آکادمی تخصصی آپتیم‌یار (OptimYar)
بهینه‌سازی، یادگیری ماشین و تجزیه‌وتحلیل داده

🟩 زمینه‌های کاری:

◀️ بهینه‌سازی و تحقیق‌ در عملیات
(Optimization & Operations Research)
◀️ تجزیه‌وتحلیل داده و یادگیری ماشین
(Machine Learning & Data Analytics)
◀️ تحلیل کسب‌وکار و سیستم تصمیم‌گیری
(Business Analytics & DSS)

🟩 فعالیت‌های جاری:
◀️ برگزاری دوره‌های آموزشی حضوری و آنلاین
◀️ مشاوره در پژوهش‌های آکادمیک
◀️ مشاوره و همکاری در پروژه‌های صنعتی
◀️ تولید محتوای تخصصی و و اشتراک‌گذاری


🟩 اهداف این کانال:
1️⃣ اطلاع‌رسانی دوره‌های آموزشی آپتیم‌یار
2️⃣ ارتباط با فراگیران و پشتیبانی دوره‌ها
3️⃣ پرسش و پاسخ، و تعامل مدرس و فراگیران
4️⃣ آرشیو محتوای آموزشی و اشتراک‌گذاری آن



https://optimyar.com/

📊📚📉
1️⃣ اطلاع‌رسانی دوره‌های آموزشی آپتیم‌یار

2️⃣ ارتباط با فراگیران و پشتیبانی دوره‌ها

3️⃣ پرسش و پاسخ، و تعامل مدرس و فراگیران

4️⃣ آرشیو محتوای آموزشی در زمینه‌های زیر:
▶️ 𝐎𝐩𝐭𝐢𝐦𝐢𝐳𝐚𝐭𝐢𝐨𝐧 & 𝐀𝐧𝐚𝐥𝐲𝐭𝐢𝐜𝐬

▶️ 𝐎𝐩𝐞𝐫𝐚𝐭𝐢𝐨𝐧𝐬 𝐑𝐞𝐬𝐞𝐚𝐫𝐜𝐡 & 𝐌𝐚𝐭𝐡𝐞𝐦𝐚𝐭𝐢𝐜𝐚𝐥 𝐏𝐫𝐨𝐠𝐫𝐚𝐦𝐦𝐢𝐧𝐠

▶️ 𝐌𝐚𝐜𝐡𝐢𝐧𝐞 𝐋𝐞𝐚𝐫𝐧𝐢𝐧𝐠 & 𝐃𝐚𝐭𝐚 𝐀𝐧𝐚𝐥𝐲𝐭𝐢𝐜𝐬

▶️ 𝐎𝐩𝐭𝐢𝐦𝐢𝐳𝐚𝐭𝐢𝐨𝐧 𝐌𝐨𝐝𝐞𝐥𝐬 & 𝐌𝐚𝐭𝐡𝐞𝐦𝐚𝐭𝐢𝐜𝐚𝐥 𝐃𝐞𝐜𝐨𝐦𝐩𝐨𝐬𝐢𝐭𝐢𝐨𝐧 𝐌𝐞𝐭𝐡𝐨𝐝𝐬 [𝐁𝐃, 𝐋𝐑, 𝐂𝐆, 𝐁&𝐏, 𝐓𝐑, 𝐞𝐭𝐜.]

▶️ 𝐂𝐨𝐦𝐩𝐮𝐭𝐚𝐭𝐢𝐨𝐧𝐚𝐥 𝐈𝐧𝐭𝐞𝐥𝐥𝐢𝐠𝐞𝐧𝐜𝐞 & 𝐌𝐞𝐭𝐚𝐡𝐞𝐮𝐫𝐢𝐬𝐭𝐢𝐜𝐬

▶️ 𝐎𝐩𝐭𝐢𝐦𝐢𝐳𝐚𝐭𝐢𝐨𝐧 𝐮𝐧𝐝𝐞𝐫 𝐔𝐧𝐜𝐞𝐫𝐭𝐚𝐢𝐧𝐭𝐲 [𝐀𝐝𝐚𝐩𝐭𝐢𝐯𝐞 & 𝐑𝐨𝐛𝐮𝐬𝐭 𝐌𝐨𝐝𝐞𝐥𝐬]

