portfolio Optimization)
    • ارتباط مدل‌های VaR، CVaR، Risk Neutral و Risk Averse
    • مقایسه خروجی مدل ریسک‌گریزی نسبی CVaR در مقایسه با مدل ریسک‌-خنثی
    • ترکیب‌های معنادار با CVaR
    • کدنویسی و پیاده‌سازی مدل‌ SSP مبتنی بر سنجه CVaR
    • نقاط ضعف و قوت، و تحلیل نتایج

  • برنامه‌ریزی تصادفی سناریومحور چندمرحله‌ای (Multi-Stage Stochastic Programming)
    • مفهوم مرحله (Stage) تصمیم‌گیری در بهینه‌سازی تحت عدم‌قطعیت
    • تفاوت دوره (Period) و مرحله در بهینه‌سازی چنددوره‌ای تحت عدم‌قطعیت
    • شباهت و تفاوت برنامه‌ریزی پویا و برنامه‌ریزی چندمرحله‌ای
    • مدل‌های MSSP سناریومحور گسسته و MSSP توزیعی پیوسته
    • ترمینولوژی MSSP و مفاهیم اساسی
      • تصمیمات "حال حاضر" (Here-and-Now) مستقل از سناریو (Scenario-independent)
      • تصمیمات "صبر تا دیدن/وقوع" (Wait-and-See) یا وابسته به سناریو (Scenario-dependent)
      • قابلیت‌ پیش‌بینی (Anticipativity) و عدم قابلیت پیش‌بینی (Non-Anticipativity) در تصمیمات چند دوره‌ای/مرحله‌ای تحت عدم‌قطعیت
      • قیود کنترل عدم قابلیت پیش‌بینی (Non-Anticipativity Constraints) یا NAC
      • ایجاد هماهنگی/سازگاری در تصمیمات چنددوره‌ای سناریومحور
      • نحوه اعمال قیود NAC در مسائل برنامه‌ریزی تصادفی چندمرحله‌ای
    • پاسخ به یک سوال مهم (آیا هر مسئله بهینه‌سازی چنددوره‌ای تحت عدم‌قطعیت تصادفی یک MSSP است؟)
    • بیان مجدد مدل‌های MSSP به صورت برنامه‌ریزی پویای تصادفی (Stochastic Dynamic Programming)
    • حل یک مسئله MSSP توزیعی پیوسته و تحلیل ارزش آن در مقایسه با رویکرد مقدار متوسط (EV)
    • رویکرد MSSP برای برنامه‌ریزی شیفت کاری کادر درمانی: مدلسازی و کدنویسی
    • رویکرد MSSP برای طراحی و توسعه شبکه چنددوره‌ای: مدلسازی و کدنویسی
    • رویکرد MSSP در مسائل تولید و موجودی چنددوره‌ای (Lot-Sizing): مدلسازی و کدنویسی
    • رویکرد MSSP در مسائل تامین انرژی و شبکه توزیع با عدم‌قطعیت منابع تولید انرژی: مدلسازی و کدنویسی
    • مراحل کدنویسی و پیاده‌سازی مدل‌های MSSP در حالت کلی
    • تحلیل نتایج و نقاط ضعف و قوت مدل‌های MSSP
  • استواری و تطبیق‌پذیری (Adaptivity and Robustness) در مدل‌های MSSP
    • رویکرد Multi-Stage Adaptive Robust Optimization: مدلسازی و کدنویسی
    • ترکیب مدل‌های MSSP خنثی و استوار: مدلسازی و کدنویسی
    • نحوه تنظیم بهینه پارامتر ریسک‌گریزی در مدل‌های MSSP ترکیبی استوار
    • مدل MSSP مبتنی بر Regret Minimization
    • مدل MSSP مبتنی بر p-Robust Satisfaction
    • رویکرد MSARO برای برنامه‌ریزی شیفت کاری کادر درمانی: مدلسازی و کدنویسی
    • رویکرد MSARO برای طراحی و توسعه شبکه چنددوره‌ای: مدلسازی و کدنویسی
    • رویکرد MSARO در مسائل تولید و موجودی چنددوره‌ای (Lot-Sizing): مدلسازی و کدنویسی
    • رویکرد MSARO در مسائل تامین انرژی و شبکه توزیع با عدم‌قطعیت منابع تولید انرژی: مدلسازی و کدنویسی
    • تحلیل نتایج و نقاط ضعف و قوت مدل‌های MSSP کلاسیک و توسعه‌یافته

