آموزش بوت‌کمپ بهینه‌سازی چند هدفه با پایتون از A تا Z - آخرین آپدیت

دانلود Multi-Objective Optimization with Python Bootcamp A-Z

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:

بهینه‌سازی چند هدفه و تصمیم‌گیری با Pymoo: متعادل‌سازی اهداف، یافتن راه‌حل‌ها

مباحث اصلی دوره

  • مبانی بهینه‌سازی چند هدفه (MOO)
  • کتابخانه Pymoo و نحوه حل مسائل MOO در پایتون
  • الگوریتم‌های بهینه‌سازی چند هدفه و نحوه مقداردهی اولیه آن‌ها
  • روش‌های تصمیم‌گیری چند معیاره
  • برنامه‌نویسی مصالحه (Compromise Programming)
  • روش وزن‌های شبه (Pseudo-Weights Method)

پیش‌نیازهای دوره

مهارت‌های برنامه‌نویسی پایه: دانشجویان باید درک اساسی از برنامه‌نویسی در پایتون داشته باشند.

مبانی بهینه‌سازی: آشنایی با مفاهیم و اصطلاحات بهینه‌سازی مفید است، هرچند اجباری نیست.

برنامه‌نویسی شیءگرا (OOP): درک اصول برنامه‌نویسی شیءگرا ارزشمند خواهد بود.

توضیحات دوره

به دوره "بوت‌کمپ جامع بهینه‌سازی چند هدفه با پایتون از A تا Z" خوش آمدید! در این دوره جامع، شما سفری را آغاز خواهید کرد تا به یک بهینه‌ساز ماهر تبدیل شوید و با دانش و ابزارهای لازم برای حل مسائل پیچیده‌ای که شامل اهداف متضاد هستند، مجهز شوید. با تمرکز بر استفاده از کتابخانه قدرتمند Pymoo در محیط پایتون، درک عمیقی از تکنیک‌ها و استراتژی‌های بهینه‌سازی چند هدفه برای تصمیم‌گیری آگاهانه به دست خواهید آورد.

نکات برجسته دوره:

  • مبانی بهینه‌سازی چند هدفه: درک مبانی بهینه‌سازی چند هدفه، بهینگی پارتو و چالش‌های ناشی از اهداف متضاد.
  • الگوریتم‌های بهینه‌سازی: کاوش طیف وسیعی از الگوریتم‌های پیشرفته، از جمله الگوریتم‌های ژنتیک پیاده‌سازی شده با Pymoo.
  • تسلط بر کتابخانه Pymoo: غرق شدن در کتابخانه Pymoo، از نصب و راه‌اندازی تا سفارشی‌سازی الگوریتم‌ها و تفسیر نتایج، برای حداکثر کردن تسلط شما در بهینه‌سازی چند هدفه.
  • تصمیم‌گیری چند معیاره: کشف روش‌هایی مانند وزن‌های شبه و برنامه‌نویسی مصالحه برای تصمیم‌گیری آگاهانه با در نظر گرفتن معیارهای متعدد.
  • کاربردهای دنیای واقعی: اعمال مهارت‌های خود در مطالعات موردی عملی از حوزه‌های مختلف، یادگیری نحوه پرداختن به چالش‌های واقعی با راه‌حل‌های بهینه‌سازی.
  • پروژه‌های عملی: کار بر روی تمرین‌های کدنویسی عملی و تکالیف که درک شما را تقویت کرده و تجربه عملی در حل مسائل چند هدفه را فراهم می‌کند.
  • تجسم و تحلیل: استفاده از ابزارهای بصری برای تجزیه و تحلیل جبهه‌های پارتو، مبادلات (trade-offs) و تأثیر روش‌های تصمیم‌گیری.
  • استراتژی‌های حل مسئله: توسعه استراتژی‌ها برای مقابله با مسائل پیچیده بهینه‌سازی، مدیریت محدودیت‌ها و دستیابی به تعادل مناسب بین همگرایی و تنوع.

