بهینهسازی یکی از پایههای فهم عمیقتر الگوریتمهای یادگیری ماشین است. دوره آموزشی «یادگیری ماشین با رویکرد بهینهسازی» فرصتی منحصر به فرد برای شماست تا روشهای متداول یادگیری ماشین را با تمرکز بر حل مسائل بهینهسازیِ درون آنها فرا بگیرید و به این ترتیب دانش و مهارت خود در این حوزه را تقویت کنید.
در این دوره با رویکردی عملگرایانه، بحث را از موضوع پیشپردازش و پاکسازی دادهها آغاز خواهیم کرد و قبل از هر چیزی سراغ روشهای مواجهه با مقادیر گمشده، شناسایی و حذف دادههای پرت، نرمالسازی و مقیاسبندی دادهها و کدگذاری متغیرهای دستهای خواهیم رفت. سپس با مرور مبانی ریاضی بهینهسازی، روی روشهای KKT متمرکز خواهیم شد و با اهمیت شرایط KKT در بهینهسازی غیرخطی و همینطور بهینهسازی تکسطحی و دوسطحی آشنا میشویم. در این بخش علاوه بر ریاضیات بهینهسازی، با آشنایی با مفاهیمی مثل ماتریس کوواریانس، مقادیر ویژه و بردارهای ویژه توانایی خود برای تحلیل داده گسترش خواهیم داد.
پس از فراگیری مبانی بهینهسازی و ریاضیات مورد نیاز به روشهای یادگیری ماشین میرسیم و بر مدلهای پیشبینی متمرکز خواهیم شد. مدلهای رگرسیون خطی و لجستیک، ماشین بردار پشتیبان (SVM) و مفهوم Kernel و همچنین الگوریتم نزدیکترین k-همسایه (KNN) روشها و مفاهیمی هستند که آنها را با استفاده از ریاضیات بهینهسازی و حلکنندههای LP، MILP و NLP فرا خواهیم گرفت. در بخش بعدی، روشهای K-means و K-medoids در خوشهبندی را یاد میگیریم و با حلکنندههای LP، MILP و NLP و پیادهسازی آنها با استفاده کتابخانه Pyomo در محیط پایتون آشنا میشویم.
در نهایت، با تحلیل مؤلفههای اصلی (PCA) آشنا خواهیم شد و تاثیر استفاده از آن را در برخی از مسائل قبلی مورد بررسی قرار خواهیم داد. تحلیل مولفههای اصلی یک ابزار چندکاره در علوم داده است که در سادهسازی دادهها، کشف الگوها و بهبود عملکرد مدلهای تحلیلی در حوزههای مختلف نقشی موثر و قابل توجه دارد. توانایی این شیوه در کاهش ابعاد داده بدون از دست دادن قابل توجه اطلاعات، آن را برای متخصصین علوم داده و پژوهشگرانی که با دادههای بزرگ و پیچیده سروکار دارند، بینهایت ارزشمند میسازد.
در انتهای دوره با انجام پروژه پایانی، آموختههای خود در دوره را با دست و پنجه نرم کردن با دادههای واقعی به کار خواهیم گرفت و آنچه یاد گرفتیم را تثبیت خواهیم کرد.
این دوره برای تحلیلگران داده، پژوهشگران، دانشجویان و همه علاقهمندان به یادگیری ماشین و بهینهسازی طراحی شده است و به آنها کمک میکند تا مهارت و دانش خود در دنیای علوم داده به صورت ویژه گسترش دهند.
معرفی مدرس
علیرضا سرودی متخصص ارشد علوم داده و راهبر پروژههای بهینهسازی و تحقیق در عملیات در شرکت EirGrid و عضو ارشد موسسه مهندسان برق و الکترونیک (Senior Member IEEE) است.
علیرضا نزدیک به یک دهه استاد دانشگاه دوبلینکالج ایرلند بوده و تحقیقاتش بر بهینهسازی سیستمهای قدرت و زنجیره تامین متمرکز است و در آنها از ابزارهای مختلفی مثل ORTools، Pyomo و GAMS بهره میگیرد.
او تحصیلات خود را در مقاطع کارشناسی و کارشناسی ارشد در رشته مهندسی برق در دانشگاه صنعتی شریف به پایان رسانده و مدرک دکترای خود را در همین رشته از دانشگاه صنعتی گرونوبل در فرانسه دریافت کرده است. علیرضا سرودی برنده جایزه محقق جوان INFORM در سال 2013 و برگزیده گرنت تحقیقاتی بنیاد علوم ایرلند در سال 2017 است. انتشارات Springer کتاب Power System Optimization Modeling in GAMS به قلم علیرضا سرودی را در سال 2017 به چاپ رسانده است.