  • روش‌های تولید و کاهش سناریو در برنامه‌ریزی تصادفی (Scenario Generation and Reduction)
  • شبیه‌سازی مونت‌کارلو و روش‌ تقریب مبتنی بر میانگین نمونه (Sample Average Approximation)
    • انواع روش‌های نمونه‌گیری تصادفی (Random Sampling)
      • نمونه‌گیری ساده تصادفی یا Simple Random Sampling
      • نمونه‌گیری طبقه‌بندی‌شده تصادفی یا Stratified Random Sampling
      • نمونه‌گیری سیستماتیک تصادفی یا Systematic Random Sampling
      • نمونه‌گیری خوشه‌‌‌ای تصادفی یا Cluster Random Sampling
    • فرمولاسیون برآورد عملکرد متوسط مبتنی بر Sampling و Replication ‌های SAA
    • تعیین متغیرهای مرحله اول (Here and Now) برنامه‌ریزی تصادفی مبتنی بر Replication های روش SAA
      • تصمیم مبتنی بر Mean
      • تصمیم مبتنی بر Mode یا Frequency
      • تصمیم مبتنی بر Best
      • سایر قاعده‌های تصمیم‌گیری
  • روش SAA برای پیاده‌سازی کاراتر مدل‌های برنامه‌ریزی تصادفی: کدنویسی
  • نقاط ضعف و قوت روش SAA و ایده‌های بهبود آن

  • تکنیک افق غلطان (Rolling Horizon) و کاربرد آن در مسائل چنددوره‌ای و چندمرحله‌ای: مدل‌سازی و کدنویسی
  • کاربرد تکنیک RH برای تقریب در مدل‌های MSSP
    • مکانیزم پیاده‌سازی
    • کدنویسی و ارزیابی عملکرد
  • بکارگیری رویکرد RH برای کاهش MSSP به مدل Two Stage
    • مکانیزم پیاده‌سازی
    • کدنویسی و ارزیابی عملکرد

  • روش‌ تجزیه L-Shaped برای حل مدل‌های برنامه‌ریزی تصادفی پیوسته
    • تئوری و مکانیزم روش تجزیه L-Shaped
    • کدنویسی و پیاده‌سازی روش تجزیه L-Shaped برای حل مسائل برنامه‌ریزی تصادفی دومرحله‌ای
  • چرایی استفاده از روش‌های تجزیه در برنامه‌ریزی تصادفی سناریومحو
  • روش Multi-Cut Benders Decomposition برای حل مدل‌های برنامه‌ریزی تصادفی مختلط
    • تئوری و مکانیزم روش تجزیه بندرز (Benders Decomposition)
    • مفهوم برش چندگانه (Multi-Cut) در الگوریتم تجزیه بندرز
    • مکانیزم روش Multi-Cut Benders Decomposition
    • کدنویسی و پیاده‌سازی روش Benders Decomposition برای حل مسائل برنامه‌ریزی تصادفی دومرحله‌ای مختلط
    • کدنویسی و پیاده‌سازی روش Multi-Cut Benders Decomposition برای حل مسائل برنامه‌ریزی تصادفی دومرحله‌ای مختلط
  • ارزیابی عملکرد روش‌های L-Shaped و BD در حل مسائل برنامه‌ریزی تصادفی

  • روش‌ آزادسازی لاگرانژ (Lagrangian Relaxation) برای حل مسائل MSSP سناریومحور
    • تئوری و مکانیزم روش Lagrangian Relaxation یا LR
    • مفهوم Complicating Constraint در روش LR
    • مکانیزم تکنیک زیرگرادیان (Subgradient) در پیاده‌سازی روش LR
    • کدنویسی و پیاده‌سازی روش LR برای حل مدل‌های MSSP
  • ارزیابی عملکرد روش LR در حل مدل‌های MSSP

