بهینهسازی کاربردی: خطی، غیرخطی و با تمرکز بر یادگیری ماشین
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- درک مفاهیم اصلی بهینهسازی و تکنیکهای مدلسازی ریاضی
- بهکارگیری تکنیکهای بهینهسازی خطی و غیرخطی با استفاده از MATLAB و Python
- پیادهسازی الگوریتمهای گرادیان کاهشی برای مسائل تکمتغیره و چندمتغیره
- شناخت نقش بهینهسازی در یادگیری ماشین
پیشنیازهای دوره
- بهتر است دانشی در مورد Python و MATLAB داشته باشید. اگر ندارید، مشکلی نیست.
توضیحات دوره
قدرت بهینهسازی را با این دوره عملی و کاربردی که برای مهندسان، دانشجویان، پژوهشگران و هر کسی که مشتاق حل مسائل دنیای واقعی با استفاده از تکنیکهای بهینهسازی ریاضی است طراحی شده، آزاد کنید.
این دوره با اصول آغاز میشود. بهینهسازی چیست، چرا مهم است و چگونه میتوان مسائل دنیای واقعی را به عنوان مدلهای ریاضی فرموله کرد. شما انواع مختلف مسائل بهینهسازی، از جمله موارد خطی، غیرخطی، مقید و نامقید را بررسی خواهید کرد.
مدرس شما را گامبهگام در حل مسائل بهینهسازی خطی با استفاده از هر دو زبان Python (با SciPy) و MATLAB راهنمایی میکند و توضیحات روشن و بررسی کدها را ارائه میدهد. سپس با استفاده از متد ضرایب لاگرانژ وارد بحث بهینهسازی مقید غیرخطی خواهید شد و پس از آن نگاهی عمیق به الگوریتمهای گرادیان کاهشی برای توابع تکمتغیره و چندمتغیره خواهید داشت.
در طول دوره، یاد خواهید گرفت که چگونه این تکنیکها را از ابتدا و با استفاده از توابع داخلی پیادهسازی کنید، که این امر دوره را برای یادگیرندگانی که خواهان شفافیت مفهومی و مهارتهای عملی کدنویسی هستند، ایدهآل میسازد.
درس پایانی بررسی میکند که چگونه بهینهسازی نقشی مرکزی در یادگیری ماشین، به ویژه در آموزش مدلها و کمینهسازی توابع هزینه ایفا میکند.
چه دانشجوی مهندسی باشید، چه علاقهمند به علم داده یا پژوهشگر دانشگاهی، این دوره شما را با ابزارها و اعتمادبهنفس لازم برای حل مسائل بهینهسازی در MATLAB و Python مجهز میکند.
یادگیری را همین امروز شروع کنید و اصول قوی در بهینهسازی کاربردی بسازید!
این دوره برای چه کسانی مناسب است؟
- آیا به دنبال تسلط به تکنیکهای بهینهسازی و بهکارگیری آنها در سناریوهای دنیای واقعی با استفاده از MATLAB و Python هستید؟ چه دانشجو، مهندس، پژوهشگر یا علاقهمند به علم داده باشید، این دوره مسیری عملی و بصری برای درک و پیادهسازی بهینهسازی از پایه ارائه میدهد. این دوره همه چیز را از اصول بهینهسازی تا تکنیکهای پیشرفته حل مسئله با استفاده از ابزارهای محبوب مانند MATLAB و Python پوشش میدهد. شما یاد خواهید گرفت که چگونه مسائل بهینهسازی را به صورت ریاضی مدلسازی کنید، بهینهسازی خطی و غیرخطی را بررسی کنید و الگوریتمهای گرادیان کاهشی را برای توابع تک و چندمتغیره پیادهسازی نمایید. برای تأثیرگذارتر کردن تجربه یادگیری، این دوره شامل یک درس ویژه در مورد نقش حیاتی بهینهسازی در یادگیری ماشین است که به شما کمک میکند شکاف بین تئوری و کاربردهای دنیای واقعی را پر کنید.
بهینهسازی کاربردی: خطی، غیرخطی و با تمرکز بر یادگیری ماشین
-
مرور کلی دوره 06:13
-
یادگیری انسان در مقابل یادگیری ماشین 15:51
-
بهینهسازی چیست؟ 23:03
-
انواع مسائل بهینهسازی 09:30
-
آزمون- 1 None
-
مدلسازی ریاضی مسئله بهینهسازی خطی - مطالعه موردی 1 16:20
-
جلسه 6 - پیادهسازی پایتون - بهینهسازی خطی - مطالعه موردی 1 18:22
-
جلسه 7 - پیادهسازی متلب - بهینهسازی خطی - مطالعه موردی 1 11:29
-
مدلسازی ریاضی مسئله بهینهسازی خطی - مطالعه موردی 2 12:27
-
جلسه 9 - مطالعه موردی 2 - پیادهسازی پایتون 10:28
-
جلسه 10 - مطالعه موردی 2 - پیادهسازی متلب 07:57
-
آزمون - بهینهسازی خطی None
-
بهینهسازی خطی None
-
جلسه 11 - بهینهسازی غیرخطی مقید - متد ضرایب لاگرانژ 12:30
-
مطالعه موردی ۱1: توزیع بار اقتصادی در سیستم قدرت الکتریکی 21:31
-
مطالعه موردی 1: توزیع بار اقتصادی در سیستم قدرت الکتریکی - اشتقاق 12:01
-
جلسه 13 - اصلاحات 03:36
-
متلب - بهینهسازی غیرخطی مقید - روش ضرایب لاگرانژ 14:51
-
پایتون - بهینهسازی غیرخطی مقید - روش ضرایب لاگرانژ 13:50
-
آزمون - بهینهسازی غیرخطی مقید None
-
مطالعه موردی توزیع بار اقتصادی در سیستم قدرت الکتریکی None
-
بهینهسازی غیرخطی تکمتغیره - الگوریتم گرادیان کاهشی 35:48
-
محاسبات عددی - بهینهسازی غیرخطی تکمتغیره - الگوریتم گرادیان کاهشی 08:33
-
بهینهسازی غیرخطی تکمتغیره - الگوریتم گرادیان کاهشی - متلب 09:44
-
بهینهسازی غیرخطی تکمتغیره - الگوریتم گرادیان کاهشی - پایتون 06:55
-
بهینهسازی غیرخطی چندمتغیره - الگوریتم گرادیان کاهشی 09:06
-
بهینهسازی غیرخطی چندمتغیره - الگوریتم گرادیان کاهشی - محاسبات عددی 11:10
-
بهینهسازی غیرخطی چندمتغیره - الگوریتم گرادیان کاهشی - متلب 08:16
-
بهینهسازی غیرخطی چندمتغیره - الگوریتم گرادیان کاهشی - پایتون 07:55
-
آزمون - بهینهسازی غیرخطی چندمتغیره None
-
آزمون - بهینهسازی غیرخطی تکمتغیره None
-
بهینهسازی غیرخطی نامقید تکمتغیره None
-
بهینهسازی غیرخطی نامقید چندمتغیره None
-
چرا در یادگیری ماشین به بهینهسازی نیاز داریم؟ 14:56
-
آزمون - بهینهسازی در یادگیری ماشین None
مشخصات آموزش
بهینهسازی کاربردی: خطی، غیرخطی و با تمرکز بر یادگیری ماشین
- تاریخ به روز رسانی: 1404/10/04
- سطح دوره:مقدماتی
- تعداد درس:35
- مدت زمان :05:22:22
- حجم :2.96GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy