🔹 یادگیری ماشین برای مدل‌های بهینه سازی استوار تطبیقی

🔸 A machine learning approach to two-stage adaptive robust optimization
by EJOR

📚 این یک مقاله ارزشمند هست که علاوه بر توضیح کلی مدل‌های بهینه‌سازی استوار تطبیقی (ARO) ، ابتدا روش حل Column and Constraint Generation به عنوان یک روش مدرن توضیح داده میشه و سپس توضیح داده میشه چطور با تکنیک‌های یادگیری ماشین و به طور خاص الگوریتم های Classification میشه مدل‌های ARO رو با کارایی بیشتری حل کرد.

🔗 دانلود مستقیم
🎧 ویس توضیحات 🎤



📈😀
✅@Optima_Per    Q/A
✅@Optimyar       Courses
🌐 optimyar.com

🔹 منفعت‌های استفاده از ابزارهای هوش‌ مصنوعی در پژوهش و مقالات آکادمیک و محدودیت‌های آن

🔸 Benefits and Limitations of AI Tools in Research and Academic Papers


⌛بزودی...
📱 پست در صفحه لینکدین (اینجا)
📱 لایو در اینستاگرام (اینجا)

همراه با ▶️:
Dr. Ali Papi-RAD (Iran)
Dr. Yaser Malekian (Iran)
Dr. Ashkan Teymouri (USA)
Dr. Ashkan Hosseini (Australia)
Dr. Adel Aazami (Austria-Vienna)
Dr. Fatemeh Baghbani Abootaleb (Germany)
Dr. Khalilallah Memarzadeh (Iran)
Dr. Nima Gholghamat (USA)
Dr. Zoha Masumi (Canada)
Dr. Misagh Rahbari (Iran)
Dr. Ali Nazari (France)
Dr. Payam Khazaelpour (USA)
Dr. David Mohammadi (England)

⏱ اطلاعیه تکمیلی زمان برگزاری اینجا قرار داده می‌شود...

🔹 مبانی مدل‌سازی ریاضی

🔸 Mathematical Modelling Basics


📚 در این کتاب جذاب، خیلی ساده و مفید به توضیح مبانی و اصول مدل‌سازی ریاضی پرداخته و همچنین کاربردهای مدل‌ساری ریاضی و الگوریتم‌های حل توضیح داده شده (دقت کنید که بیان این کتاب مثل کتب‌ کلاسیک تحقیق در عملیات یا OR نیست بلکه یک نگاه کاربردی‌ و عمیق‌تر داره)

🔗 دانلود مستقیم
🎧 ویس توضیحات 🎤

📈😀
✅@Optima_Per    Q/A
✅@Optimyar       Courses
🌐 optimyar.com

🔹 مبانی و مقدمات مدل‌های زبانی بزرگ (LLMs) برای پردازش زبان طبیعی (NLP)

🔸 Large Language Models (LLMs)


📚 در این کتاب که در سال 2025 به انتشار رسیده است، به مباحث پایه‌ای و فونداسیون اولیه در مدل‌های زبانی بزرگ یا LLM پرداخته می‌شود و نحوه بکارگیری آنها در پردازش زبان طبیعی (NLP)، به عنوان یکی از جذاب‌ترین شاخه‌های هوش مصنوعی، پرداخته می‌شود. ویژگی خوب این کتاب اینه که نه بیش از حد وارد جزئیات ریاضی و آماری پشت مدل‌ها میشه و نه خیلی سطحی از ریاضیات می‌گذره (البته پیشنهاد میکنم اگر پایه‌های ریاضی و آمار رو تا حد قابل قبولی نرسوندید به سمت این کتب نرید. و وقتی پایه‌های بهینه‌سازی رو هم تقویت کردید میتونید حتی خیلی از مدل‌ها و الگوریتم‌های یادگیری ماشین موجود در این کتب رو تقویت کنید. Optimization for Machine Learning رو فراموش نکنید که پیش‌تر در مورد صحبت کردیم و حتی وبینار گذاشتیم)

🔗 دانلود مستقیم

🎧 ویس توضیحات 🎤


📈😀
✅@Optima_Per    Q/A
✅@Optimyar       Courses
🌐 optimyar.com

با همه سختی، خستگی و درد ذهنی، مگه میشه عید نوروز بشه و چیزی جز حال خوب و شادی و آرامش و امیدواری برای هم آرزو کرد...