  • روش‌ تولید سطر/قید و ستون (Column and Constraint Generation) برای حل مسائل برنامه‌ریزی تصادفی ریسک‌گریز
    • تئوری و مکانیزم روش Column and Row/Constraint Generation یا C&CG
    • ایجاد و بروزرسانی مجموعه سناریوهای فعال در RMP روش C&CG
    • کدنویسی و پیاده‌سازی روش C&CG برای مسائل MSSP استوار کلاسیک
    • کدنویسی و پیاده‌سازی روش C&CG برای مسائل MSSP مبتنی بر Regret نسبی
  • ارزیابی عملکرد روش C&CG در حل مدل‌های MSSP
  • مقایسه روش C&CG روش‌های LR و BD در حل مسائل برنامه‌ریزی تصادفی سناریومحور

  • برنامه‌ریزی تصادفی پویا (Stochastic Dynamic Programming) یک آلترناتیو برای مدل‌های MSSP
    • فرمولاسیون کلی رویکرد SDP در حالت کلی
    • تفاوت روش‌های حل مدل‌های SDP با مدل‌های برنامه‌ریزی پویا (DP) کلاسیک
  • مدل‌های SDP با افق نامتناهی/زیاد و حل آنها
    • مفاهیم مانایی (Stationary) و فرآیندهای مارکوف (Markov Processes)
    • روش حل مدل‌های SDP مارکوفی
    • کدنویسی و پیاد‌سازی مدل‌های SDP مارکوفی با تکنیک LP

  • یادگیری ماشین (Machin Learning) برای کنترل پیچیدگی و استواری مدل‌های بهینه‌سازی تحت عدم‌قطعیت
    • یادگیری ماشین بدون نظارت (Unsupervised ML) مبتنی بر الگوریتم FCM برای تولید و کاهش سناریوها
      • فرمولاسیون ریاضی خوشه‌بندی سخت
      • فرمولاسیون ریاضی خوشه‌بندی فازی
      • الگوریتم‌ FCM
    • یادگیری ماشین نظارت‌شده (Supervised ML) مبتنی بر رگرسیون چندگانه برای برآورد پارامترها
    • یادگیری ماشین نظارت‌شده مبتنی بر Classification برای تولید و کاهش سناریو در MSSP
    • یادگیری ماشین نظارت‌شده مبتنی بر Logistic Regression برای کنترل رفتار تصادفی و تقاضای غیرقطعی در فضای رقابتی
  • کدنویسی و پیاد‌سازی مدل‌های برنامه‌ریزی تصادفی مبتنی بر یادگیری ماشین
  • یادگیری ماشین برای بهبود بهینه‌سازی استوار مبتنی بر Budget Uncertainty Set
    • فضای عدم قطعیت بودجه (Budget) یا گاما
    • همتای استوار (Robust Counterpart) در عدم‌قطعیت بودجه و مدل B&S
    • فرمولاسیون خطی RC رویکرد بهینه‌سازی استوار B&S
    • پردازش داده‌ها در تعیین مقادیر اسمی (Nominal) و انحراف (Perturbation) پارامترهای غیرقطعی
    • تحلیل داده با تکنیک FCM برای افراز مجموعه عدم‌قطعیت
    • بهبود استواری و تطبیق‌پذیری مدل با استفاده از یادگیری ماشین
    • مدل MLRO مبتنی بر یادگیری ماشین و بهینه‌سازی استوار بودجه
    • کدنویسی و پیاد‌سازی مدل RO کلاسیک
    • کدنویسی و پیاد‌سازی مدل MLRO در حالت بهبود محافظه‌کاری و ایجاد تطبیق‌پذیری
    • مقایسه و تحلیل نتایج
  • یادگیری ماشین برای بهبود بهینه‌سازی استوار مبتنی بر Convex Uncertainty Set
    • شماتیک CUS ها در حالت کلی و فرمولاسیون بر اساس p-نرم‌ها
    • الگوریتم تعیین CUS با پردازش داده‌ها
    • استخراج همتای استوار متناظر با هر CUS، فرمولاسیون و محافظه‌کاری آن
    • ارتباط RC در CUSهای مختلف، ارتباط آنها و تحلیل پارامترهای Adjusting
    • تحلیل داده با تکنیک FCM و Classification برای تعیین بهترین CUS ها از داده‌های موجود
    • بهبود استواری و تطبیق‌پذیری مدل با استفاده از یادگیری ماشین
    • مدل MLRO مبتنی بر یادگیری ماشین و بهینه‌سازی استوار در CUS های افرازشده
      • کدنویسی و پیاد‌سازی مدل MLRO
      • مقایسه و تحلیل نتایج (محاسبه عملکرد یادگیری ماشین در بهبود استواری و تطبیق‌پذیری)
  • اعتبارسنجی و ارزیابی عملکرد (Validation and Performance Evaluation)
    • اعتبارسنجی ارزش استواری مدل‌های MLRO در مقایسه با RO کلاسیک: قاعده Validation و کدنویسی آن
      • از منظر معیار Optimality Robustness
      • از منظر معیار Feasibility Robustness
      • معیارهای ترکیبی Validation
    • ارزیابی عملکرد و تحلیل بهبود کارایی محاسباتی (Computational Efficiency) حاصل از استفاده از الگوریتم‌های ML