▶️𝐃𝐚𝐭𝐚-𝐃𝐫𝐢𝐯𝐞𝐧 𝐃𝐞𝐜𝐢𝐬𝐢𝐨𝐧-𝐌𝐚𝐤𝐢𝐧𝐠 & 𝐑𝐨𝐛𝐮𝐬𝐭 𝐎𝐩𝐭𝐢𝐦𝐢𝐳𝐚𝐭𝐢𝐨𝐧

▶️ 𝐅𝐮𝐳𝐳𝐲 & 𝐒𝐭𝐨𝐜𝐡𝐚𝐬𝐭𝐢𝐜 𝐎𝐩𝐭𝐢𝐦𝐢𝐳𝐚𝐭𝐢𝐨𝐧

▶️ 𝐌𝐮𝐥𝐭𝐢-𝐂𝐫𝐢𝐭𝐞𝐫𝐢𝐚 𝐃𝐞𝐜𝐢𝐬𝐢𝐨𝐧 𝐀𝐧𝐚𝐥𝐲𝐬𝐢𝐬 (𝐌𝐂𝐃𝐀) & 𝐃𝐄𝐀

▶️ 𝐌𝐮𝐥𝐭𝐢-𝐎𝐛𝐣𝐞𝐜𝐭𝐢𝐯𝐞 𝐃𝐞𝐜𝐢𝐬𝐢𝐨𝐧-𝐌𝐚𝐤𝐢𝐧𝐠 (𝐌𝐎𝐃𝐌)

▶️ 𝐆𝐚𝐦𝐞 𝐓𝐡𝐞𝐨𝐫𝐲 [𝐂𝐨𝐦𝐩𝐞𝐭𝐢𝐭𝐢𝐨𝐧-𝐂𝐨𝐨𝐩𝐞𝐫𝐚𝐭𝐢𝐨𝐧-𝐂𝐨𝐨𝐫𝐝𝐢𝐧𝐚𝐭𝐢𝐨𝐧 𝐌𝐨𝐝𝐞𝐥𝐢𝐧𝐠]

▶️ [𝐂𝐏𝐋𝐄𝐗-𝐆𝐀𝐌𝐒-𝐆𝐮𝐫𝐨𝐛𝐢-𝐂𝐕𝐗-𝐏𝐲𝐨𝐦𝐨-𝐌𝐀𝐓𝐋𝐀𝐁-𝐏𝐲𝐭𝐡𝐨𝐧-𝐂++]


🔗 کانال تلگرام آپتیم‌یار (Optimyar)

✅ یک دسته‌بندی کامل از انواع مدل‌ها و الگوریتم‌های بهینه‌سازی

با توجه به کاربرد فراوان ابزارهای تحقیق در عملیات و تکنیک‌های بهینه‌سازی در مسائل مختلف مهندسی و مدیریت (از جمله، طراحی‌های صنعتی، برنامه‌ریزی‌های استراتژیک و تاکتیکال در بیزینس‌های مختلف، مدیریت عملیات در سازمان‌ها و سیستم‌های مختلف، و نهایتا توسعه سیستم‌های پشتیبان تصمیم‌گیری) یک دسته‌بندی مناسب از انواع مدل‌ها و الگوریتم‌های حل میتونه درگیری‌های ذهنی رو در ارائه یک متدلوژی مناسب کمتر کنه.

در اینجا سعی شده یک دسته‌بندی کامل به تصویر کشیده شه. بزودی در قالب یک ویدیو یا میتینگ آنلاین راجع هر مورد و ویژگی‌ها (نقاط ضعف و قوت) توضیح کامل ارائه میشه.