این دوره، چه دانشجو باشید، چه محقق، دانشمند داده یا متخصص، بینش‌های ارزشمندی در زمینه بهینه‌سازی چند هدفه و تصمیم‌گیری ارائه می‌دهد. در پایان، شما مجهز خواهید شد تا با اطمینان به چالش‌های پیچیده بپردازید، راه‌حل‌ها را به طور مؤثر بهینه‌سازی کنید و با استفاده از قدرت Pymoo، تصمیمات آگاهانه‌ای بگیرید.

به ما در این سفر هیجان‌انگیز "بوت‌کمپ جامع بهینه‌سازی چند هدفه با پایتون از A تا Z" بپیوندید. امروز ثبت‌نام کنید و بعد جدیدی از تخصص حل مسئله را باز کنید.


سرفصل ها و درس ها

مقدمه Introduction

  • محتوای دوره Course Content

  • اطلاعات دوره Course Information

قبل از شروع (پیش‌نیازهای دوره) Before We Start (Course Requirements)

  • مقدمه ای بر محیط Google Colab Introduction to Google Colab Environment

  • دوره فشرده NumPy NumPy Crash Course

  • مفهوم الگوریتم ژنتیک – بیولوژیکی Genetic Algorithm Concept – Biological

  • مفهوم الگوریتم ژنتیک – ریاضی Genetic Algorithm Concept - Mathematical

  • کدهای منبع Source Codes

بهینه‌سازی چندهدفه Multi-objective Optimization

  • مقدمه ای بر بهینه‌سازی چندهدفه Introduction to Multi-objective Optimization

  • مقدمه ای بر کتابخانه pymoo Introduction to pymoo Library

یافتن مجموعه‌ راه حل Finding a Solution Set

  • فرمول‌بندی مسئله Problem Formulation

  • نصب pymoo pymoo Installation

  • توسعه کلاس Class Development

  • مقداردهی اولیه الگوریتم‌ها Initializing an Algorithms

  • فرآیند بهینه‌سازی Optimization Process

  • نتایج و بصری‌سازی Results & Visualization

تصمیم‌گیری چندمعیاره (MCDM) Multi-Criteria Decision Making (MCDM)

  • جبهه پارِتو چیست؟ What is Pareto Front?

  • تصمیم‌گیری چندمعیاره (MCDM) چیست؟ What is Multi-Criteria Decision Making (MCDM)?

  • مقدمه ای بر برنامه‌نویسی مصالحه Introduction to Compromise Programming

  • مقدمه ای بر وزن‌های مجازی Introduction to Pseudo-Weights

  • نرمال‌سازی (نقطه ایده‌آل و نقطه نادیر) Normalization (Ideal Point and Nadir Point)

  • تصمیم‌گیری با استفاده از برنامه‌نویسی مصالحه Decision Making Using Compromise Programming

  • تصمیم‌گیری با استفاده از روش وزن‌های مجازی Decision Making Using Pseudo-Weights Method

خلاصه و تمرین Summary and Exercise

  • تمرین Exercise

بخش جایزه! Bonus Section!

  • درس جایزه! Bonus Lecture!

نمایش نظرات

آموزش بوت‌کمپ بهینه‌سازی چند هدفه با پایتون از A تا Z
جزییات دوره
3.5 hours
24
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
450
4.6 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Navid Shirzadi Navid Shirzadi

Data Analyst - Optimization Expert نام من نوید شیرزید است و من بسیار خوشحالم که شما برای خواندن این بخش اینجا هستید! من یک محقق با بیش از 7 سال تجربه در زمینه کنترل سیستم های انرژی یکپارچه با مهارت گسترده در استفاده از استراتژی های بهینه سازی ریاضی هستم. من همچنین در برنامه نویسی با پایتون و توسعه مدل های یادگیری ماشین و یادگیری عمیق برای برنامه های مختلف مهارت دارم. من چندین نشریه در زمینه طراحی و کنترل استراتژی های سیستم های انرژی با استفاده از یادگیری ماشین ، یادگیری عمیق و هوش مصنوعی دارم. به عنوان نتیجه گیری ، من علاقه زیادی به علم داده و یادگیری ماشین و برنامه های بهینه سازی در مشکلات دنیای واقعی دارم و واقعاً دوست دارم تجربه خود را با شما در میان بگذارم!