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.

 

ثبت‌نام

برای شرکت در این دوره و دسترسی به محتوا از راه های ارتباطی زیر اقدام نمایید:
Edit
لطفاً در شروع مکالمه، خود را معرفی بفرمایید و حتی‌المقدور ویس ارسال نکنید.
Edit
راه‌ ارتباطی اول:
ارتباط مستقیم با پشتیبانی و کارشناسان این دوره آموزشی:
راه‌ ارتباطی دوم:
Edit
این دوره درحال برگزاری‌ است. در حال حاضر می‌توانید "درخواست شرکت در دوره جاری" را کلیک فرمایید.
Edit

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.)
38 دیدگاه/سوال
جدید‌ترین
قدیمی‌ترین محبوب‌ترین
بازخورد داخلی
نمایش تمام دیدگاه‌ها
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

علی

بدون اغراق کسی رو انقدر مسلط در زمینه بهینه سازی ندیم خیلی بهت مدیونم دکتر پاپی و واقعا همیشه به نیکی از شما یاد میکنم. من همون موقع که در اولین دوره حضوری شما (برای روش های حل دقیق بود فکر کنم) گفتم واقعا عالی هستی و کمی بعد همسرم (که الان با هم هلند هستیم 🙂 ) در دوره الگوریتم های فراابتکاری و یادگیری ماشین شما هم تایید کردن عااالی بودن شما رو و من از اینجا میگم خیلی خیلی خوبی داداش هر وقت اسمی ازت میشنوم خوشحال میشم

صبا رضایی

قسمت CCP و اصول بهینه سازی در شرایط عدم قطعیت رو دیدم بیان خیلی خوبی دارن مدرس و کاملا مشخص هست حرفه ای هستن. ممنونم از همه تیم آپتیم یار

پیام

فقط میتونم بگم فوق العاده هستی علی همین

سیده مریم مومنی فر

سرفصل ها دوره بسیار خوب بیان شده و واقعا بخش بندی بسیار خوب صورت گرفته. من وبینار رو نبود ولی ویدیو بازپخش رو دیدم بیان مدرس خیلی جالب هست. متشکرم از آپتیم یار

انصافیان

بسیار مفید ممنون از جناب مهندس پاپی و تیم خوبشون در آپتیم یار با این دوره های مفید

حسنی نژاد

سلام وقت شما بخیر. من تازه ویدیو وبینا دوره و سرفصل ها رو دیدم. امکانش هست همون تخفیف تر رو فعال کنید؟ واقعا من به این سرفصل ها نیاز دار

افصلی فر

وقتی سرفصل ها رو میبینم با خودم میگم مگه میشه، مگه داریم توی ایران هم کسی که اینا رو آموزش بده. ولی توی وبینار واقعا از صحبت کردن مدرسشون مشخص شد اینکاره هستن.

شبنم نبی پور

روز وبینار حضور داشتم خیلی مفید بود. راستش پولش رو ندارم (هرچند میدونم ارزشش خیلی بیشتره) ولی خوش به حال کسایی که هستن اصلا عالی محتوا رو بیان میکنن و از سرفصل ها هم مشخصه

عرفان

با دیدن وبینار مشخص شد مدرس با سوادی داره دوره. فقط کاش کمی تخفیف رو بیشتر میکردید 🙁

بازم ممنون

سید امیر قاضی

سلام و ادب
بنده ترم آخر ارشد بهینه‌سازی هستم .
کارشناسیمم صنایع خوندم .
نه صرفا این دوره ، بلکه کل کار به‌نظر بنده به معنی واقع کلمه عالی است .
واقعا به‌نظرم تک‌تک این دوره‌ها بی‌نظیر اند و امروزه ، بشر برای استفاده‌کردن از علومی که فرا می‌گیره و پیاده‌سازی اونها ، به فراگرفتن مثل چنین چیزهایی نیاز داره .
اقتصادمان خیلی نیازمند درمان و ترمیم است .
تووی اقتصادی که بستنی کیم در بازه‌ای حدود ۵ سال قیمتش از ۵۰۰ تومان به ۵۰۰۰ تومان می‌رسد و ۹۰۰ درصد افزایش قیمت دارد ، قیمت یک رایانه مثل قیمت یک خودرو شده‌است ، قیمت ساده‌ترین خودرو یه‌جورایی اصلا نجومی شده‌است و قیمت مسکن … ، تووی این اقتصاد ، این قیمت و هزینه‌ی آموزش ، خوب است ؛ اما حقیقتی تلخ است که کاش از این کمتر باشد تا شرکت‌کنندگان [راحت‌تر] بتوانند شرکت کنند .
جناب آقای دکتر
از شما [و تیم خوبتان] تقاضا دارم که اگر برایتان مقدور است ، در راستای حمایت بیشتر از ما شرکت‌کنندگان ، قیمت‌ها را مقداری کاهش دهید و سیاست‌هایی را به‌کار گیرید .
سلامت ، با نشاط ، پیروز ، ایمن و عاقبت‌به‌خیر باشید .
در پناه حق

وحیدیان

سر فصل ها و چیدمان خیلی مفید و جالب میاد و ممنونم. فقط کاش ویدیو بعد از هر جلسه در اختیارمون قرار بگیره طبق سوالات متداول گفتن هست

همچنین به طور ویژه از مدرس این دوره تشکر میکنم من از ایشون در تلگرام و پست های لینکدین خیلی چیزا یاد گرفتم

مهدیلو

من ایران که بودم دوره ای نبود علی برگزار کنه و نرم. این بشر عجیب توی بهینه سازی حرفه و کار درسته. هنوز موندم چرا نمیای پیش ما علی جون.
پیشنهاد میکنم نه برای اینکه مدرس رفیقم هست بلکه برای اینکه واقعا ما توی خارج از کشور هم همچنین دوره های برامون برگزار نمیکنن.

راستی دکتر فقط باز ویدیو برای مدتی توی داشبورد بمونه که مرور کنیم

ندا محمدپور

محتوا عالی
مدرس شناخته شده و عالی
قیمت ولی کمی کمر شکن

می‌دونم واقعا زحمت کشیدید ولی خو ایرانی حساب کنید بازم ممنون که تیر رو تخفیف گذاشتید

سجادی
پاسخ به  ندا محمدپور

اصلا کمری نمیمونه که بخوایم دوره رو باشیم. البته واقعا مدرس و محتوا عالی هستن و ندیدم توی ایران همچنین دوره های خوبی. بیشتر تا جایی که من از دوستام پرسیدم ایرانی ها خارج از کشور استفاده میکنن. ولی بازم من به شخصه تشکر میکنم و سعی میکنم در حد توان خودم (حتی بدون کمر 🙂 ) بخشی از دوره رو باشم

حسام فرهادی

من قبلاً مدرس دوره رو توی تلگرام رصد میکردم. کمی اخلاق تندی داره ولی همیشه گفتم خیلی خیلی باسواده

این دوره رو بعید میدونم کسی قبل از ایشون تعریف کرده باشه و نشون دهنده خاص بودنشون هست.

