🔔 با توجه به بهبود نسبی اینترنت، آمادهسازی دورهها آغاز شده است. به دلیل تداوم برخی اختلالات، بارگذاری دورهها ممکن است با کمی تأخیر انجام شود. مدت اشتراکهای تهیهشده محفوظ است.
لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش شبیهسازی مونت کارلو کاربردی
- آخرین آپدیت
دانلود Applied Monte Carlo Simulation
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
محتوای دوره شبیهسازی مونت کارلو: 8 گام تا تسلط بر مدلسازی کسب و کار
هدف اصلی دوره: تسلط بر توسعه مدلهای شبیهسازی مونت کارلو (Monte Carlo Simulation) با استفاده از یک چارچوب 8 مرحلهای عملی و کاربرپسند بر پایه مایکروسافت اکسل.
چه چیزی یاد خواهید گرفت؟
یک فرآیند 8 مرحلهای گام به گام برای اجرای شبیهسازی مونت کارلو.
18 مدل شبیهسازی متنوع از بخشهای مختلف کسب و کار.
نحوه شناسایی متغیرهای ورودی و تصادفیسازی سناریوها.
استفاده از بیش از 10 توزیع احتمال به عنوان متغیرهای ورودی.
راهاندازی و تفسیر روشهای آماری برای تحلیل خروجی مدل.
تکنیکهای پیشرفته اکسل برای سهولت در مدلسازی.
بهترین شیوهها، نکات و ترفندهای مدلسازی و کار با اکسل.
روشهای آماری بنیادین برای کنترل و تحلیل مدلها.
پیشنیازها:
دانش کاری با مایکروسافت اکسل (تکنیکهای خاص در دوره پوشش داده میشوند).
دانش مقدماتی آمار: احتمالات، توزیعها، انحراف معیار (مباحث بیشتر در دوره ارائه میشوند).
الف) هدف شبیهسازی مونت کارلو چیست؟
شبیهسازی مونت کارلو یک تکنیک محاسباتی برای سیستمهای پیچیده است که در آن دستیابی به نتایج قطعی (یا مقادیر ورودی دقیقاً مشخص) دشوار یا غیرممکن است. فرآیند اصلی شامل تولید مقادیر تصادفی برای هر متغیر ورودی بر اساس دانش ما از رفتار آنهاست. این فرمولبندی سپس هزاران بار تکرار میشود که هر بار با متغیرهای ورودی استخراج شده بهصورت تصادفی. تحلیل آماری هزاران مقدار خروجی حاصله میتواند برآوردهایی با سطح اطمینان مورد نیاز ارائه دهد. شبیهسازی مونت کارلو مشکل عدم اطمینان تحلیلگران در برآوردهایشان را حل میکند.
ب) کاربردهای شبیهسازی مونت کارلو
در موقعیتهای زیر میتوان از شبیهسازی مونت کارلو بهره برد:
برآورد متغیرهای ورودی در یک فرمولبندی که دارای حاشیه خطا هستند، برای مدیریت خطای تجمعی نتایج.
طراحی فرآیندهای کسب و کار با فرمولبندیهای کمی پیچیده؛ برای محاسبه هزینهها، کارایی، قابلیت اطمینان و ریسک با تعیین فواصل اطمینان.
پشتیبانی از روشهای تحلیل داده، علم داده و یادگیری ماشین که نیاز به تأیید از طریق نتایج آزمون مبتنی بر سناریوهای متعدد دارند (مانند پیشبینی، بهینهسازی، رگرسیون، بوتاسترپینگ، سیستمهای صف و دینامیک سیستمها).
انجام تحلیل حساسیت، تست تاثیرگذاری و تعیین فواصل اطمینان برای نتایج و تحلیل ریسکهای مرتبط.