امیداورم ۱۴۰۴ برای شما، هرکی شما رو دوست داره، و هرکی شما دوسش دارید پر از حال خوش و لحظات شادی واقعی باشه 🌹

1️⃣4️⃣❤️4️⃣  🐍

📚 کلاس‌های "آماده برای درخواست و برگزاری در سال 1404"

1- بهینه‌سازی استوار توزیعی داده‌محور
Data-Driven Distributionally Robust Optimization (Wasserstein Distance-based and Moment-based) 


2- بهینه‌سازی استوار داده‌محور مبتنی بر یادگیری ماشین 
Machine Learning-based Data-Driven Robust Optimization (KDE, FCM, SCV, PCA, CPH)


3- بهینه‌سازی استوار تطبیقی و حل تجزیه‌محور با روش تولید سطر و ستون   
Adaptive Robust Optimization [and Decomposition-based Solution using Column and Constraint Generation ]  


4- روش‌های تجزیه برای حل دقیق مسائل بهینه‌سازی (بندرز، لاگرانژ، دانتزیگ-ولف، تولید ستون، شاخه-قیمت، شاخه برش)     
Decomposition-based Method for Exact Solution of Mathematical Model (BD, LR, DW, CG, B&P, B&C)  


5- الگوریتم‌های ابتکاری و فراابتکاری و هوش محاسباتی برای حل مسائل بهینه‌سازی پیچیده (مسئله‌محور)     
Heuristics, Metaheuristics, Math-heuristics, and CI for Intelligent Computationally Efficient Optimization   


6- روش‌های خطی‌سازی و تقریب در مدل‌های بهینه‌سازی غیرخطی      
Linearization & Approximation for Non-Linear Optimization Models 
  

7- بهینه‌سازی چندهدفه و روش‌های آن      
Multi-Objective Optimization (Methods)

 
8- بهینه‌سازی دوسطحی و مدل‌های  نظریه بازی استکلبرگ و نش (مدل و روش‌های حل)      
Bi-Level Programming and Game Theory [Modeling and Solution Methods]


9- یادگیری ماشین، یادگیری عمیق و یادگیری تقویتی برای تحلیل داده (مفاهیم، الگوریتم‌ها و پیاده‌سازی در پایتون با تحلیل)
Data Analytics with ML, DL, RL Algorithm  


10- کدنویسی پیشرفته برای پیاده‌سازی مدل‌های بهینه‌سازی در GAMS, Python, CPLEX, C++ 
Advanced Coding [GAMS, C++, Python, CPLEX] for Optimization


11- برنامه‌ریزی پویا تصادفی و تقریبی، برنامه‌ریزی تصادفی چندمرحله‌ای و تصمیم‌گیری متوالی با یادگیری تقویتی 
Stochastic Dynamic Programming, Approximate DP, MSSP, & Sequential Decision-Making with Reinforcement Learning 

✅ عمده دوره‌ه‌های فوق به صورت Private (کلاس‌های 1 یا 2 نفره) برگزار می‌شود.
✅ شیوه برگزاری جلسات هم به صورت آنلاین و هم حضوری است.
✅ جزئیات بیشتر: @sms_optimyar و @Ali_PapiRAD


✅پیش‌نیاز: شماره‌های 1 و 2 و 3 و 8 (یا 11 و 13) از این لیست...

📱صفحه لینکدین مدرس 👨‍💻



📈😀
✅@Optima_Per    Q/A
✅@Optimyar       Courses
🌐 optimyar.com

🔹 تحلیل شاخص P-Value در سنجش در آزمون‌های فرضیه آماری


📚  یکی از شیوه‌های تجربی برای نشان‌دادن برتری یک روش نسبت به روش‌های دیگر موجود، استفاده از آزمون‌های فرضیه آماری و‌ بررسی p_value است.
در حالت کلی، p-value احتمال وقوع مشاهدات در دسترس( و مشاهدات بدتر از آن با فرض یعنی عدم تفاوت این روش با روش‌های دیگر را نشان می‌دهد.
بنابراین، هرچه مقدار آن کمتر باشد، یعنی شواهد تائیدکننده فرضیه تحقیق در مورد بهبود عملکرد سیستم با روش جدید است و احتمال آنکه تفاوت نداشته باشند، ناچیز است.



📈😀
✅@Optima_Per    Q/A
✅@Optimyar       Courses
🌐 optimyar.com

🔹 15+1 رویکرد برای مسائل بهینه‌سازی تحت عدم قطعیت (Optimization Problem under Uncertainty - OPU)

📚  در این پست، 15 رویکرد اصلی موجود در ادبیات برای پرداختن به OPU ها معرفی شده و برای هر یک توضیح مناسبی قرار دادیم. همچنین بیان ریاضی رویکردهای اصلی همچون برنامه‌ریزی تصادفی، بهینه‌سازی استوار و بهینه‌سازی استوار توزیعی نیز آورده شده است. توضیحات بیشتر در لینکدین Ali Papi-RAD


1- Stochastic Programming (SP)

2- Conditional Value‑at‑Risk (CVaR) Optimization

3- Chance‑Constrained Programming (CCP)

4- Sample Average Approximation (SAA)

5- Robust Optimization (RO)

6- Distributionally Robust Optimization (DRO)

7- Data‑Driven / ML‑Based Robust Optimization (DDRO/MLRO)

8- Stochastic Dynamic Programming (SDP)

9- Markov Decision Process (MDP)

10- Sequential Decision‑Making (SDM) with Reinforcement Learning (RL)

11- Rolling Horizon (RH)

12- Adaptive / Adjustable Robust Optimization (ARO)

13- Adaptive Distributionally Robust Optimization (ADRO)

14- Simulation‑Based Optimization (SBO)

15- Fuzzy & Possibilistic Optimization

15+1- Hybrid & Other Methods
Mix or extend the above (e.g., mean‑CVaR, info‑gap, Bayesian optimization, minimax‑regret) to tailor performance for specific applications.


📱 لینک توضیحات کامل در LinkedIn - کلیک کنید 📚


📚Best References (part I)
📚Best References (part II)
📚Best References (part III)


📈😀
✅@Optima_Per    Q/A
✅@Optimyar       Courses
🌐 optimyar.com

🔹 𝗕𝗲𝘀𝘁 𝗥𝗲𝗳𝗲𝗿𝗲𝗻𝗰𝗲𝘀 𝗼𝗳 𝗢𝗽𝘁𝗶𝗺𝗶𝘇𝗮𝘁𝗶𝗼𝗻 𝘂𝗻𝗱𝗲𝗿 𝗨𝗻𝗰𝗲𝗿𝘁𝗮𝗶𝗻𝘁𝘆

Recently, I introduced 𝟏𝟓 + 𝟏 𝐓𝐨𝐩 𝐀𝐩𝐩𝐫𝐨𝐚𝐜𝐡𝐞𝐬 𝐭𝐨 𝐎𝐩𝐭𝐢𝐦𝐢𝐳𝐚𝐭𝐢𝐨𝐧 𝐮𝐧𝐝𝐞𝐫 𝐔𝐧𝐜𝐞𝐫𝐭𝐚𝐢𝐧𝐭𝐲 (here: https://lnkd.in/d5iBxFJJ). As promised, reflecting on my own experience and after gathering feedback from my students, I’m excited to disclose the resources that have truly elevated our learning journeys.


📱 لینک توضیحات کامل در LinkedIn - کلیک کنید 📚




📈😀
✅@Optima_Per    Q/A
✅@Optimyar       Courses
🌐 optimyar.com