ممنون از آپتیم یار و بخصوص مدرس باسواد و کمی بداخلاق این دوره درجه یک

رضا مغدانی
پاسخ به  حسام فرهادی

سلام دوست عزیز. من فکر می کنم شما ایشون از نزدیک نمیشناسید. به جرعت میتونم بگم یکی از با اخلاق ترین آدم هایی هست که من تا حالا دیدم. من این دوره شرکت کردم اول به خاطر اخلاق خیلی خوبی داره. ایشون فقط تو کارشون بسیار جدی هستند که من به نظر نکته مثبت اخلاقی هست. و ی چیز دیگه بگم واقعا خود دوره که الان من هستم بی نظیره. من کاتالوگ دوره برای یک دوستانم که استاد یکی از دانشگاه های انگلیس فرستادم و ایشون گفتم که اگر 30% دوره هم بتونه پوشش بده، دوره خیلی ارزشمندی هست. ولی من اینو بهتون بگم، این دوره خیلی بهتر از چیزی هست که ازش میتونید انتظار داشته باشید.

محمد رضایی

دکتر پاپی خیلی خوبی شما. اصلا از سرفصل ها مشخصه چقدر کارتون درسته
مرسی از آپتیم یار

ارزون هم کنید که ملت دعاتون کنن

reza moghdani

با سلام
من نمیتونم کاتالوگ دوره را دانلود کنم. ممنون میشم برای من ارسال کنید

نیما نصیری

عرض سلام و احترام
عذر می خواهم خواستم هزینه ثبت نام دوره را بدونم چقدر هست؟

حسین بارانی

واقعا این محتوا خیلی خوبه خدا خیرتون بده واقعا همیشه دوره های دکتر پاپی خیلی مفید هستن و هرچی می‌گیری نوش جونت

فقط غلظت کدنویسی رو مثل دوره های قبلی بالا نگه دارید با کد کردن خیلی مسلط میشیم بنظر شخصی من

مریم مهری فر

خیلی خوب سرفصل ها تعریف شدن و مشخصه برنامه خاصی دارن
کاتالوگ قیمت و محتوا هم خوب بود کمی قیمت بنظر بالا میومد ولی از تلگرام مدرس دوره پرسیدم که تخفیف میشه گرفت و ممنونم

کاظمی

علی عااالیه
به تو از تورنتو سلام علی جون بیا برای ما برگزار کن خو بابا این دوره خوباتو خو داداش.‌ کاظمی هستم کلاس چندهدفه رو شرکت کرده بودم

بخدا که ی دونه ای توی ایران

سارا نوایی

می‌دونم که برای ملاحظات مارکت و کنترل محتوا قیمت رو نزاشتید، ولی کاش میزاشتید ????
البته من به تلگرام پیام دادم و خیلی سریع و خوش برخورد ارسال کردن و تل این بابت ممنونم

هرچند دوست داشتم کمی ارزونتر بود ولی حتما شرکت میکنم

حسن صادقی فر

دوره قبلی رو من بودم البته سرفصل ها خیلی کاملتر و حرفه ای تر هم شدن. اصلا خیلی خوبه دکتر پاپی در این مباحث. کاتوگالوگ قیمت رو دیدم کمی قیمت ها رفته بالا ولی بنظرم ارزشش رو داره من فقط برای رویکرد mssp چهار ماهه الان دارم سرچ میکنم و بازم درست یاد نگرفتم

محسنی

فوق العاااااده
چقدر خوووبی تو پسر. فقط کمی قیمت ها رو پایین تر بزار بخدا من می‌دونم چقدر برای اینا زحمت کشیدی و خودم توی چند دوره تون بودم ولی خو اگر کمی ارزون تر باشه عالیه. فرشید محسنی هست دکتر جون کلاس حضوری های مجتمع سئول رو میومدم

محمدرضا گلحسنی

گرچه من دکتر پاپی رو میشناسم و قیمت گذاری روی محتوا و تدریس ایشون واقعا درست نیست، ولی کاش کمی تخفیف در نظر بگیرن. البته توی کاتولوگ معرفی دوره تا تیر ماه فکر کنم 50 درصد تخفیف بود ????

شیما رضایی

خیلییییی عالیه دیروز پوستر رو توی تلگرام دیدم واقعا نگرانیم بابت پایان نامه ام رفع شد

رضافر

دوره های دکتر پاپی فوق العاده مفید و کاربردی هستند. گرچه قبلا‌ برخی از سرفصل ها باهاشون بودم ولی حتما شرکت میکنم