محصول به سبد خرید شما افزوده شد.

آموزش صفر تا استادی
نرم‌افزار MATLAB

هر آنچه باید از
دانش مهندسی بدانید را  یاد بگیرید

همین حالا شروع کنید
همین حالا شروع کنید

ویدیو های آموزشی باکیفیت

بلافاصله پس از پرداخت، ویدیوها به همراه لینک دانلود داده‌ها، فایل‌ها و تمرینات در اختیار شما قرار می گیرد

آپدیت همیشگی

خریداران قبلی می توانند به طور رایگان آپدیت های آینده را دریافت کنند

به صرفه، جامع و کاربردی

با تمرین های عملی خود را محک میزنید. البته شما تنها نیستید. منتور در تمام لحظه ها همراه شماست.

داستان شکل‌گیری دوره

در کلاس های مختلفی که در طول سالهای متمادی در خصوص مدل ها و نرم افزارهای مهندسی آب و محیط زیست در خدمت دانشجویان عزیز بودیم، همیشه یه سوال مشترک بین همه دانشجویان وجود داشت، سوالی که پاسخ اون ایده تولید دوره استادی MATLAB شد. همیشه دانشجویان پس از پایان کلاس می پرسیدند که چه نرم افزاری رو یاد بگیریم که از بسیاری از مدل ها و نرم افزارهای رشته مون بی نیاز بشیم؟! چه نرم افزاری رو کار کنیم که قدرت خلق کنندگی به ما بده و بتونیم هر طوری که دوست داریم مدل خودمون رو اجرا کنیم و وابسته به المان های از پیش تعریف شده اش نباشیم؟ چه نرم افزاری رو یاد بگیریم که بتونیم مدل های تجاری بسازیم و بین همه حرفه ای ها حرفی برای گفتن داشته باشیم؟ و ….

همه این سوالات و خیلی از سوالات دیگه، یک پاسخ بیشتر نداشت و اونم استفاده از نرم افزار MATLAB بود. اگر دانشجویان به نرم افزار MATLAB مسلط می شدند دیگه خودشون می تونستند هر مدلی رو اجرا کنند و به سلیقه خودشون بنویسند.

اگر دانشجویان به کدنویسی Matlab اشراف داشتند می تونستند به راحتی نرم افزار های معروف رشته مهندسی آب مثل HEC-HMS،WaterGEMS،SewerGEMS،SWMM،SSA ، WEAP، GMS و ده ها نرم افزار کاربردی دیگه رو به راحتی در محیط متلب پیاده سازی کنند و هر طوری که می خواستند تعریفشون کنند. شاید باور کردنش سخت باشه، اما چنین کاری توسط مدرسین دوره انجام گرفته.

دوره استادی MATLAB دوره ای است که در 261 ساعت طراحی و برنامه ریزی شده؛ در 87 جلسه در یازده سطح برگزار میشه؛ از صفر تا حرفه ای را در بر می گیره؛ بیش از ۳ سال زمان صرف تولید مثال ها و پروژه های واقعی اون شده؛ با افتخار هیچ نمونه داخلی یا خارجی نداره و در یک جمله در هیچ دانشگاهی به صورت کاملا منسجم و پیوسته و با این طرح درس تدریس نمی شه.

آموزش صفر تا استادی نرم‌ افزار MATLAB

دغدغه مشترک دانشجویان رشته های مهندسی آب و محیط زیست این است که با یادگیری چه نرم افزاری می توان از مدل ها و نرم افزارهای متنوع رشته خودشان بی نیاز بشوند. برای حل این دغدغه یک نرم افزار وجود دارد. با استفاده از این نرم افزار می توان هر مدلی که مدنظرمان است را خلق کنیم! با استفاده از این نرم افزار می توان مدل های پرکاربرد زیادی را در محیط آن اجرا کرد. نام این ابزار مهم و پرکاربرد، نرم‌ افزار MATLAB است و ما در انجمن تخصصی مهندسی علوم آب، قصد داریم طی یک دوره آموزشی، به صورت کاملی آن را برای شما تشریح کنیم.

قبل از معرفی دوره آموزشی، به معرفی خود نرم‌ افزار MATLAB می پردازیم.

معرفی نرم افزار  MATLAB

ابتدا کمی در رابطه با برنامه نویسی صحبت می کنیم. در برنامه نویسی شما اقداماتی و دستورالعملی هایی را برای ساخت یک برنامه ایجاد می کنید. این دستورالعمل های برای کامپیوترها نوشته می شود. برای این که کامپیوتر این برنامه را بفهمد، نیاز به یک زبان برنامه نویسی است.

حال که کمی با زبان برنامه نویسی آشنا شده ایم، متلب را تعریف می کنیم. نرم افزار متلب (MATLAB) به عنوان یک زبان برنامه‌ نویسی نسل چهارم به همراه محیط تعاملی، جهت محاسبات عددی، تجسم و برنامه ‌نویسی شناخته می ‌شود. نام این ابزار از ترکیب واژه ‌های “ماتریس” و “آزمایشگاه” به وجود آمده است. رویکرد ماتریس محوری آن حتی اعداد منفرد را به عنوان ماتریس ‌های یک در یک شده در نظر گرفته است. محیط توسعه ‌ی متلب کدنویسی را آسان می کند و امکان ردیابی خطاها و تکمیل خودکار دستورات را به مخاطبین خودش می دهد. از نظر عملکرد، نرم‌ افزار MATLABبه عنوان یک ماشین حساب پیشرفته مورد استفاده قرار می ‌گیرد و از آن برای انجام محاسبات استفاده می کنند. از طریق زبان برنامه ‌نویسی متلب، توابع و برنامه ‌هایی برای انجام عملیات ‌های تکراری می‌ توان تدوین کرد. راهنمای نرم‌ افزار MATLAB برای مبتدیان، منبعی کارآمد به منظور یادگیری و استفاده از این ابزار فراهم می ‌کند.

حال که به طور کلی با این ابزار آشنا شدید؛ در ادامه در رابطه با ویژگی ها و قابلیت های آن صحبت می کنیم. نرم‌ افزار MATLAB یک مجموعه ابزار و امکانات فراهم می ‌کند که به کاربران و برنامه‌ نویسان اجازه می ‌دهد با آن‌ ها تعامل داشته باشند و در محیطی یکپارچه فعالیت کنند. این محیط شامل امکانات مدیریت متغیرها، ایجاد دستورات در صفحه فرمان، مدیریت فایل ‌ها، رفع خطا، ایجاد فایل‌های M و سایر امکانات برنامه ‌نویسی در متلب است. این نرم ‌افزار در زمینه ‌های مختلف از جمله مهندسی کنترل و هوافضا، مهندسی مکانیک، پردازش سیگنال، هوش مصنوعی (شبکه ‌های عصبی و یادگیری ماشین)، حل معادلات دیفرانسیل، کاربردهای محاسباتی و… قدرت ‌های خود را نشان می‌ دهد. نرم‌ افزار MATLAB دارای کتابخانه ‌های متنوعی است که قابلیت افزودن کتابخانه ‌های مجزا را نیز دارد.

از جمله ویژگی ‌های این نرم‌ افزار، می‌ توان به توانایی محاسبات جبری و ماتریسی با سرعت و کارایی بالا، قابلیت گرافیکی، راحتی در کار با ماتریس ‌ها، قدرت مدل‌ سازی و شبیه ‌سازی در زمینه‌ های مختلف، رابط گرافیکی کاربر با قابلیت ایجاد رابط ‌های گرافیکی سفارشی، استفاده از توابع از پیش تعریف ‌شده، وسیع بودن کتابخانه ‌های کاربردی، انعطاف ‌پذیری و توانایی در مدیریت داده ‌ها و معادلات، بروزرسانی مستمر جعبه ‌ابزارها و تطابق با تکنولوژی ‌ها و علوم جدید اشاره کرد. همچنین، نرم‌ افزار MATLAB از راهنمایی قدرتمندی برخوردار است که به کاربران کمک می‌ کند در مستندات جستجو کرده و از ابزارها و دستورات بهینه استفاده کنند.

در کل، نرم‌ افزار MATLAB  با استفاده از رویکرد ماتریس محور و ارائه امکانات گسترده‌ ای در زمینه‌ های مختلف، به عنوان یک ابزار قدرتمند برای محاسبات عددی، تجسم داده ‌ها، برنامه‌ نویسی و مدل‌ سازی شناخته می‌ شود.

در ادامه به بررسی اهمیت یادگیری نرم‌ افزار MATLAB  می پردازیم.

اهمیت یادگیری نرم افزار  MATLAB

حال که با نرم افزار متلب و ویژگی های آن آشنا شده اید، خوب است درمورد اهمیت یادگیری این نرم افزار نیز بدانید. یادگیری نرم‌ افزار MATLAB ، به عنوان یک زبان برنامه ‌نویسی پیشرفته، برای افرادی که به دنبال تسلط بر ابزارهای پیشرفته در حوزه محاسبات، علمی و مهندسی هستند، بسیار مهم است. این نرم ‌افزار با توانایی ‌های خاص خود می ‌تواند به شما در حل مسائل پیچیده و تحلیل داده‌ های مختلف کمک شایانی کند.

یکی از ویژگی‌های مهم نرم‌ افزار MATLAB  ، طراحی آن به عنوان یک زبان سطح بالای ماتریس-آرایه ‌ای است که از ویژگی ‌های برنامه ‌نویسی شی گرا نیز بهره می‌ برد. این ویژگی ‌ها باعث می ‌شود تا حتی برنامه‌ نویسان مبتدی نیز بتوانند برنامه ‌های پیچیده ‌تر را با استفاده از متلب ایجاد کنند.