#Optimization
#Models
#Algorithms
#Methodology

بین گزینه‌هایی همچون GAMS و CPLEX و Pyomo و ... یا اصلا استفاده از زبان‌هایی مثل C++ کدام مورد رو در چه زمانی انتخاب کنیم؟ 🤔❓🤔

هر کدام از از این آلترناتیو‌ها ( یعنی GAMS ، GAMS و IBM CPLEX یا OPL و Pyomo و ...) نقاط ضعف و قوتی دارند برای پیاده‌سازی یک مدل‌ یا الگوریتم بهینه‌سازی دارند ولی به طور کلی، گام‌های زیر رو در نظر بگیرید:

❇️ برای شروع، شما باید تئوری و مهارت مدلسازی خودتون و ایده پردازی برای ارائه رویکردهای حل جدید (و یا لااقل استفاده بهینه از روش‌های حل موجود) رو تقویت کنید.
❇️ بعد، بهتره به یکی از نرم‌افزارهایی که به طور خاص برای مدلسازی ریاضی و بهینه‌سازی ارائه شدند کاملا یا حدودا مسلط باشید (GAMS و CPLEX و AMPL و ...): در ایران GAMS
❇️ حسب نیاز (معمولا برای استفاده بهتر از روش‌های حل موجود که مثلا بسادگی در GAMS کد نمیشه) بهتره به زبان‌های برنامه‌نویسی سطح بالا مثل پایتون و جولیا و یا متلب بپردازید.
❇️ حسب نیاز (معمولا برای توسعه رویکرد حل جدید و عملکرد بهتر از منظر زمان اجرا) بهتره به زبان‌های برنامه‌نویسی بنیادی‌تر مثل C++ بپردازید.


#Optimization_Software

Pyomo (Python-based Optimization Modeling Objects)

آخرین نسخه کتاب(سال 2021) پیاده‌سازی مدل‌های مختلف بهینه‌سازی به زبان پایتون با استفاده از پکیج پایمو/پایومو (Pyomo) .

بزودی، در وبسایت آپتیم‌یار، دوره آموزش پایه تا پیشرفته این محتوا برگزار می‌شود. پیش از دوره، پیشنهاد می‌شود مقدمات این کتاب یک مطالعه کلی شود و یا لینک زیر ملاحظه‌ شود:
http://www.pyomo.org/about

#پایمو
#Pyomo
#Optimization


✅ www.optimyar.com

❇️ پیاده‌سازی مدل‌های بهینه‌سازی و OR در زبان برنامه‌نویسی جولیا (Julia) ❇️

یکی دیگر از آلترناتیوهای پیاده‌سازی مدل‌های بهینه‌سازی و تحقیق در عملیات، استفاده از زبان برنامه‌نویسی جولیا و استفاده از API سالورهایی مثل CPLEX و ... در اون هست.
جولیا جزء زبان‌های برنامه‌نویسی سطح بالا و نزدیک به زبان انسان به حساب می‌آد و بعضا میتونه یک جایگزین خوب برای پایتون باشه و برخی از اساتید دانشگاه نیز اون رو ارجح‌تر از پایتون میدونن (البته اینطوری نیست لزوما)

به هر حال، کتاب فوق یک منبع خوب برای پیاده‌سازی مدل‌های بهینه‌سازی به زبان برنامه‌نویسی جولیا هست.
#jula
#جولیا
#Optimization

این سوال کوتاه ولی قشنگ شما جواب بسیار طولانی داره. خوندن این سه مقاله بخصوص اون مورد سوم که خیلی قشنگ توضیح داده رو بهتون پیشنهاد میکنم.

این رو بدونید که بهینه‌سازی مدرن تحت عدم قطعیت یعنی شما باید هم مدلسازی و تکنیک و الگوریتم‌های بهینه‌سازی رو بدونید و هم از ابزار پردازش داده‌های پیشین به درستی استفاده کنید. حالا این ابزار میتونید یک تکنیک clustering باشه، میتونه یک رگرسیون لجستیک باشه، میتونه یک کاهش ابعاد باشه، میتونه یک رگرسیون عمیق باشه و الی آخر. البته دقت کنید اینا شاخه‌های MLRO هستن و شاخه DRO تمرکزش بیشتر روی ایجاد مجموعه توزیع‌ها است. در ضمن دقت کنید که کاسبی واژه هایی مثل data scientist و data science و امثال اینا هم زیاد شده و مواظب باشید با چهار تا رگرسیون و دو تا نکته ساده آماری وقت شما رو با کلمه های درشت تلف نکنند.

