کتاب بهینه‌سازی ساب‌مدولار پیشرفته: قیدهای انعطاف‌پذیر و الگوریتم‌های دو-معیاره با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهینه‌سازی ساب‌مدولار پیشرفته: قیدهای انعطاف‌پذیر و الگوریتم‌های دو-معیاره

موضوع کلی: الگوریتم‌های بهینه‌سازی در علوم داده و هوش مصنوعی

موضوع میانی: بهینه‌سازی توابع ساب‌مدولار

📋 سرفصل‌های دوره

• 1. مبانی بهینه‌سازی
• 2. مقدمه‌ای بر علوم داده و هوش مصنوعی
• 3. مروری بر مسائل بهینه‌سازی در علوم داده
• 4. انواع الگوریتم‌های بهینه‌سازی
• 5. بهینه‌سازی مقید و غیرمقید
• 6. توابع محدب و غیرمحدب
• 7. گرادیان کاهشی و انواع آن
• 8. الگوریتم‌های تکاملی
• 9. جستجوی همسایگی
• 10. مقدمه‌ای بر بهینه‌سازی ساب‌مدولار
• 11. تعریف و خواص ساب‌مدولاریتی
• 12. توابع ساب‌مدولار نمونه
• 13. کاربردهای توابع ساب‌مدولار در علوم داده و هوش مصنوعی
• 14. الگوریتم حریصانه برای ماکزیمم‌سازی ساب‌مدولار بدون قید
• 15. اثبات تقریب برای الگوریتم حریصانه
• 16. بهبود الگوریتم حریصانه با انتخاب تصادفی
• 17. ماکزیمم‌سازی ساب‌مدولار تحت قید کاردینالیتی
• 18. الگوریتم‌های بر پایه رندوم‌سازی
• 19. الگوریتم local search برای ساب‌مدولار
• 20. بهینه‌سازی ساب‌مدولار مقید با ماتروید
• 21. تعریف و خواص ماترویدها
• 22. الگوریتم حریصانه برای ماکزیمم‌سازی ساب‌مدولار تحت قید ماتروید
• 23. ماکزیمم‌سازی ساب‌مدولار تحت قیدهای ترکیبی
• 24. مقدمه‌ای بر بهینه‌سازی دو-معیاره
• 25. تعریف و مفهوم بهینه‌سازی چند-هدفه
• 26. مجموعه پارتو و مرز پارتو
• 27. روش‌های یافتن مجموعه پارتو
• 28. مقدمه‌ای بر مقاله Bicriteria Submodular Maximization
• 29. مرور اهداف و نتایج مقاله
• 30. تعریف مسئله ماکزیمم‌سازی ساب‌مدولار دو-معیاره
• 31. قیدهای انعطاف‌پذیر در بهینه‌سازی ساب‌مدولار
• 32. تعریف و مفهوم قیدهای انعطاف‌پذیر
• 33. انواع قیدهای انعطاف‌پذیر
• 34. بهینه‌سازی ساب‌مدولار با قید کاردینالیتی انعطاف‌پذیر
• 35. بهینه‌سازی ساب‌مدولار با قید ماتروید انعطاف‌پذیر
• 36. الگوریتم‌های تقریب برای ماکزیمم‌سازی ساب‌مدولار دو-معیاره
• 37. الگوریتم‌های بر پایه حریصانه
• 38. الگوریتم‌های بر پایه رندوم‌سازی
• 39. الگوریتم‌های بر پایه برنامه‌ریزی خطی
• 40. الگوریتم‌های بر پایه برنامه‌ریزی نیمه‌معین
• 41. تحلیل پیچیدگی الگوریتم‌ها
• 42. اثبات تقریب برای الگوریتم‌های دو-معیاره
• 43. مقایسه الگوریتم‌ها از نظر کارایی و دقت
• 44. پیاده‌سازی الگوریتم‌های بهینه‌سازی ساب‌مدولار دو-معیاره
• 45. استفاده از زبان‌های برنامه‌نویسی مناسب (Python, C++, ...)
• 46. بهینه‌سازی کد و افزایش سرعت اجرا
• 47. تست و اعتبارسنجی الگوریتم‌ها