در دنیای امروز که داده و اطلاعات جایگاه ویژه ‌ای دارند، تسلط بر یک ابزار قدرتمند مانند متلب  اجازه می ‌دهد تا تحلیل داد ه‌ها و انجام محاسبات ریاضی و آماری با دقت بالا انجام دهید. این امر برای افرادی که در زمینه‌ های مختلف از تحقیقات علمی تا صنعت مشغول به فعالیت هستند، بسیار بااهمیت است.

نرم‌ افزار MATLAB  به عنوان یکی از ابزارهای پرطرفدار برنامه ‌نویسی، به تنهایی نقش مهمی در تسهیل فرآیند تصمیم‌ گیری و حل مسائل بازی می ‌کند. به دلیل ویژگی ‌هایی نظیر قدرت تحلیل داده ‌ها و امکانات گسترده در حوزه ‌های مختلف از جمله یادگیری عمیق، پردازش سیگنال، مهندسی کنترل و… افراد می ‌توانند در زمینه‌ های مختلف از متلب استفاده کنند.

نرم افزار متلب از نظر آموزشی مزیت ‌های خوبی دارد. از طریق یادگیری نرم‌ افزار MATLAB  در دوران تحصیل، دانشجویان می‌توانند در دروس مختلف از ریاضیات تا مهندسی از امکانات این ابزار استفاده کنند. همچنین، برای پروژه ‌های شبیه‌ سازی یا تحقیقاتی خود، می‌ توانند از کتابخانه‌ ها و ابزارهای متنوع متلب استفاده کنند.

از دیگر ویژگی ‌های مهم نرم‌ افزار MATLAB می‌ توان به محیط کاری گسترده آن اشاره کرد. این محیط شامل ابزارهای مختلف برای توسعه، اشکال ‌زدایی، پروفایل کردن و تجزیه و تحلیل داده ‌ها است. همچنین، امکان مصورسازی داده‌ ها و ایجاد رابط ‌های گرافیکی نیز در این محیط وجود دارد.

در نهایت، MATLAB با تاریخچه‌ی بلندی که از تکامل در پاسخ به نیازهای کاربران دارد، به یک ابزار قدرتمند و کاربردی در حوزه‌ های مهندسی، علوم پایه و صنعت تبدیل شده است. توانایی ‌های گسترده‌ ای که در زمینه ‌های مختلف دارد، موجب علاقه ‌مندی و بهره ‌برداری از این ابزار در جامعه‌ ی مهندسان و دانشمندان به شمار می‌آید.

پس از آشنایی با اهمیت یادگیری متلب، این دوره آموزشی را تشریح می کنیم.

دوره آموزشی نرم افزار  MATLAB

سعی کرده ایم این دوره آموزشی را به صورت کامل و جامعی ارائه کنیم. این دوره آموزشی برای همه افراد مناسب است؛ اما همان طور که می دانید تمام آموزش های ما شامل مثال ها و پروژه های واقعی است و این دوره از این قاعده مستثنی نیست. به همین علاوه بر این که این دوره مناسب همه است، باید به این نکته توجه کنید که مثال هایی که زده می شود در حوزه منابع آب و محیط زیست است.

تمامی مطالب مورد نیاز برای تسلط بر این نرم افزار را در 9 سطح دسته بندی کرده ایم. می توانید در قسمت ریزمحتوای جلسات که در همین صفحه آمده است، بهتر با محتوای این دوره آشنا بشوید.

مخاطبین دوره آموزشی نرم افزار  MATLAB چه کسانی هستند؟

نرم‌ افزار MATLAB به‌خصوص برای دانشجویان در رشته ‌های مختلف مانند عمران، کشاورزی، زمین ‌شناسی، محیط‌ زیست، منابع طبیعی، جغرافیا و همه کسانی که به حوزه مهندسی آب و علوم محیطی علاقه ‌مندند، یک ابزار بسیار حیاتی و کارآمد است. از طرفی، اساتید و افرادی که در رشته ‌های مرتبط با مهندسی آب و محیط ‌زیست تدریس می‌ کنند، نیز با استفاده از نرم‌ افزار MATLAB می‌ توانند مفاهیم پیچیده را به دانشجویان تدریس کنند و نقشه‌ های آموزشی را با استفاده از این ابزار تهیه کنند. کارشناسانی که در شرکت ‌های مهندسی مشاور فعالیت دارند، از متلب استفاده می‌ کنند تا به تحلیل و ارزیابی پروژه‌ ها و مسائل مرتبط با حوزه مهندسی آب و محیط ‌زیست بپردازند.

برای افرادی که به دنبال تهیه پایان‌نامه‌ ای قوی در حوزه‌ های مهندسی آب و محیط ‌زیست هستند، نرم‌ افزار MATLAB یک ابزار بسیار مناسب است. با استفاده از این ابزار، می ‌توانند به تحلیل دقیق داده ‌ها، انجام شبیه‌ سازی‌ ها و ارائه نتایج پرداخته و پایان ‌نامه ‌هایی با ارزش ارائه دهند.

علاقه‌ مندان به کدنویسی و توسعه فناوری می ‌توانند با استفاده از نرم‌ افزار MATLAB  به ارتقا مهارت‌ های خود در زمینه کدنویسی بپردازند. این نرم ‌افزار به آن‌ ها امکان ایجاد مدل ‌های شبیه‌ سازی‌ برای تست و ارزیابی ایده‌ ها را می‌دهد. با استفاده از متلب می‌ توانند، کیفیت پروژه‌ های خود را ارتقا بدهند و به مشتریان خود خدمات بهتری ارائه کنند.

قابلیت ‌های نرم ‌افزار متلب

همان طور که می دانید نرم افزار متلب یکی از قدرتمندترین نرم‌ افزارهای محاسباتی و برنامه ‌نویسی است. از این نرم افزار برای حل مسائل علمی، فنی و ریاضی مختلفی استفاده می‌ شود. این نرم ‌افزار توانایی بسیاری در زمینه تحلیل داده ‌ها، الگوریتم ‌های پیچیده، تصویر برداری، مدل‌ سازی ریاضی و طراحی سیستم‌ های کنترلی دارد. در زیر به برخی از قابلیت ‌های اساسی و مهم متلب اشاره خواهیم کرد که شما می توانید با استفاده از آموزش نرم افزار متلب به این قابلیت ها دسترسی داشته باشید:

-محیط برنامه ‌نویسی یکپارچه: متلب یک محیط برنامه ‌نویسی یکپارچه و قدرتمند است که امکان توسعه و اجرای برنامه ‌های پیچیده را فراهم می ‌کند. با استفاده از زبان برنامه‌ نویسی متلب ، کاربران می‌ توانند الگوریتم ‌های خود را پیاده‌ سازی کرده و از ابزارهای متنوعی برای مدیریت و تحلیل داده ‌ها استفاده کنند. شما هم با آموزش نرم افزار متلب می توانید الگوریتم های مورد نیاز  خودتان را پیاده سازی کنید.

– پردازش سیگنال و تصویر:  نرم افزار متلب قابلیت‌ های قدرتمندی در زمینه پردازش سیگنال و تصویر دارد. با استفاده از ابزارها و توابع موجود در متلب، کاربران می ‌توانند سیگنال ‌های صوتی، تصاویر و ویدئوها را تحلیل و پردازش کنند. این امکان به کاربران کمک می ‌کند تا الگوریتم ‌های پیچیده ‌تری را برای تشخیص الگوها، استخراج ویژگی ‌ها و بهینه ‌سازی تصاویر ارائه دهند.

– محاسبات عددی و ریاضی: نرم افزار متلب یک محیط قدرتمند برای انجام محاسبات عددی و ریاضی است. با استفاده از توابع و ابزارهای موجود در متلب ، کاربران می‌ توانند معادلات ریاضی پیچیده را حل کنند، انتگرال ‌گیری و تفاضل ‌گیری عددی انجام دهند و الگوریتم‌ های بهینه سازی را پیاده ‌سازی کنند. در صورتی که انجام این معادلات ریاضی برای خود کاربر عملی نبوده است.

-مدل‌ سازی و شبیه‌ سازی: نرم افزار متلب ابزارهای قوی برای مدل‌ سازی ریاضی و شبیه ‌سازی سیستم ‌ها را فراهم می‌ کند. با استفاده از این قابلیت، کاربران می ‌توانند سیستم ‌های پیچیده را با استفاده ازابزار های گرافیکی و ریاضی متلب مدل‌ سازی و عملکرد آن ها را شبیه ‌سازی کنند. این قابلیت به کاربران توانایی می دهد تا قبل از پیاده‌ سازی فیزیکی یک سیستم، آن را به صورت مجازی بررسی کنند و از صحت و کارآیی آن مطمئن شوند. این گونه جلوی هزینه های زیادی که برای پیاده سازی نیاز است گرفته می شود. پروژه های زیادی از شبیه سازی بهره می برند تا در هزینه و زمان صرفه جویی کنند.

– تحلیل و پردازش داده‌ ها:  نرم افزار متلب دارای ابزارهای قوی برای تحلیل و پردازش داده ‌های علمی و تجربی است. این نرم ‌افزار امکانات گسترده ‌ای برای انجام عملیات مختلفی مانند فیلترینگ داده ‌ها، تبدیل ‌های فوری، استخراج ویژگی ‌ها و تحلیل استاتیک و دینامیک داده ‌ها را فراهم می ‌کند.

– طراحی سیستم‌ های کنترلی: نرم افزار متلب به کاربران امکان طراحی و تحلیل سیستم ‌های کنترلی را می ‌دهد. با استفاده از ابزارهای نرم افزار متلب، کاربران می ‌توانند مدل ‌های سیستم‌ های کنترلی را طراحی و شبیه ‌سازی، عملکرد آن ها را تحلیل و الگوریتم ‌های کنترلی را بهینه ‌سازی کنند.

