دوره استفاده از الگوریتم‌های ژنتیک در بهینه‌سازی مدل‌های پیش‌بینی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استفاده از الگوریتم‌های ژنتیک در بهینه‌سازی مدل‌های پیش‌بینی

موضوع کلی: نظریه بازی و تصمیم‌گیری در شرایط عدم قطعیت

موضوع میانی: پیش‌بینی پدیده‌های جوی

📋 سرفصل‌های دوره

• 1. تعریف مسئلهٔ بهینه‌سازی در پیش‌بینی جوی
• 2. انواع مدل‌های پیش‌بینی و افق‌های زمانی
• 3. منابع داده: ایستگاه‌ها، رادار، ماهواره و خروجی مدل‌های عددی
• 4. بازنمایی داده‌های مکانی–زمانی جوی
• 5. کنترل کیفیت و اعتبارسنجی مشاهدات
• 6. مدیریت داده‌های گمشده و ناهمگن
• 7. شناسایی و مدیریت خطاهای اندازه‌گیری و داده‌های پرت
• 8. استانداردسازی و هم‌مقیاس‌سازی متغیرهای جوی
• 9. مهندسی ویژگی‌های زمانی، مکانی و سینوپتیک
• 10. تعریف متغیر هدف، آستانه رویداد و افق پیش‌بینی
• 11. تقسیم زمانی داده‌ها برای آموزش، اعتبارسنجی و آزمون
• 12. اعتبارسنجی مکانی و بین ایستگاهی مدل‌های جوی
• 13. جلوگیری از نشت داده در ارزیابی پیش‌بینی
• 14. ساخت مدل‌های پایه و مقایسه با روش‌های پایداری و اقلیمی
• 15. بهره‌گیری از خروجی مدل‌های عددی و پیش‌بینی ансамبلی
• 16. انتخاب مدل‌های آماری و یادگیری ماشین برای مسئلهٔ پیش‌بینی
• 17. معیارهای خطای نقطه‌ای در پیش‌بینی‌هایDeterministic
• 18. معیارهای ارزیابی پیش‌بینی‌های احتمال‌محور
• 19. معیارهای مهارت، رویداد و ارزیابی میدان‌های مکانی
• 20. طراحی پروتکل آزمایش و مقایسهٔ منصفانهٔ مدل‌ها
• 21. مفاهیم بنیادی الگوریتم ژنتیک و فضای جست‌وجو
• 22. کدگذاری کروموزوم‌ها برای پارامترها، ویژگی‌ها و ساختار مدل
• 23. طراحی جمعیت اولیه و تنوع ژنتیکی
• 24. طراحی تابع برازش متناسب با هدف پیش‌بینی جوی
• 25. روش‌های انتخاب والدین در الگوریتم ژنتیک
• 26. عملگرهای تقاطع برای کدگذاری‌های مختلف
• 27. عملگرهای جهش و کنترل کاوش در فضای جواب
• 28. نخبه‌گرایی، جایگزینی و حفظ راه‌حل‌های برتر
• 29. اعمال قیدها و روش‌های جریمه در مسئله‌های عملی
• 30. معیارهای توقف، همگرایی و بودجهٔ ارزیابی
• 31. تنظیم نرخ تقاطع، جهش، اندازه جمعیت و فشار انتخاب
• 32. تشخیص و رفع همگرایی زودرس
• 33. مدیریت تصادفی‌بودن، بذر تصادفی و تکرارپذیری آزمایش‌ها
• 34. بهینه‌سازی زیرمجموعهٔ ویژگی‌های پیش‌بینی‌کننده
• 35. تنظیم ابرپارامترهای مدل‌های یادگیری ماشین
• 36. جست‌وجوی ساختار مدل با الگوریتم ژنتیک
• 37. کالیبراسیون پارامترهای مدل‌های فیزیکی و آماری
• 38. بهینه‌سازی وزن اعضای ансамبل پیش‌بینی
• 39. بهینه‌سازی روش‌های پس‌پردازش و اصلاح اریبی
• 40. بهینه‌سازی آستانه‌های تصمیم و هشدار جوی
• 41. بهینه‌سازی مدل‌های خطی و درخت تصمیم
• 42. بهینه‌سازی جنگل تصادفی و مدل‌های تقویتی
• 43. بهینه‌سازی شبکه‌های عصبی feedforward
• 44. بهینه‌سازی مدل‌های دنباله‌ای و حافظه‌دار برای داده‌های زمانی
• 45. بهینه‌سازی شبکه‌های کانولوشنی برای میدان‌های جوی
• 46. بهینه‌سازی مدل‌های مبتنی بر گراف برای ایستگاه‌های نامنظم
• 47. بهینه‌سازی مدل‌های ترکیبی فیزیک‌آگاه و داده‌محور
• 48. بهینه‌سازی هم‌ترازی و تلفیق داده‌های چندحسگری
• 49. صورت‌بندی مسئلهٔ بهینه‌سازی چندهدفه در پیش‌بینی جوی
• 50. تحلیل جبههٔ پارتو و انتخاب راه‌حل نهایی
• 51. طراحی تابع برازش هزینه‌آگاه برای خطاهای نامتقارن
• 52. بهینه‌سازی تصمیم‌محور با تابع مطلوبیت و تحلیل هزینه–فقدان
• 53. بهینه‌سازی مقاوم در برابر تغییر توزیع و شرایط جوی نادر
• 54. پایش انتشار عدم‌قطعیت در زنجیرهٔ پیش‌بینی
• 55. کالیبراسیون قابلیت اعتماد خروجی‌های احتمال‌محور
• 56. پیش‌بینی چندک‌ها و بازه‌های اطمینان بهینه‌شده
• 57. بهینه‌سازی شناسایی رویدادهای حدی و نامتوازن
• 58. مطالعهٔ موردی پیش‌بینی دما و رطوبت
• 59. مطالعهٔ موردی پیش‌بینی بارش و احتمال بارندگی
• 60. مطالعهٔ موردی پیش‌بینی سرعت و جهت باد
• 61. مطالعهٔ موردی پیش‌بینی پدیده‌های همرفتی شدید
• 62. مطالعهٔ موردی پیش‌بینی مه و کاهش دید افقی
• 63. سازگاری مدل بهینه‌شده با فصل‌ها و رژیم‌های جوی مختلف
• 64. تحلیل پیچیدگی محاسباتی و هزینهٔ ارزیابی مدل
• 65. پردازش موازی ارزیابی برازش در الگوریتم ژنتیک
• 66. استفاده از حافظهٔ نهان و مدل‌های جانشین برای کاهش هزینه
• 67. ردیابی آزمایش‌ها و مستندسازی پیکربندی‌ها
• 68. تحلیل حساسیت و حذف اثر اجزای الگوریتم
• 69. تفسیرپذیری کروموزوم‌ها و ویژگی‌های انتخاب‌شده
• 70. پیاده‌سازی خط لولهٔ آموزش، ارزیابی و استقرار مدل
• 71. پایش افت عملکرد، رانش داده و زمان‌بندی آموزش مجدد
• 72. پروژهٔ پایانی: ساخت سامانهٔ کامل بهینه‌سازی مدل پیش‌بینی جوی