ج) مثالی عملی: برنامهریزی پروژه
هنگام برنامهریزی پروژههایی با وظایف متعدد که مدت زمان و هزینههای آنها دقیق نیست، خطاهای برآورد در مدت زمان و هزینه کلی انباشته میشوند. شبیهسازی مونت کارلو امکان تهیه هزاران سناریو را فراهم میکند که هر کدام نماینده یک "نمونه" از پروژه شما هستند. برای هر وظیفه، میتوان مقداری تصادفی از توزیع احتمال که رفتار آن وظیفه را به بهترین نحو نشان میدهد، استخراج کرد. این هزاران سناریو منجر به هزاران مدت زمان کل (مسیر بحرانی) یا هزینه کل میشود و همچنین میتواند مسیرهای بحرانی متعددی را نشان دهد. این به شما امکان میدهد نتایج خود را با درجه اطمینان مشخص بیان کنید، مثلاً 90% سناریوها منجر به مدت زمان پروژه کمتر از 34 روز شدهاند و 10% احتمال طولانیتر شدن پروژه وجود دارد.
د) چرا به یک فرآیند استاندارد شبیهسازی مونت کارلو نیاز داریم؟
تنوع رویکردها در دورهها و کتابهای مختلف شبیهسازی مونت کارلو، نیاز به یک فرآیند استاندارد برای جلوگیری از اتلاف وقت در شروع مدلسازی از صفر را آشکار ساخته است. یک فرآیند استاندارد و بخشبندی شده، عیبیابی و اشتراکگذاری مدلها را آسانتر کرده و امکان استفاده مجدد از مراحل در مدلهای آتی را فراهم میکند.
ه) فرآیند عملی 8 مرحلهای برای توسعه مدلهای شبیهسازی مونت کارلو
در پایان این دوره، شما قادر خواهید بود از 8 مرحله زیر که از طریق یک مدل موردی مستند شده، بهره ببرید:
گام ۱: بیان صورت مسئله و آمادهسازی اطلاعات لازم. توسعه یک فرمولبندی ایستا مبتنی بر برآوردهای ثابت برای اعتبارسنجی اولیه.
گام ۲: شناسایی متغیرهای ورودی و تعیین توزیعهای احتمال مناسب برای هر متغیر، همراه با تنظیم پارامترهای آنها (میانگین، نرخ، انحراف معیار).
گام ۳: توسعه مدل با استفاده از توابع استخراج مقادیر تصادفی از توزیعها. جایگزینی برآوردهای ثابت گام 1 با مقادیر تصادفی پویا. این گام قلب مدل مونت کارلو است و منجر به هزاران نتیجه خروجی میشود.
گامهای ۴ تا ۷: توسعه و تفسیر نتایج با 5 روش تحلیلی: جداول فراوانی، نمودارهای ترکیبی (فراوانی و فراوانی تجمعی)، فواصل اطمینان با استفاده از صدکها، تحلیل حساسیت و تاثیرگذاری.
گام ۸: بیان یافتهها، پاسخ به سوالات مطرح شده در صورت مسئله و پیشنهاد بسط و بهبود مدل.
و) مباحث مرتبط و منابع تکمیلی
این دوره شامل مدلهای عملی با استفاده از فرآیند 8 مرحلهای است. توزیعهای مختلف مانند یکنواخت، گسسته، نرمال، دوجملهای، لاگ نرمال، هندسی، دوجملهای منفی، نمایی، بتا پرت و غیره به تفصیل توضیح داده شده و نحوه استفاده از آنها در شبیهسازی مونت کارلو با مثالها و رویهها ارائه میشود.
همه سخنرانیها با منابع متنوع پشتیبانی میشوند:
مدلهای شبیهسازی مونت کارلو حل شده و مستند شده در اکسل (مجموعاً 18 مدل).
ورکبوکهای اختصاصی برای تشریح و انیمیشن توزیعهای احتمال مختلف (مجموعاً 10 ورودی).
چندین مدل خالی برای شروع از ابتدا.
قالبهای قابل استفاده شما.
پیوند به مقالات و کتابهای جذاب.
رویههای دقیق برای فرمولبندیهای پیچیده.
لیستهای مرتبط.