– اتصال به سخت ‌افزار خارجی: نرم افزار متلب امکان اتصال به سخت ‌افزارهای خارجی مانند سنسورها، دستگاه ‌های اندازه‌ گیری و سیستم‌ های تجهیزاتی را فراهم می ‌کند. با استفاده از این قابلیت، کاربران می ‌توانند داده ‌های زنده از سنسورها را دریافت کرده و آنها را به صورت آنلاین تجزیه و تحلیل کنند.

البته در این جا فقط به برخی از قابلیت ‌های نرم ‌افزار محبوب متلب اشاره کرده ایم. این نرم افزار یکی از محبوب‌ ترین نرم ‌افزارها در حوزه محاسبات علمی و فنی است و به کاربران امکانات فراوانی را برای تحلیل، مدل‌ سازی و پردازش داده ‌ها می ‌دهد. شما می توانید با شروع آموزش نرم افزار متلب به تمامی این موارد مسلط بشوید.

نکات پایانی

ما در انجمن تخصصی مهندسی علوم آب، دوره های آموزشی متنوعی را جهت آموزش مهندسین و دانشجویان در حوزه مهندسی علوم آب ایجاد کرده ایم؛ یکی از این دوره ها که اکنون با آن آشنا شده اید، نرم افزار  MATLAB است.

اگر به دنبال یادگیری دوره های آموزشی بیشتری هستید، با خرید اشتراک دوره های آموزشی می توانید به تمامی این دوره ها دسترسی داشته باشید و ویدئوهای مدنظرتان را در سایت مشاهده کنید. اگر سوالی در زمینه خرید دوره ها برای تان پیش آمده است، به تیکت پشتیبانی مراجعه کنید و سوال خودتان را از پشتیبانان ما بپرسید.

این دوره به چه کسانی توصیه می شود؟

دانشجویان رشته‌های: عمران، کشاورزی، زمین شناسی، محیط زیست،‌منابع طبیعی،‌ جغرافیا و همه کسانی که علاقمند به حوزه مهندسی آب و علوم محیطی می باشند

مناسب برای اساتید رشته های مرتبط با مهندسی آب و محیط زیست

کارشناسان شرکت های مهندس مشاور

علاقه‌مندان به حوزه کدنویسی و R&D

تمام کسانی که دوست دارند مدل های شخصی خود را تولید کنند

برای تمام کسانی که به فکر تولید یک پایان نامه و رساله قوی هستند.

افرادی که میخواهند در حوزه مهندسی آب و محیط زیست حرفی برای گفتن داشته باشند

افرادی که می خواهند در حوزه کدنویسی در محیط متلب به درجه استادی برسند

افرادی که میخواهند وارد دنیای درآمدزایی از طریق پروژه های کدنویسی در متلب شوند.

افرادی که خدمات کدنویسی میدهند، و میخواهند سطح و قیمت پروژه های خود را افزایش دهند.

مدرسین این دوره

محمود محمّدرضاپور طبری

دانشیار منابع آب و محیط زیست | دانش آموخته دانشگاه امیرکبیر|

بیش از ۱۵ سال سابقه تدریس دروس مهندسی آب و محیط زیست

۱۵ سال سابقه در طرح های مطالعاتی و اجرایی وزارت نیرو و سازمان حفاظت محیط زیست

کارشناس ارشد و مدیر پروژه های مطالعاتی شرکت های مشاور آب

کارشناس ارشد دفتر سدهای شرکت مدیریت منابع آب

آرش ازکیـــا

استاد منتخب در دانشگاه های استان البرز

مدیر گروه دپارتمان آب کانون دانش پژوهان طلیعه ایرانیان

عضو ارشد و معاون روابط بین الملل گروه مخترعین برتر کشور (با ثبت دو اختراع)

بیش از ۱۰ سال سابقه در زمینه طراحی و اجرای شبکه های آبرسانی و سیستم های آبیاری

بیش از ربع قرن تجربه برنامه نویسی و دیباگینگ بصورت Script Lines, inline و Online

سوالات متدوال

اگر در سطح یک دوره استادی متلب شرکت می کنید، نیازی نیست که پیش نیاز خاصی از MATLAB بدانید .چون سطح از مقدماتی تا پیشرفته می باشد. سطوح متلب به ترتیب بیان شده است که پیش نیاز یکدیگر می باشند.

با توجه به اینکه فیلم هر جلسه انتهای جلسه به شرکت کنندگان داده خواهد شد (برای شرکت کنندگان غیرحضوری ایمیل می شود) میتوانید در خانه به طور کامل بررسی نمایید و تمرین کنید. علاوه بر اینکه در سر کلاس هم یک تایمی برای تمرین قرارداده خواهد شد. همچنین در هر جلسه تکالیفی جهت تمرین بیشتر به شما داده می شود (شرکت کنندگان غیرحضوری تمرین های داده شده را حل نموده و جهت مشاوره و پشتیبانی می توانند با مدرس در ارتباط باشند).

بله. تمامی شرکت کنندگان این دوره (چه به صورت حضوری چه غیر حضوری) تمامی فایلها و ویدئوهای دوره های آینده را به رایگان دریافت میکنند.

بله. افراد زیادی از ما تقاضای معرفی نیروی انسانی میکنند. ما دانشجویان کوشا را به این شرکت ها معرفی میکنیم.

اگر شرکت کنندگان علاقه به کار عملی در زمان کلاس دارند میتوانند با خود لپتاپ های شخصی شان را بیاورند.

بله شرکت کنندگان همگی دسترسی به اینترنت دارند و میتوانند مطالب تدریس شده را مستقیما بر روی پروژه های خود اعمال نمایند. ضمن اینکه با دریافت فیلم همان جلسه میتوانند درخانه بیشتر روی مباحث آن جلسه تمرین نمایند.

تمام داده ها و نرم افزارها در اختیار شرکت کنندگان قرار می گیرد

فیلم های ضبط شده برای افرادی که غایب باشند، ایمیل خواهد شد.

من ماهیانه چندصدهزار تومان برای یادگیری خودم و همکارانم سرمایه گذاری می‌کنم و در کارگاه‌ها و دوره‌ها و سمینارهای معتبر شرکت می‌کنم. کتاب ها مختلفی را مطالعه خریداری میکنم. این کار من شاید برای بسیاری از افراد، نشانه احمق بودن من و دور ریختن پول باشد!

اما به نظر من این دید بسیار ساده لوحانه است! چطور است که ما در یک رستوران یا وقتی که برای خرید پوشاک مراجعه می‌کنیم به سادگی چندصدهزار تومان خرج می‌کنیم اما زمانی که موقع سرمایه گذاری روی خودمان می‌شود، دستمان می‌لرزد و اصطلاحاً چرتگه می‌اندازیم؟؟؟ پیشنهاد می‌کنم شما نیز مانند من، همیشه بخشی از درآمد خود را برای یادگیری اختصاص دهید، درست مثل قبض آب و برق و یا خوراک و پوشاک!
با همه این اوصاف، تمام تلاش مجموعه انجمن تخصصی مهندسی علوم آب بر این بوده که مبلغ دوره استادی MATLAB کاملاً منصفانه باشد.

بله به همه شرکت کنندگان گواهی حضور در دوره ارائه خواهد شد

ریز محتوای جلسات

سطح 1: اصول استفاده از ابزارهای کلیدی
590,000
1,600,000

جلسه اول | ورود به دنیای متلب

  • آشنایی با محیط نرم افزار متلب
  • با پرکاربردترین نمادهای کاربردی در MATLAB آشنا شویم
  • قالب های متنوع نمایش اعداد را شناسایی کنیم
  • با توابع مقدماتی MATLAB جهت انجام عملیات ریاضی آشنا شویم
  • با شیوه های گوناگون ساخت اعداد تصادفی و تفاوتهای شاخص این انواع آشنا شویم
  • بحث در خصوص توابع برداری و ماتریس
  • نحوه تعریف ماتریس ها را بیاموزیم (بحث استاندارد سازی)
  • مباحث مقدماتی در مورد ساخت ماتریس
  • به ماتریس خود مقادیر متناظر با هر سطر و ستون را تخصیص دهیم
  • به ماتریس خود بُعد دهیم
  • به ماتریس خود فُرم دهیم
  • باز تعریف چیدمان ماتریس بصورت دلخواه
  • اجزاء ماتریس تعریف شده را شناسایی کنیم
  • نرم افزار MATLAB چگونه اندیس عناصر ماتریس را شناسایی می کند
  • محتوای دلخواه و عناصر مورد نظر یک ماتریس معین را احضار کنیم
  • معرفی عملگرها جهت انجام محاسبات ماتریسی
  • ادغام ماتریس ها
  • با طریقه ذخیره سازی ماتریس آشنا شویم
  • حذف سطر یا ستونهای دلخواه از ماتریس
  • تکنیکهای گوناگون جهت گرد کردن اعداد و دامنه تأثیر توابع مربوطه
  • انجام چند مثال کاربردی

جلسه دوم | انواع آرایه ها و Conversion های مهم

  • آرایه سلولی چیست و چه کاربردی دارد
  • نحوه تعریف آرایه سلولی
  • تکنیکهای پر کاربرد مقدار دهی آرایه های سلولی
  • نمایش داده های موجود در آرایه های سلولی
  • انتساب آرایه سلولی به بخشی از آرایه سلولی دیگر
  • الحاق آرایه های سلولی
  • حذف بخش های دلخواه از آرایه های سلولی
  • با بخشی از شباهت ها و تفاوت های آرایه های سلولی و ماتریس های معمولی آشنا شویم
  • پیاده سازی توابع ریاضی بر روی آرایه های سلولی یکنواخت و غیر یکنواخت
  • آرایه ساختار چیست
  • با نحوهء تعریف آرایه های ساختاری آشنا شویم
  • تفاوت آرایه سلولی با آرایه ساختاری
  • نحوه نمایش اجزاء آرایه های ساختاری
  • تکنیک حذف فیلدهای دلخواه از آرایه های ساختاری
  • انواع شایع Conversion های متلب را بیاموزیم
  • با مدیریت shapefile ها در متلب آشنا شویم
  • با شیوه حرفه ای ویرایش انواع مختلف آرایه ها آشنایی حاصل کنیم
  • تشکیل معادلات چند جمله ای
  • ویرایش حرفه ای ماتریس های معمولی را بیاموزیم
  • انجام محاسبات دلخواه با استخراج عناصر دلخواه از چند ماتریس مختلف
  • انجام چند مثال کاربردی