• 48. مجموعه داده‌های نمونه برای آزمایش الگوریتم‌ها
• 49. بررسی عملکرد الگوریتم‌ها بر روی داده‌های واقعی
• 50. تفسیر نتایج و ارائه گزارش
• 51. کاربردهای بهینه‌سازی ساب‌مدولار دو-معیاره در علوم داده
• 52. انتخاب ویژگی (feature selection)
• 53. خلاصه‌سازی داده (data summarization)
• 54. مکان‌یابی (location optimization)
• 55. توصیه‌گرها (recommender systems)
• 56. شبکه‌های اجتماعی (social networks)
• 57. یادگیری ماشین (machine learning)
• 58. خوشه‌بندی (clustering)
• 59. دسته‌بندی (classification)
• 60. تشخیص ناهنجاری (anomaly detection)
• 61. پردازش تصویر (image processing)
• 62. پردازش زبان طبیعی (natural language processing)
• 63. بهینه‌سازی ساب‌مدولار دو-معیاره در مسائل مسیریابی
• 64. مسئله فروشنده دوره‌گرد (Traveling Salesperson Problem)
• 65. مسئله مسیریابی خودرو (Vehicle Routing Problem)
• 66. بهینه‌سازی ساب‌مدولار دو-معیاره در تخصیص منابع
• 67. تخصیص طیف فرکانسی (spectrum allocation)
• 68. تخصیص پهنای باند (bandwidth allocation)
• 69. بهینه‌سازی ساب‌مدولار دو-معیاره در شبکه‌های حسگر
• 70. انتخاب حسگر (sensor selection)
• 71. مکان‌یابی حسگر (sensor placement)
• 72. بهینه‌سازی ساب‌مدولار دو-معیاره در طراحی آزمایش
• 73. انتخاب آزمایش (experiment selection)
• 74. بهینه‌سازی ساب‌مدولار دو-معیاره در بیوانفورماتیک
• 75. انتخاب ژن (gene selection)
• 76. تحلیل شبکه‌های ژنی (gene network analysis)
• 77. چالش‌های بهینه‌سازی ساب‌مدولار دو-معیاره
• 78. مقیاس‌پذیری الگوریتم‌ها
• 79. بهبود کارایی الگوریتم‌ها
• 80. مقابله با داده‌های بزرگ
• 81. مقابله با عدم قطعیت
• 82. موضوعات تحقیقاتی در بهینه‌سازی ساب‌مدولار دو-معیاره
• 83. الگوریتم‌های آنلاین و استریمینگ
• 84. الگوریتم‌های موازی و توزیع شده
• 85. بهینه‌سازی ساب‌مدولار غیر محدب
• 86. بهینه‌سازی ساب‌مدولار با اطلاعات ناقص
• 87. استفاده از یادگیری تقویتی در بهینه‌سازی ساب‌مدولار
• 88. توسعه الگوریتم‌های جدید برای مسائل خاص
• 89. ترکیب بهینه‌سازی ساب‌مدولار با سایر روش‌های بهینه‌سازی
• 90. آینده بهینه‌سازی ساب‌مدولار
• 91. نقش بهینه‌سازی ساب‌مدولار در هوش مصنوعی
• 92. نقش بهینه‌سازی ساب‌مدولار در علوم داده
• 93. مسائل باز و چالش‌های آینده
• 94. ابزارهای نرم‌افزاری برای بهینه‌سازی ساب‌مدولار
• 95. مروری بر کتابخانه‌های موجود
• 96. نحوه استفاده از کتابخانه‌ها
• 97. مقایسه کتابخانه‌ها
• 98. توسعه کتابخانه سفارشی
• 99. مطالعه موردی 1: کاربرد در انتخاب ویژگی
• 100. مطالعه موردی 2: کاربرد در خلاصه‌سازی داده