سرفصل ها و درس ها
معرفی شبیه سازی مونت کارلو و دوره
Introducing Monte Carlo Simulation and the Course
ساختار این دوره
L1.1 The Structure of this Course
روش دلفی - شبیه سازی دستی
L1.2 The Delphi Method - A Manual Simulation
هدف شبیه سازی مونت کارلو (MCS)
L1.3 The Purpose of Monte Carlo Simulation (MCS)
پیشینه شبیه سازی مونت کارلو
L1.4 The Background of Monte Carlo Simulation
احتمال، اعداد تصادفی و متغیرهای تصادفی
Probability, Random Numbers and Random Variables
احتمال کاربردی (بخش ۱ از ۲)
L2.1 Applied Probability (Part 1 of 2)
احتمال کاربردی (بخش ۲ از ۲)
L2.1 Applied Probability (Part 2 of 2)
اعداد تصادفی، تولید و کاربرد آنها
L2.2 Random Numbers, Generation and their Application
متغیرهای تصادفی و توزیع ها (بخش ۱ از ۲)
L2.3 Random Variables and Distributions (Part 1 of 2)
متغیرهای تصادفی و توزیع ها (بخش ۲ از ۲)
L2.3 Random Variables and Distributions (Part 2 of 2)
توزیع نرمال و کاربردهای آن (بخش ۱ از ۲)
L2.4 The Normal Distribution and its Applications (Part 1 of 2)
توزیع نرمال و کاربردهای آن (بخش ۲ از ۲)
L2.4 The Normal Distribution and its Applications (Part 2 of 2)
معرفی فرآیند شبیه سازی ۸ مرحله ای و مدل مورد
Introducing the 8-Step Simulation Process and the Case Model
معرفی فرآیند شبیه سازی ۸ مرحله ای و مدل مورد
L3.1 Introducing the 8-Step Simulation Process and the Case Model
اقدامات خوب مدل سازی و برخی بایدها و نبایدها
L3.2 Good Modeling Practices and Some Do's and Don'ts
فرآیند شبیه سازی ۸ مرحله ای عملی و مدل مورد
The Practical 8-Step Simulation Process and the Case Model
مرحله ۱: فعالیت های شبیه سازی مقدماتی
L4.1 Step 1: Preliminary Simulation Activities
مرحله ۲: تحلیل متغیرهای ورودی + تعیین توزیع آنها (بخش ۱ از ۲)
L4.2 Step 2: Analyze Input Variables + Identify their Distributions (P1 of 2)
مرحله ۲: تحلیل متغیرهای ورودی + تعیین توزیع ها (بخش ۲ از ۲)
L4.2 Step 2: Analyze Input Variables + Identify Distributions (Part 2 of 2)
مرحله ۳: توسعه مدل دینامیک
L4.3 Step 3: Develop the Dynamic Model
مرحله ۴: تحلیل نتایج - توسعه جدول فراوانی
L4.4 Step 4: Analyze the Results - Develop the Frequency Table
مرحله ۵: تحلیل نتایج - توسعه نمودار ترکیبی تحلیلی
L4.5 Step 5: Analyze the Results - Develop the Analytic Combo Chart
مرحله ۶: تحلیل نتایج - توسعه آماره های مرتبط (بخش ۱ از ۲)
L4.6 Step 6: Analyze the Results - Develop Related Statistics (Part 1 of 2)
مرحله ۶: تحلیل نتایج - توسعه آماره های مرتبط (بخش ۲ از ۲)
L4.6 Step 6: Analyze the Results - Develop Related Statistics (Part 2 of 2)
مرحله ۷: تحلیل نتایج - تحلیل حساسیت و اثرگذاری
L4.7 Step 7: Analyze the Results - Sensitivity and Influence Analysis
مرحله ۸: بیان یافته ها و گسترش مدل شبیه سازی
L4.8 Step 8: State your Findings and Extend the Simulation Model
۱۸ مدل شبیه سازی مونت کارلو
18 Monte Carlo Simulation Models
تحلیل تخفیف نمایشگاه (دوجمله ای) (بخش ۱ از ۲)
L5.1 Showroom Discount Analysis (BINOMIAL) (Part 1 of 2)
تحلیل تخفیف نمایشگاه (دوجمله ای) (بخش ۲ از ۲)
L5.1 Showroom Discount Analysis (BINOMIAL) (Part 2 of 2)
مصاحبه با مسافران در فرودگاه (هندسی) (بخش ۱ از ۲)
L5.2 Interviewing Passengers at an Airport (GEOMETRIC) (Part 1 of 2)
مصاحبه با مسافران در فرودگاه (هندسی) (بخش ۲ از ۲)
L5.2 Interviewing Passengers at an Airport (GEOMETRIC) (Part 2 of 2)
نمایش نظرات