جلسه سوم | ساختارهای کنترلی در متلب

  • الگوریتم به زبان آدمیزاد
  • الگوریتم به زبان ماشین (متلب)
  • با تفکر الگوریتمیک آشنا شویم
  • اصول کلی و پایه در برنامه نویسی به زبان متلب را شناسایی کنیم
  • منظور از اسکریپت نویسی چیست و چگونه صورت می پذیرد
  • اصول نوشتن و بکارگیری m-file های دلخواه چیست
  • بررسی چند الگوریتم متنوع به همراه کدنویسی به زبان متلب
  • وجوه شرطی و ساختارهای کنترلی را بشناسیم
  • آشنایی با شایع ترین ساختارهای شرطی متلب در قالب مثالهای کاربردی
  • با ماهیت حلقه های تکرار آشنا شویم
  • بررسی خط به خط کدهای کاربردی مسائل مهندسی علوم آب و محیط زیست که ماهیت تکرار دارند
  • تلفیق ساختارهای کنترلی (وجوه شرطی و حلقه های تکرار) جهت پیاده سازی برنامه های پیچیده
  • if
  • if … else
  • if … elseif … else
  • switch … case
  • for
  • while
  • continue
  • break
  • شبیه سازی حلقه for … each در متلب
  • ایجاد و مدیریت حرفه ای فایلهای اکسل با استفاده از کدنویسی در محیط متلب با متدهای نوین
  • آشنایی با عملگرهای منطقی و رابطه ای و بیان کاربرد این توابع در ساختارهای کنترلی پیچیده
  • آشنایی با نحوهء جستجوی حرفه ای در میان عناصر آرایه جهت مدیریت بهتر کدهای چند لایه
  • تلفیق کلیّه مطالب جلسات سه گانه در قالب یک تمرین عملی
  • انجام چند مثال و تمرین کاملا کاربردی (بر اساس پروژه های واقعی)

جلسه چهارم | توابع دلخواه خود را بنویسیم

  • با مفهوم تابع آشنا شویم
  • نحوه تعریف، کدنویسی، ذخیره و استفاده از توابع دلخواه خود را بیاموزیم (User Defined Functions)
  • تلفیق اسکریپت ها و توابع تعریف شده توسط کاربر
  • مدیریت حرفه ای خروجی توابع
  • چگونه می توان برنامه های ماژولار ایجاد کرد (گام دوّم برنامه نویسی حرفه ای)
  • با کدنویسی توابع جدید جهت افزایش عملکرد توابع پیش ساخته متلب آشنا شویم
  • مثال کاربردی اوّل (ایجاد تابع جهت کشف مقدارعمق نرمال کانالهای منشوری)
  • مثال کاربردی دوّم (ایجاد تابع جهت ترسیم پروفیل طولی کانال روباز با استفاده از متد Direct Step Method)
  • مثال کاربردی سوّم (کدنویسی برنامه جهت بررسی نشست سطح زمین)
  • مثال کاربردی چهارم (تعیین مقدار ضریب دبی جریان در سرریزهای جانبی)
  • مثال کاربردی پنجم (مکان یابی موقعیت چاه های فعال جهت انتقال به نرم افزار PMWIN)
  • مثال کاربردی ششم (طبقه بندی کیفی آب زیرزمینی)

جلسه پنجم | ترسیم نمودار در متلب

پارت اوّل: فایلهای متنی

  • ویژگیهای تعریف و استفاده از فایلهای متنی
  • با روال استاندارد قرائت فایلهای متنی آشنا شویم
  • عمده ترین اجزاء Specifier و Permission را شناسایی کنیم
  • تبدیل ماتریسها به فایل متنی با پیکربندی و چیدمان دلخواه
  • معرفی چند خاصیت کاربردی جهت کار بر روی فایلهای متنی
  • تمرین شاخص: استخراج قانون حاکم بر هر آبراهه دلخواه جهت مدیریت سیلاب احتمالی در ایستگاه هیدرومتری معین

پارت دوّم: ترسیم نمودار در متلب

  • معرفی انواع گرافهای کاربردی در علوم مهندسی آب
  • نحوه ایجاد و باز تعریف گراف
  • customize کردن گراف چگونه انجام می شود
  • ترسیم چند نمودار بر روی یک صفحه
  • ترسیم چند نمودار بر روی یک فرم
  • ویرایش حرفه ای اجزاء و property های فرم ها و نمودارها
  • مثال کاربردی اوّل: تعیین نقطه رطوبت اپتیمم منحنی تراکم خاک
  • مثال کاربردی دوّم :تعیین ماه های خشک با استفاده از تعریف شاخص (با سه متد آموزشی، کاربردی و استادی)
  • مثال کاربردی سوّم :تعیین ماه های خشک با استفاده از تعریف شاخص (ترسیم سه بعدی)
  • مثال کاربردی چهارم: نمودار نرمالیته توزیع ایستگاه های هواشناسی جهت استفاده از متدهای زمین آماری
  • تمرین شاخص: ترسیم گلباد در هر منطقه دلخواه و تعیین جهت و بزرگی مقدار باد غالب منطقه

جلسه ششم | آشنایی با مفاهیم و اصول پایه در داده کاوی

داده کاوی و بازسازی نواقص آماری (قسمت اول)

  • بحث در خصوص نواقص آماری (ماهیت و ریشه یابی)
  • توصیف ویژگیهای توابع Deterministic و Stochastic
  • چه زمانی حتما باید از متدهای برآورد قطعی استفاده کنیم
  • انواع داده های مفقوده در متلب و نحوه مکان یابی این داده ها
  • برآورد نواقص آماری با استفاده از متد میانگین گیری خوشه ای
  • متد اصولی جهت مکان یابی داده های پرت، حذف اولیّه داده های فاقد اعتبار و Fill کردن مجدد
  • با تکنیک ریاضی جهت حل عددی متد Least Squares Approximation آشنا شویم
  • برآورد نواقص آماری با استفاده از متد تقریب حداقل مربعات
  • برآورد نواقص آماری با استفاده از متد Spline
  • برآورد نواقص آماری با استفاده از متد درون یابی و برون یابی یک بعدی
  • برآورد نواقص آماری با استفاده از متد درون یابی و برون یابی دو بعدی
  • ترسیم منحنی رگرسیون به منظور صحت سنجی متد بکار رفته جهت داده کاوی
  • مثال کاربردی: برآورد میزان بارش در فواصل برداشت نشده با استفاده از متدهای مختلف و مقایسه نتایج
  • مثال کاربردی: ترسیم گلباد منطقه طرح برای سال آماری (کد مورد استفاده در ایستگاه های سینوپتیک)
  • مثال کاربردی: برآورد میزان تابش خورشیدی در عرض جغرافیایی دلخواه برای بازه های مختلف زمانی

جلسه هفتم | بازسازی نواقص آماری با استفاده از متدهای قطعی

داده کاوی و بازسازی نواقص آماری (قسمت دوم)

  • استفاده از روش تفاضل ها و نسبت ها ( برآورد آمار مفقوده تراز سطح ایستابی در محدوده برازجان)
  • آشنایی با روش نسبت نرمال (برآورد آمار بارندگی در ایستگاه طالقان)
  • روال حرفه ای استفاده از متد نسبت نرمال (برآورد مقادیر مفقوده شده دما در اهواز)
  • استفاده از مقدار ثابت در fill کردن نواقص آماری
  • استفاده از متد میانگین متحرک در بازسازی داده های آماری
  • استفاده از متد میانه متحرک در بازسازی نواقص آماری
  • آشنایی با متد معکوس فاصله وزنی یا IDW (مقدار یابی تراز سطح ایستابی مهرشهر)
  • راستی آزمایی مقادیر برآورد مقدار شده از متد IDW
  • روال حرفه ای استفاده از متد IDW (برآورد تراز سطح ایستابی داده های مفقوده در استان البرز)
سطح 2: داده کاوی | آمار و احتمالات
590,000
1,600,000

جلسه اول | آشنایی با اصول پایه جهت استفاده از متدهای غیر قطعی

  • روشهای غیر قطعی! آری یا نه؟
  • با امکانات و دلایل استفاده از متدهای Stochastic آشنا شویم
  • آماده سازی پیش نیازهای مورد نیاز جهت استفاده از روشهای غیر قطعی
  • آشنایی با تعاریف و مفاهیم پایه
  • با مفهوم و کاربرد سری زمانی های Stationary و non-Stationary آشنا شویم
  • تبدیل سری زمانی های ایستا به سری های کاملا تصادفی
  • تشریح معادلات موجود جهت تعریف سطح معنی داری به منظور حذف روند موجود در سری های زمانی
  • آزمون نقطه عطف (Turning Point Test)
  • آزمون کندال (Kendall Test)
  • آزمون من ـ کندال (Mann-Kendall Test)
  • آزمون رگرسیون (Regression Test)
  • با مفهوم چارک و نحوه کدنویسی آن آشنا شویم
  • استفاده از میانگین متحرک جهت حذف روند (Moving Average Method)
  • استفاده از متد حداقل مربعات جهت حذف روند (Least Squares Method)
  • استفاده از آزمون تفاضل جهت حذف روند با زمان تأخیر دلخواه (Differencing Method)
  • تعریف تابع دلخواه جهت تعیین بهترین برازش
  • نحوه استخراج ضرایب معادله (تکنیک اوّل)
  • نحوه استخراج ضرایب معادله (تکنیک دوّم)
  • حذف جهش های موجود در سری زمانی (Prush Omittion)
  • آشنایی با کاربرد نمودارهای جعبه ای در شناسایی جهش های ناگهانی (Boxplot)
  • سری های پریودیک (Periodic Time Series)
  • تمرین کاربردی اوّل (شناسایی و حذف روند از داده های آب زیرزمینی دشت زنجان)
  • تمرین کاربردی دوّم (شناسایی و حذف روند موجود در داده های آبدهی ایستگاه هیدرومتری رودک)
  • تمرین کاربردی سوّم (شناسایی و حذف روند از داده های موجود در آمار رسوب موجود در دهستان جارو)
  • تمرین کاربردی چهارم (شناسایی و حذف روند موجود در تراز سطح آب دریاچه ارومیه)
  • تمرین کاربردی پنجم (شناسایی و حذف داده های پرت در میان داده های معتبر آبراهه های دائمی)

