در برنامه‌ریزی بهینه‌ تحت عدم‌قطعیت، رویکردهای مختلفی وجود دارد که یک شاخه بسیار جذاب و کاربردی از آن، کاهش پشیمانی/تاسف (Regret) حاصل از تصمیم حال حاضر، در شرایط آینده است. این مدل‌ها که در ادبیات با عناوینی همچون کمینه‌سازی پشیمانی و یا به طور کامل‌تر مدل‌های کمینه‌سازی حداکثر تاسف (Minimax Regret) معروف هستند، از جمله معدود مواردی هستند که در آنها خاصیت استواری (Robustness) تضمین می‌شود. در واقع مدل‌های کمینه‌سازی رگرت را می‌توان در دسته مدل‌های بهینه‌سازی استوار (Robust Optimization) برای برنامه‌ریزی تحت عدم قطعیت نیز قرار داد چرا که فرمولاسیون و مدل‌سازی آن بر پایه خاصیت استواری بهینگی (Optimality Robustness) است.
علی‌رغم جذابیت و اهمیت فراوان مدل‌های کمینه‌سازی پشیمانی برای تصمیم‌گیری تحت عدم قطعیت (که با عناوینی چون Minimax Regret Robust Optimization مقالات متعددی در این زمینه وجود دارد)، دو موضوع بسیار مهم باید مورد توجه قرار گیرد تا مدل‌های مبتنی بر کاهش پشیمانی، قابلیت بکارگیری بیشتری داشته باشند: 1) استفاده از رویکرد داده‌محور در استخراج توزیع و یا تولید سناریو؛ 2) کسب اطلاعات در خصوص مقدار بهینه (یا نزدیک به بهینه) برا همه یا برخی از سناریوهای محتمل. این دو موضوع در کنار هم موجب می‌شود یک مدل مدرن تحت عنوان "مدل‌های بهینه‌سازی داده‌محور و مبتنی بر‌ اطلاعات بهینگی برای کمینه‌سازی پشیمانی/Regret در تصمیم‌گیری تحت عدم ‌قطعیت" معادل با عنوان لاتین Data-Driven & Scenarios Optimality Information-based Models to Minimize Regret in Decision-Making under Uncertainty مطرح شود که در این دوره به طور کامل مورد توجه قرار می‌گیرد.
در واقع مدل‌ مذکور را می‌توان یکی از روش‌های بهینه‌سازی استوار داده‌محور قرار داد که در آن، ابتدا، بر پایه داده‌های در دسترس و مبتنی بر تکنیک‌های تحلیل داده به تولید توزیع پارامترهای غیرقطعی و یا تولید سناریوهای محتمل پرداخته می‌شود (فاز تولید سناریو Data-Driven)؛ سپس مرحله یافتن اطلاعات بهینگی سناریوها طی می‌شود (فاز Optimality Information)؛ و نهایتا فاز تصمیم‌گیری مبتنی بر کمینه‌سازی پشیمانی (Decision-Makin based on Minimizing Regret) انجام می‌شود.

علاوه بر ویژگی‌های فوق در مدل بهینه‌سازی استوار داده‌محور این دوره آموزشی، به نحوه بهبود آن 1) مبتنی بر کنترل محافظه‌کاری و ترکیب با رویکردهای ریسک‌پذیر یا ریسک-‌خنثی (Hybridization with Risk-Neutral)؛ و 2) با جایگزینی پشیمانی نسبی (Relative Regret) به جای پشیمانی مطلق (Absolute Regret)، مورد توجه قرار گرفته است و به طور کامل آموزش داده می‌شود.
با توجه به اهمیت مباحث بهینه‌سازی تحت عدم قطعیت و به طور خاص شاخه‌های مبتنی بر داده، این مدل ساده و بسیار جذاب، آکادمی آپتیم‌یار تصمیم به ارائه این دوره به صورت آنلاین گرفته و سرفصل‌های مناسبی از آن ارائه داده است که قطعا می‌تواند موردتوجه بسیاری از پژوهش‌گران آکادمیک و صنعتی قرار گیرد. این دوره برای رشته‌های مهندسی، علوم پایه و مدیریت (از جمله ریاضیات، صنایع، کامپیوتر، برق/سیستم، عمران، مکانیک، انرژی، شیمی، حمل‌‌ونقل، اقتصاد و ...) و به طور کلی، هر زمینه آکادمیک و یا صنعتی/سازمانی مرتبط با مباحث برنامه‌ریزی، تصمیم‌گیری، بهینه‌سازی و تحلیل، مورد استفاده قرار می‌گیرد.
لازم به توضیح است که در این آموزش، علاوه بر تشریح و توضیح کامل و تئوریک مدل‌ها، به کدنویسی آن پرداخته می‌شود که برای این منظور از نرم‌افزار گمز (GAMS) و MATLAB استفاده می‌شود (از GAMS برای بخش بهینه‌سازی و از MATLAB در بخش تحلیل داده و تولید توزیع/سناریو استفاده می‌شود). علاوه بر ویدئوهای آموزشی، کدهای نرم‌افزاری و تحلیل‌های انجام‌شده نیز در اختیار ثبت‌نام‌کنندگان و فراگیران عزیز این دوره، قرار می‌گیرد.

⌄