پاسخ به سوال فوق

چند نکته رو برای شما و همه دوستان دیگه به طور خلاصه عرض میکنم.

قبل از هرچیزی دقت کنید که فریب تبلیغات کذایی و دوره‌های منفعت‌طلبانه‌ای که با واژه‌هایی مثل علم داده (Data Science)، دانشمند داده (Data Scientist) دوره 0 تا 100 علم داده و ... نخورید. پردازش داده و تکنیک های مختلف برای Data Analytics همیشه کاربردی بوده ولی چیز جدیدی نبوده و نیست. البته میتونیم بگیم کابردهای تکنیک‌های Analytics مهمتر شده (هر چهارتا شاخه Analytics که قبلا اینجا معرفی کردم بخصوص شاخه predictive و prescriptive)

متاسفانه دوره‌های زیادی و عمدتا کم کیفیت در ایران در این زمینه کم برگزار نشده (البته با احترام به تعداد محدودی که زحمت کشیدن). بازخوردی که بنده از بسیاری از دوستان و فراگیران داشتم، عمدتا همون تکنیک‌ها آمار و احتمال رو با چند تا الگوریتم یادگیری ماشین به عنوان علم داده ارائه میدن!!!!

پیشنهاد بنده اینه که اگر به این شاخه پرکاربرد (ولی نه جدید) علاقه‌مند هستید، مهارت‌ها و پیکره دانش زیر رو در خودتون تقویت کنید (دقت کنید که عمده این تقویت میتونه به صورت self-study باشه و از منابع free استفاده شه)

✅ حتما ریاضیات پایه و به طور خاص شاخه‌ Calculus و Linear Algebra و Numerical Analysis رو تقویت کنید. (از اونا نباشیم که مفاهیم ساده مثل ترانهاده یک ماتریس و یا مثلا مفهوم ترکیب خطی و نظریه تبدیل رو نمیدونن ولی پروفایل لینکدین میزنن دانشمند داده 😕 )

✅ اصول و مبانی کامپیوتر رو بهتره بیشتر بشناسیم. بهتره با یک زبان برنامه‌نویسی تسلط خوبی داشته باشید (نه لزوما Python) و ساختمان داده، پایگاه داده و این مطالب رو از کتب و منابع مهندسی/علوم کامپیوتر مطالعه کنید. (از اونا نباشیم که مفاهیم یک برنامه کامیپوتری و ساختارهای اصلی رو هم نمدوننولی ولی پروفایل لینکدین میزنن دانشمند داده 😕 )

✅ هوش مصنوعی (Artificial Intelligence) و به طور خاص شاخه هوش محاسباتی (Computational Intelligence) رو تمرکز ویژه داشته باشید و دقت کنید که خیلی از الگوریتم‌های پیش‌بینی، یادگیری ماشین و ... ن زیرمجموعه این بخش شن. (از اونا نباشیم که فرق رگرسیون خطی و غیرخطی، فرق خوشه‌بندی و دسته‌بندی و امثالهم رو نمیدونن و میزنن متخصص یادگیری ماشین ولی پروفایل لینکدین میزنن دانشمند داده 😕 )

✅ آمار کاربردی هم شاخه توصیفی (Descriptive) و به خصوص شاخه (Inferential Statistics) رو تقویت کنید و سعی کنید متریک‌های مهم آماری و نظریه تخمین رو با کتب و منابع فراوان موجود مطالعه یا بازخوانی دقیق تر داشته باشید. کتاب شلدون راس و مونتگومری خیلی خوب هستند. (از اونا نباشیم که مفاهیم ساده آماری مثل میانگین، واریانس و مد رو نمی‌دونن، تفاوت برآوردگر فاصله ای و نقطه‌ای رو نمیدونن، تفاوت PDF و CDF رو نمیدونن و ...، ولی پروفایل لینکدین میزنن دانشمند داده 😕 )