جلسه دوم | کاربرد تابع انتگرال فوریه در حذف تناوب و سیر پریودیک

  • با تکرارهای تناوبی آشنا شویم
  • تحلیل اجزاء سیر پریودیک (Periodic Frequency)
  • معرفی سری انتگرال فوریه (Fourier Integration Series)
  • حذف تکرار تناوبی و سیر پریودیک با استفاده از تجزیه فوریه
  • با تحلیل طیفی آشنا شویم (Spectral Analysis)
  • استفاده از متد تناوب نگار تجمعی (The Cumulative Periodogram)
  • استفاده از متد پریودوگرام جهت صحت سنجی سری باقیمانده از تحلیل طیفی (Mean Squared Deviation)
  • با مفهوم استقلال زمانی آشنا شویم
  • بررسی استقلال زمانی سری زمانی
  • با معادلات مربوط به همبستگی زمانی آشنا شویم
  • تشکیل باند اطمینان در متد Correlogram
  • استفاده از توابع پیش ساخته متلب جهت تشخیص همبستگی و خود همبستگی سری های زمانی
  • تحلیل همبستگی زمانی با تعریف زمان تأخیر دلخواه از روی نمودار
  • Long-Term Memory Series
  • Short-Term Memory Series
  • با مفهوم کفایت طول داده ها آشنا شویم
  • آزمون ضریب هرست (Hurst Coefficient)
  • تشریح معادله باکس کاکس (BoxCox Equation)
  • روش تعیین ضرایب معادله باکس کاکس جهت نرمال سازی سری زمانی
  • استفاده از تابع باکس کاکس جهت نرمال سازی سری زمانی
  • بررسی نموداری سری زمانی جهت تشخیص تبعیت داده ها از توزیع نرمال
  • معرفی معادله دکتر کارآموز جهت نرمال سازی سری زمانی و نحوه تعیین پارامترهای معادله
  • معرفی سری های زمانی که با لگاریتم گیری نرمال می شوند
  • معرفی سری های زمانی که با استفاده از جذرگیری نرمال می شوند
  • تمرین کاربردی: حذف سیر پریودیک از سری زمانی داده های مربوط به آبدهی ایستگاه بیلقان
  • تمرین کاربردی: آزمون استقلال زمانی داده های مربوط به آبدهی سد کرج
  • تمرین کاربردی: آزمون کفایت طول داده ها بر اساس داده های برداشت شده از رودخانه اترک
  • تمرین کاربردی: آزمون نرمالیته داده های آبدهی زرینه رود

جلسه سوم | استفاده از مدلهای ARMA و ARIMA

  • متدهای غیر قطعی در تحلیل سری های زمانی
  • مراحل مدلسازی سری های زمانی با استفاده از متدهای غیر قطعی
  • با شایع ترین مدل های آماری مورد استفاده در مهندسی علوم آب آشنا شویم
  • بحث در خصوص ماهیت مدل های خود همبسته  (AR)
  • با قابلیت های مدل های خود همبسته از نوع میانگین متحرک آشنا شویم (ARMA)
  • با تفاوت های ذاتی مدل های آماری آشنایی پیدا کنیم
  • ویژگی های شاخص Prediction و Forecasting در درک کنیم
  • توابع گوناگون جهت استاندارد سازی سری های زمانی را کدنویسی کنیم
  • با معادلات حاکم بر مدل های Auto Regressive آشنا شویم
  • با نقاط ضعف و قوت مدل های آماری گوناگون آشنا شویم
  • پیاده سازی معادلات ریاضی جهت تعیین پارامترهای مدل Moving Average
  • اجزاء معادلات حاکم بر مدل ARMA به زبان ساده
  • کاربرد ضریب خود همبستگی در مهندسی علوم آب
  • با ضریب خود همبستگی جزئی و کاربردهای عملی آن آشنا شویم
  • معادله Yule-Walker به زبان ساده
  • کاربرد عملی معادله Yule-Walker
  • با اجزاء باند اطمینان از نزدیک آشنا شویم
  • استخراج پارامترهای مدل AR و ARMA با استفاده از تحلیل نموداری
  • استخراج پارامترهای مدل AR و ARMA با استفاده از برنامه نویسی درمحیط متلب
  • استخراج پارامترهای مدل AR و ARMA با استفاده از آزمون Akaike
  • کدنویسی آزمون Akaike در محیط متلب
  • بررسی شرط ایستایی و معکوس پذیری در مدل های ARMA
  • پیاده سازی تابع AR در محیط متلب با استفاده از ساخت سیگنال پکیج
  • مثال کاربردی: تخمین پارامترهای مدل AR جهت پیش بینی رفتار آبدهی ایستگاه هیدرومتری بیلقان

جلسه چهارم | برآورد مقادیر آتی سری زمانی با استفاده از مدل های ARIMA فصلی و غیر فصلی

  • نحوه ساخت اطلاعات و پیش بینی آینده با استفاده از مدل ARMA
  • توصیف رفتار مدل ARMA با استفاده از تحلیل معادلات حاکم
  • بحث کاربردی در خصوص تکنیک استفاده از مدل ARMA جهت بازسازی نواقص آماری
  • با مدل ARIMA غیر فصلی آشنا شویم
  • مدل ARIMA فصلی چگونه ایجاد می شود
  • نحوه استفاده از مدل Multiplicative ARIMA به همراه توصیف کامل معادلات مربوطه
  • بسط مدل آریمای مکثر
  • تخمین پارامترهای مدل آریما چگونه صورت می پذیرد
  • نحوه پیش بینی اطلاعات سری زمانی با استفاده از مدل آریما
  • محاسبه پارامتر مربوط به اوزان مختلف مدل آریما
  • ایجاد باند اطمینان برای داده های پیش بینی شده توسط مدل آریما در افق زمانی L
  • تعریف دقیق کلیه متدها مدل های آرما و آریما در محیط متلب را بیاموزیم
  • تعیین دقیق کلیه پارامترهای Moving Average و Autoregressive با استفاده از توابع پیش ساخته متلب
  • نحوه ساخت سری زمانی به تعداد دلخواه
  • استخراج گزارش های آماری
  • تعیین دقیق خطای باقیمانده
  • آشنایی با انواع متدهای Forecasting به همراه تعریف باند اطمینان مربوطه
  • آشنایی با جعبه ابزار مربوط به کلیه مدل های AR، MA، ARMA و ARIMA فصلی و غیر فصلی
  • مثال کاربردی: پیش بینی وضعیت آبدهی در ایستگاه هیدرومتری خراجی (کیار) طی ده ماه آینده و تولید پنجاه سری زمانی از آمار بیست و دو ساله موجود

جلسه پنجم | آشنایی با مباحث آمار و احتمال در مهندسی آب

  • بحث در خصوص کاربرد آمار و احتمالات در علوم مهندسی آب و علوم محیطی
  • توصیف انواع مدل های احتمالاتی در علوم محیطی و تشریح ویژگی های مربوطه
  • انواع داده های برداشت شده در علوم محیطی را شناسایی کنیم
  • توصیف پارامترهای شاخص آماری به همراه تشریح متدهای شاخص هر پارامتر
  • با انواع روش های میانگین گیری(Arithmetic، هندسی، هارمونیک، برداری، وزنی و … ) در محیط متلب آشنا شویم
  • آشنایی با انواع معادلات ریاضی جهت توصیف پارامترهای میانگین گیری چند بعدی و ایجاد توابع مربوطه در متلب
  • نحوه کاربرد شاخص های پرکاربرد آماری (میانه، مد، واریانس، انحراف معیار، ضریب تغییرات، دامنه و …) در علوم مهندسی آب
  • کاربردهای شگفت انگیز توابع Minimum و Maximum جهت شناسایی سناریوهای برتر بهینه سازی و …
  • تکنیک استفاده از انواع flag های مرسوم توابع آماری و احتمالاتی
  • کاربرد ضرایب چولگی و کشیدگی جهت تفسیر انواع ماتریس های یک بعدی و چند بعدی
  • بحث در خصوص استاندارد سازی، نرمال سازی و تفاوت های شاخص فی مابین
  • با مفهوم صدک آشنا شده و روش های گوناگون نمایش صدک های دلخواه در تفسیر مقادیر حدّی را شناسایی کنیم
  • کاربرد حرفه ای صدک های گوناگون در تفسیر انواع پارامترهای خروجی الگوریتم های فراکاوشی
  • کاربرد هیستوگرام در نفسیر داده های کیفی و کمی
  • متدهای مهم در نمودارهای هیستوگرافی کدامند
  • با تابع توزیع چگالی احتمال (PDF) آشنا شویم
  • با تابع چگالی تجمعی (CDF) آشنا شویم
  • دامنه کاربرد منحنی های CDF در نمودارهای غیر هیستوگرافی
  • ایجاد دسته بندی و ساخت گروه های دلخواه آماری به همراه نمایش گرافیکی خروجی های احتمالاتی
  • با مفهوم فراوانی وقوع و دوره بازگشت آشنا شویم
  • کاربرد هر یک از معادلات گوناگون توابع آماری بسته به ماهیت مورد بررسی (آبدهی، ترازیابی، عمق سنجی، روندیابی و …)
  • مثالهای کاربردی آمار و احتمال در مهندسی علوم آب
  • تمرین شاخص: بررسی خروجی الگوریتم ژنتیک و انتخاب سناریوی بهینه در تصمیم گیری چند معیاره جهت ارائه بیشترین امکان برداشت آب از آبخوان که موجب کمترین افت سطح ایستابی و کمترین پیشروی آب شور به سمت منطقه پمپاژ گردد. (تشریح مقاله ISI)