برنامه آموزشی
۱ – پردازش و پاکسازی دادهها
- مدیریت مقادیر گمشده (Missing Values)
- شناسایی و حذف دادههای پرت (Outliers)
- نرمالسازی (Normalization) و مقیاسبندی (Scaling)
- کدگذاری متغیرهای دستهای
۲ – مبانی ریاضی
- مرور مفاهیم اصلی در بهینهسازی ریاضی
- آشنایی با روشهای KKT در بهینهسازی ریاضی
اهمیت شرایط KKT برای بهینگی در برنامهریزی غیرخطی و بهینهسازی تکسطحی و دوسطحی - ماتریس کوواریانس (Covariance matrix)
- مقادیر ویژه و بردارهای ویژه (Eigenvalues, Eigenvectors)
۳ – مدلهای پیشبینی
- مدلهای رگرسیون و دستهبندی
- رگرسیون خطی و رگرسیون لجستیک
با استفاده از حلکنندههای LP، MILP و NLP در کتابخانه Pyomo - ماشین بردار پشتیبان (SVM) و مفهوم Kernel
- نزدیکترین k-همسایه (KNN)
۴ – مدلهای خوشهبندی (Clustering)
- خوشهبندی با روش K-means و K-medoids
با استفاده از حلکنندههای LP، MILP و NLP در Pyomo
۵ – تحلیل مؤلفههای اصلی (PCA)
روش تحلیل مولفههای اصلی یکی از روش های مهم و پرکاربرد در یادگیری ماشین است که در حوزههای مختلفی مثل کاهش ابعاد، بصریسازی دادهها، استخراج ویژگیها، شناسایی الگو، فشردهسازی دادهها، پردازش گفتار و صدا و سیستمهای توصیهگر به کار میرود. در این بخش از دوره ابتدا به مبانی ریاضی این تکنیک پرداخته خواهد شد و سپس برای یک مساله عملی کاربرد آن بررسی و در محیط پایتون کدنویسی خواهد شد.
۶ – پروژه پایانی
پیشنیازها
برای شرکت در این دوره آشنایی با پایتون و کتابخانههای numpy و pandas و matplotlib لازم است. اگر با این موارد آشنایی ندارید قبل از شروع دوره، منابعی برای مطالعه و آشنایی با این موضوعات در اختیار شما قرار میگیرد.
مخاطبین دوره
- تحلیلگران داده در کسبوکار
- پژوهشگران و محققین
- دانشآموختگان و دانشجویان رشتههای مهندسی صنایع، علوم ریاضی، اقتصاد، مدیریت، مالی، آمار، مهندسی برق و کامپیوتر و …
اطلاعات دوره
- سطح دوره: متوسط و پیشرفته
- طول دوره: ۱۸ ساعت (۶ هفته)
- تاریخ شروع: ۲۸ دی ۱۴۰۳
- زمان برگزاری: جمعهها ۱۷:۳۰ تا ۲۰:۴۵
- سطح: متوسط و پیشرفته
- شیوه برگزاری: آنلاین (google meet)
در لایه زیرین تمامی الگوریتمها و کتابخانههای یادگیری ماشین یک مسئله بهینهسازی وجود دارد. در این دوره آموزشی برخی از مهمترین روشهای یادگیری ماشین با تمرکز بر چگونگی مینیممسازی خطا با توجه به قیود ریاضی موجود در آنها ارائه خواهد شد.
تقویم برگزاری
هفته ۱ | جمعه ۲۸ دی ۱۴۰۳ |
هفته ۲ | جمعه ۵ بهمن ۱۴۰۳ |
هفته ۳ | جمعه ۱۲ بهمن ۱۴۰۳ |
هفته ۴ | جمعه ۱۹ بهمن ۱۴۰۳ |
هفته ۵ | جمعه ۲۶ بهمن ۱۴۰۳ |
هفته ۶ | جمعه ۳ اسفند ۱۴۰۳ |
ویژگیهای دوره
- پرداختن به لایههای زیرین الگوریتمهای یادگیری ماشین و اشراف بیشتر بر آنها
- تجربه رویارویی با چالشهای واقعی مسائل بهینهسازی و یادگیری ماشین
- دسترسی به محتوای آموزشی و تمرینها علاوه بر محتوایی که در کلاس ارائه میشود
- دریافت ویدئوی ضبطشده هر جلسه ۲۴ ساعت بعد از برگزاری آن
- امکان پرسشوپاسخ و دریافت پشتیبانی و مشاوره آموزشی در طول مدت دوره
- ایجاد ارتباط با مدرس و دیگر شرکتکنندگان و تقویت شبکه ارتباطی
- امکان پرداخت قسطی
- صدور گواهی دو زبانه در پایان دوره
- امکان ثبت نام جداگانه در بخشهای مختلف دوره
(در صورت نیاز به پیش از ثبت نام به پشتیبانی اطلاع دهید)
ثبتنام و پرداخت
شهریه
۴,۹۵۰,۰۰۰ تومان
(اعتبار کد تخفیف تا ۲۱ آبان ۱۴۰۳)
پرداخت در سه قسط
۱,۶۵۰,۰۰۰ تومان
(اعتبار کد تخفیف تا ۲۱ آبان ۱۴۰۳)
برگزارکننده
پشتیبان دوره
شماره تماس: 09103209837
شناسه تلگرام:
@dlearnsup
تماس با مدرسه پردازش و تحلیل داده دقیقه: 02188349244