✅ دقت داشته باشیم که پشت بسیاری از الگوریتم و مدل‌های پیش‌بینی و تجویز که محققین این حوزه استفاده می‌کنند، کلی الگوریتم و تکنیک‌های بهینه‌سازی عددی و تحلیلی هست. سعی کنید مثل خیلیا به صورت black box از اونا استفاده نکنید و دقت کنید خیلی وقتا مهم هست شما یک معماری خاص و الگوریتم یادگیری ماشین خاص برای مسئله تون داشته باشید که لزوما الگوریتم بهینه‌سازی از پیش تعریف شده کارایی و عمکرد مناسبی برای بهینه کردن پارامترهای اون شبکه ندارن. بنابراین، سعی کنید حداقل اصول و پایه روش‌های بهینه‌سازی رو بدونید. در این پست انواع رویکردهای بهینه‌سازی و تصمیم‌گیری رو بهتون گفتم (اینجا) . دو کتاب زیر و استناد چندهزارتایی اونا اهمیت و وابستگی شدید ML به تکنیک‌ها و الگوریتم های Optimization رو نشون میده:
Optimization methods for large-scale machine learning
Practical bayesian optimization of machine learning algorithms


❇️ جمع‌بندی:
در حال حاضر، ترکیبی از دانش‌های علوم کامپیوتر، ریاضیات کاربردی و تکنیک‌های آماری و کسب مهارت‌هایی مثل برنامه‌نویسی و طراحی الگوریتم، مورد توجه بسیاری از شرکت‌ها و بیزینس‌هاست چراکه موجب میشه بتونن تحلیل و بهینه‌سازی مناسبی در تصمیم‌گیری‌هاشون داشته باشند. معمولا در این پروسه، داده‌ها و اطلاعات فعلی و پیش‌بینی شرایط آینده بسیار مهم است و ارزش داده رو بیشتر میکنه و باعث شده، با کمی افراط، ترکیب این موارد تحت عنوان علم داده بکارگرفته شه. در هر صورت، این شاخه کابردی با هر اسمی هم که استفاده شه در سراسر دنیا مورد نیاز بوده و هست و متخصصان اون میتونن تضمین و تامین مالی خوبی داشته باشند. ذکر این نکته بسیار مهم است که متخصص بودن صرفا به معنای برگزار کردن چند دوره آموزشی، گذراندن یک مقطع در یک دانشگاه خارجی و عنوان‌های بامزه در لیندکین نیست.

#DataScience
#Analytics

این کتاب در حوزه Production & Operations Management بنظر بنده خیلی بیان خوبی داره

❇️ روش‌های رایج برای حل مسائل برنامه‌ریزی تصادفی/سناریومحور تصادفی چندمرحله‌ای (Multi-Stage Stochastic Programming)


یکی از رویکردهای بهینه‌سازی در شرایط عدم‌قطعیت پویا، برنامه‌ریزی تصادفی/سناریومحور تصادفی چندمرحله‌ای (Multi-Stage Stochastic Programming) یا اختصارا MSSP است که مهمترین ویژگی آن امکان تعدیل/تطبیق پاسخ طی دوره‌ها/مراحل تصمیم‌گیری است.

اگر فرمولاسیون یک مسئله بهینه‌سازی تحت عدم‌قطعیت به صورت یک مدل MSSP باشد و تعداد سناریوهای حاصل از درخت سناریو زیاد باشد، معمولا سالورهای رایج از جمله CPLEX قادر به حل کارا آنها نیستند (حتی به فرض آنکه فرمولاسیون مدل MSSP خطی یا قابل خطی‌سازی باشد). بنابراین، برای مدل‌های MSSP در پژوهش‌های مختلف معمولا روش حل باید ارائه شود که در تصویر فوق چند مورد رایج‌تر آورده شده است.

#MSSP
#Uncertainty
#Optimization
#برنامه‌ریزی_تصادفی_چندمرحله‌ای

سوالتون رو مستقیم مطرح کنید.

در زمینه بازی‌های تکاملی (ٍEvolutionary Game) کتب زیر بهترین منبع هست

https://books.google.com/books?hl=en&lr=&id=m98ed0_Na1sC&oi=fnd&pg=PA1&dq=evolutionary+game+&ots=i_I07GIxYY&sig=GDXOPKj9oCtIBR4qIg2XywZ5Yc8#v=onepage&q=evolutionary%20game&f=false