جلسه ششم | آشنایی انواع توابع پیوسته و گسسته توزیع احتمال

  • مقدمه ای بر شناخت انواع توابع توزیع احتمال
  • مهمترین کاربردهای توزیعات احتمالی کدامند
  • از خدمات تابع توزیع احتمال دو جمله ای مستفید شویم
  • با کارکرد توزیع احتمالاتی هندسی آشنا شویم
  • چگونه تابع توزیع احتمال فوق هندسی را به خدمت بگیریم
  • آنجا که توزیع پواسون تنها انتخاب ممکن است
  • تابع توزیع احتمال چند جمله ای از نمای نزدیک
  • توزیع نرمال
  • بررسی موشکافانه انواع توابع توزیع احتمال پیوسته
  • یک استاد متلب فازی سازی مقادیر احتمالاتی را چگونه امکان پذیر خواهد ساخت
  • محاسبه فراوانی وقوع و میزان دقیق احتمال با توجه به نوع توزیع احتمالاتی سری های زمانی
  • نحوه محاسبه کوواریانس در توزیع نرمال
  • چگونه می توانیم توزیع احتمالاتی دلخواه خود را بر روی سری های زمانی fit کنیم
  • پیشگویی مقدار یا تعداد رخداد پدیده ها در زمان دلخواه به همراه کمترین لغزش یا خطای ممکن
  • ساخت انواع توابع توزیع احتمالاتی دلخواه جهت معرفی به مدل
  • ایجاد ماتریس های کاملا تصادفی با میانگین، انحراف معیار، سایز و بازه دلخواه که از توزیعات احتمالاتی تبعیت کنند را بیاموزیم
  • آشنایی با کلیه پارامترهای توابع توزیع احتمال و نحوه ورود این پارامترها
  • متخصص ترسیم تمامی نمودارهای احتمالاتی شویم
  • محاسبه فراوانی وقوع با استفاده از معادلات تجربی و مقایسه آن با روشهای عددی
  • انواع روش های انجام آزمون نکویی برازش را بیاموزیم
  • کاربردهای گوناگون Q-QPlot در بررسی پیروی سری های زمانی از تابع توزیع احتمال دلخواه
  • با روش حرفه ای استفاده از آزمون کای مربع آشنا شویم
  • متد تخصصی استفاده از آزمون کلموگروف ـ اسمیرنوف در محیط متلب
  • مثال کاربردی: بررسی نتایج آماری در محل سد دز جهت کشف مقدار تحلیه مخزن سد به منظور کنترل سیلاب احتمالی
  • مثال کاربردی: بررسی احتمال تخصیص مناسب Demand در محل احداث سد طالقان
  • مثال کاربردی: بررسی کفایت تعداد آزمایشات کیفی با تحلیل بازه احتمال رخداد مقادیر غیر استاندارد
  • مثال کاربردی: تعیین تعداد دفعات وقوع سیلاب های با شدّت معیّن در محل سد کرخه
  • مثال کاربردی: تعیین میزان آبدهی در ایستگاه مقصود بیک با توجه به سری زمانی و آمار ۲۵ ساله
  • مثال کاربردی: تعیین فراوانی نسبی و احتمال تجمعی مقادیر بارش ۲۷ ساله در ایستگاه لتیان
  • مثال کاربردی: کشف تابع توزیع احتمالاتی داده های ۲۷ ساله آمار بارندگی در محل سد لتیان
  • مثال کاربردی: کشف تابع توزیع احتمالاتی داده های ۴۱ ساله تبخیر در محل سد امیرکبیـــر

جلسه هفتم | کاربرد رگرسیون های خطی و غیر خطی در متلب

  • مقدمه ای بر دلایل استفاده از رگرسیون
  • دامنهء اثر رگرسیون های پارامتریک و غیر پارامتریک
  • آشنایی با انواع متدهای پارامتریک موجود در متلب جهت برازش منحنی
  • بحث در خصوص انواع روش های کاربرد ماتریس های منطقی
  • با نحوه کارکرد عبارات رشته ای جهت تشکیل معادلات رگرسیونی آشنا شویم
  • فراگیریِ استفاده از بخشهای دلخوه داده های Historical جهت برازش
  • مدیریت مقادیر حدی چگونه امکان پذیر خواهد بود
  • کنترل خطای ناشی از کاربرد توابع رگرسیونی
  • با متد حداقل مربعات خطی آشنا شویم
  • کار با متد حداقل مربعات وزنی را فرا بگیریم
  • چگونه می توان از متد حداقل مربعات هوشمند بهره برد
  • توصیف متد حداقل مربعات غیر خطی
  • پیش بینی مقادیر سری زمانی با استفاده از تقریب رگرسیونی
  • نحوه استفاده از رگرسیون های غیر خطی
  • مدیریت و اخذ خروجی با جزییات دلخواه
  • ایجاد باند اطمینان جهت داده های پیش بینی شده با متدهای رگرسیونی
  • نحوه استفاده از رگرسیون های غیر پارامتری
  • آشنایی با اجزا تابع KNN
  • آشنایی با توانایی های رگرسیون منتج از کاوش مقادیر موجود در همسایگی معین
  • متد استفاده از معادله Sharma-Lall
  • ارزیابی عملکرد تابع وابسته به مقادیر نزدیک ترین همسایه
  • آشنایی با معادلات برآورد میزان خطای باقیمانده
  • مثال های کاربردی: برآورد میزان تغییرات غلظت نیترات موجود در سفره های آب زیرزمینی (به چهار روش مختلف)
  • مثال کاربردی: بررسی میزان حجم رواناب با استفاده از بودجهء برفی و رواناب ماه قبل

جلسه هشتم | استفاده از متدهای KNN و Kriging

  • مباحث تکمیلی در خصوص K-NN
  • با انواع متدهای حرفه ای در خصوص K-NN آشنا شویم
  • استفاده از K-NN بهینه چگونه امکان پذیر خواهد شد
  • تلفیق K-NN بهینه و منطق انسانی جهت ایجاد مناسب ترین برازش ممکن
  • نحوه انتخاب شبیه ترین دادهء موجود در بین داده های تاریخی با پارامترهای برداشت شده در زمان حال را فرا بگیریم
  • مفهوم رگرسیون لاجستیک
  • توصیف مفهوم شانس وقوع و بیان تفاوتهای شانس و احتمال رخداد پدیده ها
  • با انواع پرکاربرد رگرسیون لاجستیک آشنا شویم
  • تعریف توابع دلخواه جهت استفاده از رگرسیون لاجستیک
  • توابع تبدیل رگرسیون لاجستیک را به خدمت بگیریم
  • دستیابی به مقدار عددی پدیده ها با استفاده از میزان احتمال وقوع
  • کاربردهای عملی رگرسیون لاجستیک دو جمله ای در علوم محیطی
  • انواع توزیعات آماری در رگرسیون لاجستیک
  • پیش بینی داده های آتی با استفاده از خروجی های رگرسیون لاجستیک
  • چگونه مقدار خطای عددی محاسبات را در حدود صفر نگه داریم
  • استفاده از زمین آمار در محیط نرم افزار متلب
  • مزایای استفاده از توابع زمین آماری
  • برتری های متلب در خصوص استفاده از توابع زمین آمار نسبت به نرم افزارهای دیگر (ArcGIS, …) در چیست؟
  • معرفی تابع کریجینگ و بحث در خصوص نحوه استفاده از این تابع همه کاره
  • مفهوم واریوگرام و واریگرام تجربی
  • اجزاء کلیدی واریوگرام را به خدمت بگیریم
  • انواع توابع پرکاربرد مربوط به منحنی های واریوگرام در مهندسی علوم آب
  • تعیین خطای محاسبات ناشی از متدهای زمین آماری
  • تعیین وزن دقیق هر یک از داده های موجود در همسایگی نقاط مجهول جهت ایجاد کمینه میزان انحراف از مبدا (Bias) را بیاموزیم
  • آشنایی با متد لاگرانژ جهت ایجاد کمترین واریانس ممکن
  • حل معادله کریجینگ با استفاده از حل ماتریسی
  • مثال کاربردی: استفاده از متد K-NN با استفاده از مفهوم همسایگی و بررسی تأثیر انتخاب تعداد نقاط همسایه
  • مثال کاربردی: استفاده از متد K-NN بهینه جهت تخمین میزان رواناب آتی
  • مثال کاربردی: آشنایی با متد حرفه ای کاربرد K-NN جهت تخمین میزان دبی سیل
  • مثال کاربردی: تخمین میزان نرخ شکست لوله های شبکه آبرسانی شهر مشهد
  • مثال کاربردی: تخمین احتمال نرخ شکست لوله های شبکه آبرسان شهر مشهد با استفاده از توزیع نرمال و پواسون
  • مثال کاربردی: آشنایی با متد حرفه ای جهت تعیین میزان دقیق نرخ شکست لوله های شبکه آبرسان شهر مشهد
  • مثال کاربردی: تعیین تراز ارتفاعی نقطه مجهول با استفاده از مختصات نقاط همسایه (در محیط اکسل)
  • مثال کاربردی: تعیین تراز ارتفاعی نقطه مجهول با استفاده از مختصات نقاط همسایه (در متلب)
  • تمرین شاخص (استادی): استفاده حرفه ای از تابع کریجینگ جهت تعیین تزار سطح ایستابی دشت شهرکرد
سطح 3: شبکه های عصبی مصنوعی
590,000
1,600,000

جلسه اول | آشنایی با ماهیت شبکه های عصبی مصنوعی

  • با مفاهیم شبکه های عصبی مصنوعی آشنا شویم
  • اجزاء اصلی شبکه های عصبی را شاسایی کنیم
  • مقایسه شبکه های عصبی مغز با شبکه های عصبی مصنوعی
  • ویژگی های اساسی شبکه های عصبی مصنوعی
  • اجزاء نرون از نمای نزدیک
  • مفهوم وزن و Bias در شبکه های عصبی مصنوعی
  • مفهوم تابع محرک چیست
  • با توابع محرک پرکاربرد در مهندسی آب و علوم محیطی آشنا شویم
  • مکان ظهور توابع محرک را شناسایی کنیم
  • کاربرد شبکه های عصبی استاتیکی در مهندسی آب
  • بحث در خصوص انواع مختلف شبکه های عصبی استاتیکی (پرسپترون، تطبیقی، شعاعی و …)
  • انواع شبکه های عصبی دینامیک را به خدمت بگیریم
  • Recurrent Neural Network
  • Input Delay Neural Network
  • Time Delay Neural Network
  • Time Delay Recurrent Neural Network
  • Supervised Neural Network
  • Non – Supervised Neural Network
  • Pass Training
  • Random Training
  • Batch Training
  • مفهوم شبکه های عصبی دینامیکی سری یا موازی
  • نحوه آموزش شبکه های دو لایه
  • تحلیل اولیه داده ها جهت تخصیص ورودی های شبکه عصبی مصنوعی
  • دسته بندی داده های ورودی چگونه انجام می شود
  • مفاهیم train، calibration و verification
  • دلایل و متدهای نرمال سازی ورودی
  • معماری شبکه عصبی
  • الگوریتم های آموزش شبکه عصبی
  • انواع شاخص های خطا جهت برآورد Performance شبکه عصبی
  • با انواع معیار های توقف آموزش و پرورش شبکه عصبی آشنا شویم
  • پارامترهای معماری شبکه عصبی و نحوه تنظیم آنها
  • نمایش اجزاء شبکه عصبی
  • مثال کاربردی: معماری شبکه عصبی با تعداد نرون های مشخص در لایه های دلخواه

جلسه دوم | معماری شبکه عصبی با structure دلخواه

  • تعیین Structure شبکه عصبی مصنوعی از نمای نزدیک
  • با مفهوم تکرار در پروسهء پردازش داده ها بیشتر آشنا شویم
  • عناصر ورودی و خروجی چگونه معرفی می شوند
  • مفهوم set داده و تفاوت آن با پارامترهای ورودی و خروجی
  • قرائت وزن و Bias خروجی لایه های مخفی
  • پردازش متوالی داده های ورودی / خروجی جهت تربیت شبکه عصبی مصنوعی
  • پردازش تصادفی داده های ورودی / خروجی جهت تریبیت شبکه عصبی مصنوعی
  • انتخاب توابع مناسب جهت تعیین وزن داده های ورودی به هر لایه
  • تولید وزن اوّلیه جهت تخصیص به ورودی هر یک از لایه های مخفی
  • با الگوریتم تعیین وزن لایه ها، دسته بندی های موجود و محدودیت های فی ما بین آشنا شویم
  • اجزاء مختلف تابع train را شناسایی کنیم
  • مفهوم تأخیر ورودی به لایه های مخفی چیست و چه انواعی دارد
  • ماهیت ابعاد مختلف زمان تأخیر و تفاوت های آن در شبکه های استاتیک و دینامیک
  • نحوه مواجهه با داده های مفقوده (NaN) در بخش ورود داده ها به شبکه عصبی مصنوعی
  • نکاتی در خصوص بردار خروجی از شبکه عصبی مصنوعی
  • روش حرفه ای تعیین تعداد نرون در هر یک از لایه های مخفی
  • طبقه بندی ارزش داده های خروجی بر اساس source و منبع دریافت داده ها
  • نحوه ذخیره مدل train شده بصورت خودکار با زمان بندی دلخواه
  • مثال کاربردی:/ تعیین تراز سطح پیزومتریک با استفاده از شبکه های عصبی و مفهوم همسایگی
  • مثال کاربردی:/ تعیین مقدار بارندگی با استفاده از شبکه های عصبی و داده های اقلیمی

جلسه سوم | شبکه های عصبی دینامیک

  • شبکه های عصبی دینامیکی
  • معماری یک شبکه دینامیک چگونه صورت می گیرد
  • طراحی Structure شبکه های دینامیک با بیش از یک لایه ورودی
  • طراحی Structure شبکه های دینامیک با بیش از یک لایه خروجی
  • طراحی Structure شبکه های دینامیک با تأخیر لایه
  • طراحی Structure شبکه های دینامیک با تأخیر ورودی
  • مفهوم زمان در سری زمانی های مورد تحلیل توسط شبکه های عصبی مصنوعی
  • تعیین دقیق اجزاء سری های زمانی
  • معرفی تأخیر ورودی از لایه های مخفی در عصبی دینامیک
  • تعیین دقیق وزن و Bias با استفاده از حلقه های تکرار
  • تعیین دقیق تعداد نرون لایه های مخفی در شبکه های دینامیک یک لایه و چند لایه
  • همگام سازی وزن، Bias و تعداد نرون در لایه های مخفی به دقیق ترین شکل ممکن
  • دسته بندی حرفه ای داده ها در شبکه های دینامیک
  • استاندارد کردن ورودی / خروجی در شبکه عصبی دینامیک را بیاموزیم
  • دسته بندی نتایج خروجی و تعیین میزان خطای مربوطه
  • ترسیم نمودار خروجی در شبکه های عصبی دینامیک چگونه صورت می گیرد
  • مثال جامع (رساله دکتری):/ تعیین میزان نشست دشت هشتگرد با تحلیل تصاویر ماهواره ای به صورت پیکسل به پیکسل و بررسی میزان تراز سطح ایستابی، موقعیت چاه ها و پردازش و مرتب سازی داده ها با در نظر گرفتن تأخیر زمانی مربوطه به دو شیوه مختلف به منظور دستیابی به کمترین خطای برآورد شده

جلسه چهارم | شبکه های عصبی آماده در محیط متلب

  • با انواع شبکه های عصبی آماده در محیط متلب آشنا شویم
  • تفاوت ساختاری شبکه های عصبی آماده در چیست
  • بحث در خصوص انتخاب نوع مدل
  • مقایسه شبکه عصبی custom و شبکه های عصبی آماده
  • با شبکه ADALINE آشنا شویم
  • تحلیل ساختار شبکه عصبی ADALINE
  • تحلیل شرایطی که شبکه ADALINE مناسب ترین گزینه است (تحلیل عملکرد)
  • معادلات حاکم بر روند انجام محاسبات در شبکه ADALINE را بررسی کنیم
  • الگوریتم آموزش شبکه عصبی ADALINE
  • روند اصلاح مقادیر وزن و Bias در شبکه ADALINE
  • نحوه تعریف پارامترهای موجود در شبکه ADALINE
  • تعیین مناسب ترین نرخ یادگیری شبکه عصبی بر اساس وضعیت داده های ورودی
  • با ساده ترین و کارآمد ترین شکل تعریف تأخیر در لایه آشنا شویم
  • تحلیل وضعیت داده های تأخیر یافته
  • انتخاب وزن و Bias بهینه برای شبکه های عصبی چگونه ممکن خواهد بود
  • شبکه های عصبی ADALINE با فیلتر تطبیقی
  • مفهوم(TDL) Tapped Delay Line چیست
  • با نحوه انجام محاسبات در شبکه عصبی ADALINE تطبیقی آشنا شویم
  • نحوه آموزش و تربیت شبکه عصبی ADALINE تطبیقی
  • با شبکه های عصبی پیشخور آشنا شویم
  • نحوه استفاده از شبکه های عصبی Feedforward به منظور داده کاوی
  • تحلیل مثال های موجود در Documentation نرم افزار متلب بر اساس سر فصل تدریسی
  • مثال کاربردی ۱:/ تعیین مقدار دمای روزانه در بازه بلند مدّت بر اساس دیگر داده های اقلیمی (ADALINE)
  • مثال کاربردی ۲:/ تعیین دقیق غلطت منیزیم جهت برآورد SAR با استفاده از فیلتر تطبیقی
  • مثال کاربردی ۳:/ تعیین مقدار بارندگی به کمک دیگر پارامترهای اقلیمی با استفاده از Network Feedforward

جلسه پنجم | شبکه های عصبی پرسپترون و پیشخور

  • شبکه های عصبی پیشخور در عمل
  • با کاربرد عملی انواع گوناگون شبکه های عصبی پیشخور آشنا شویم
  • معماری شبکه های عصبی آماده
  • انواع مختلف متدهای آموزش و پرورش شبکه های عصبی آماده کدامند
  • آشنایی با شبکه های Perceptron
  • با کاربرد و نحوه استفاده از شبکه های MLP آشنا شویم
  • معماری شبکه عصبی Perceptron را بیاموزیم
  • با الگوریتم آموزش شبکه های Perceptron آشنا شویم
  • برنامه نویسی جهت ایجاد الگوریتم آموزش شبکه Perceptron تا رسیدن به خطای صفر
  • پیاده سازی اجزاء الگوریتم learnp در عمل
  • معرفی گام به گام قانون یادگیری Perceptron
  • معادلات کاربردی Perceptron
  • کدینگ روند train شبکه Perceptron برای تعداد دلخواهی از ورودی ها (Customized training)
  • استفاده از شبکه عصبی برای Pattern Recognition با n تعداد خروجی
  • آشنایی با trainscg
  • مفهوم Cross Entropy چیست (معادلات و محاسبات)
  • اجزاء تابع crossentropy در متلب
  • نحوه ممانعت از overfitting در زمان استفاده از patternnet
  • مثال عملی:/ تعیین بردارهای وزن و اریب در یک شبکه عصبی MLP
  • مثال عملی:/ ایجاد مدل جهت طبقه بندی خروجی ها در کلاسهای دلخواه با استفاده از تابع عملکرد Entropy
  • مثال عملی:/ ایجاد مدل جهت طبقه بندی خروجی ها در کلاسهای دلخواه با استفاده از تعیین Regularization
  • مثال کاربردی:/ استفاده از شبکه عصبی جهت مدلسازی تراز سطح ایستابی دشت داراب با استفاده از تأخیر زمانی
  • مثال کاربردی:/ برآورد میزان نشت از کانال با استفاده از پارامترهای مقطع کانال و مشخصات خاک منطقه (اصفهان)
جلسه ششم | شبکه های عصبی شعاعی (RBFNN)
  • با شبکه های عصبی RBF آشنا شویم (RBFNN)
  • ساختار شبکه عصبی تابع پایه شعاعی از نمای نزدیک
  • الگوریتم انجام محاسبات در RBF چیست
  • توصیف تابع محرک شبکه عصبی RBF
  • نکات مربوط به تعیین میزان پارامتر هموار ساز در شبکه تابع پایه شعاعی
  • نحوه ساخت شبکه RBF در محیط متلب
  • نحوه تعیین بازه مناسب برای مقدار spread
  • ترفند محاسبه مقادیر وزن و Bias لایه خروجی
  • تکنیک کاربردی جهت ممانعت از over-training در شبکه RBF
  • نقاط ضعف شبکه RBF را شناسایی کنیم
  • آشنایی با toolbox شبکه عصبی در متلب
  • مثال کاربردی: ساخت مدل جهت شبیه سازی مقدار رواناب بر اساس مقادیر بارندگی
  • مثال کاربردی: ساخت مدل بارش رواناب با استفاده از افزایش تدریجی تعداد نرون در شبکه
  • مثال جامع: برآورد پارامترهای کیفی با استفاده از کلیه متدها در مدل شبکه عصبی همراه با مقایسه نتایج هر حاصل از هر مدل با دیگر خروجی ها

جلسه هفتم | ساده سازی تحلیل مسائل با استفاده از PCA

  • ساده‌سازی تحلیل مسائل با رویکرد آنالیز مولفه‌های اصلی (PCA)
  • توصیف ماهیت PCA
  • چگونه می‌توان از PCA در طبقه‌بندی و پهنه‌بندی داده‌ها استفاده نمود
  • متد PCA بر مبنای چه اصولی عمل می‌کند
  • کاهش ابعاد مسئله بدون کاهش دقت تحلیل را بیاموزیم
  • رویکرد آنالیز مولفه اصلی چه محدودیت‌هایی دارد
  • تحت کدام شرایط بهتر است تا از متد آنالیز فاکتور (PFA) استفاده کنیم
  • با نحوه کدنویسی و کاربرد ضریب KMO آشنا شویم
  • منظور از مولفه اصلی چیست و چگونه ایجاد می‌شود
  • با الگوریتم PCA به تفکیک مراتب آشنا شویم
  • بردار ویژه و مقدار ویژه چگونه تولید می شود
  • بحث در خصوص انواع Rotation بر روی بردارهای ویژه
  • پیاده‌سازی چرخش varimax در نرم‌افزار متلب
  • کار با متد آنالیز فاکتور در نرم‌افزار متلب (PFA)
  • نکات کلیدی آنالیز مولفه‌ها و فاکتورهای اصلی را شناسایی کنیم
  • اهمیت داده‌های مورد بررسی با توجه به میزان واریانس فاکتورهای تولید‌شده
  • تعیین اِلِمان‌های کلیدی با استفاده از نمودار مربوط به بردار ویژه
  • اجزاء تابع PCA در نرم افزار متلب
  • با انواع Name – Value های کاربردی تابع PCA آشنا شویم
  • مثال کاربردی: تعیین عناصر کیفی شاخص طی دو فصل خشک و پر باران و معرفی ایستگاه‌های کلیدی (تحلیل مقاله ISI با توصیف خط به خط کدهای برنامه)

جلسه هشتم | طبقه بندی داده ها با استفاده از مدل SOM

  • طبقه بندی داده ها با استفاده از مدل های خود سازمانده (SOM)
  • توصیف مدل های خود سازمانده
  • انواع توپولوژی در شبکه SOM
  • با ساختار شبکه های رقابتی آشنا شویم
  • تفاوت شاخص تابع محرک SOM با دیگر توابع محرک
  • الگوریتم شبیه سازی مدل SOM
  • نحوه به روز رسانی وزن و Bias در شبکه های SOM
  • دلایل استفاده از تابع توزیع گوسی در مدل SOM
  • با مفاهیمی همچون نرون غالب و شعاع تأثیر نرون برنده آشنا شویم
  • نکات ضروری در خصوص آموزش شبکه های SOM
  • با کاربرد مهم Bias در شبکه SOM آشنا شده و کاربرد دوگانه آنرا بیاموزیم
  • نحوه کلاسه بندی و پهنه بندی داده ها با متدهای دستی
  • نحوه کلاسه بندی و پهنه بندی داده ها با توابع متلب
  • تولید یک شبکه رقابتی با استفاده از تابع selforgmap
  • با مفهوم و کاربرد Dimension آشنا شویم
  • تابع توپولوژی به چه معناست و چه انواعی دارد
  • در چه شرایطی نیاز به تعریف Bias نداریم
  • توابع فاصله را شناسایی کرده و کاربرد کلیه توابع فاصله را بیاموزیم
  • مدیریت خروجی ها جهت تعیین تعداد کلاس های مناسب
  • ایجاد گراف های چشم نواز با توجه به مفهوم نرون فعال و مرده
  • مثال های کاربرد عملی جهت استفاده از تک تک اجزاء یاد شده در case study های واقعی
سطح 4: منطق فازی | طبقه بندی داده ها
590,000
1,600,000

جلسه اول | شبیه سازی با استفاده از ماشین بردار پشتیبان (SVM)

  • با کاربرد الگوریتم ماشین بردار پشتیبان آشنا شویم
  • توصیف الگوریتم SVM
  • مفاهیم طبقه بندی داده چیست و چگونه در مدل SVM نمود می کند
  • بردارهای پشتیبان به زبان ساده
  • نحوه کار ماشین بردار پشتیبان
  • نکات کلیدی جهت کاربرد صحیح مدل SVM
  • تبدیلات لازم جهت کاربرد بهینه مدل SVM را بیاموزیم
  • موشکافی اجزاء ماشین بردار پشتیبان
  • با مفهوم جداسازی خطی داده ها آشنا شویم
  • مفاهیم جداسازی غیر خطی داده ها
  • استفاده از متد لاگرانژ در جداسازی غیر خطی
  • معادلات کاربردی جهت استفاده بهینه از SVM
  • نکات کلیدی در تعیین مقدار بهینه ضریب لاگرانژ
  • منظور از تابع کرنل چیست و چگونه در جداسازی غیر خطی داده ها موثر واقع می شود
  • شکل ریاضی مدل کرنل به زبان ساده
  • پنچ گام اساسی در طبقه بندی به روش غیر خطی
  • پیاده سازی ماشین بردار پشتیبان در محیط متلب
  • متدها و Property های مهم توابع متلب در کار با SVM
  • نحوه استخراج مجموعه های آموزشی و آزمایشی در فرآیند ارزیابی تقاطعی
  • با متدهای پنجگانه صحت سنجی مدل SVM آشنا شویم
  • آشنایی گام به گام با نحوه طبقه بندی داده ها در مدل آموزش دیده
  • نحوه کمی نمودن میزان خطای طبقه بندی برای داده های صحت سنجی
  • توصیف انواع توابع ریاضی جهت محاسبه خطای طبقه بندی
  • مثال های کاربردی متنوع جهت استفاده از ماشین بردار پشتیبان

جلسه دوم | کلاسه بندی احتمالاتی با استفاده از ماشین بردار پشتیبان (SVM)

  • با نگرش احتمالاتی در خصوص طبقه بندی های پیشنهادی مدل آشنا شویم
  • الگوریتم تعیین احتمال قرارگیری یک مشاهده در یک کلاس مشخص را بیاموزیم
  • موارد مهم در تبدیل تابع بهینه را شناسایی کنیم
  • حدود مرزی جهت تفکیک خروجی مدل
  • شرایط خاص جهت تبدیل کلاسه های فازی به قطعی
  • دستورات متلب جهت ایجاد خروجی با نگرش فازی
  • ایجاد یک مدل آموزش دیده چگونه انجام می شود
  • پیش بینی مقادیر بر اساس مدل Learner جهت توصیف احتمالاتی کلاسه بندی ورودی های جدید
  • نکات کاربردی جهت استفاده از دستور fitSVMPosterior
  • متدها و Property های کاربردی جهت کلاسه بندی احتمالاتی
  • برآورد مقدار احتمال قرارگیری داده های مشاهداتی در کلاس دلخواه
  • متد تفکیک داده ها در چندین کلاس مجزا با استفاده از SVM
  • متدها و Property های کاربردی در ساخت n کلاس معنی دار از داده های میدانی
  • برچسب گذاری کلاس های داده
  • توصیف تفاوت تعداد Learner ها در متدهای گوناگون جهت دسته بندی داده های مشاهداتی
  • تعریف ماتریس طراحی کد به صورت دلخواه
  • با مهمترین نکات موجود در خصوص ماتریس طراحی کد آشنا شویم
  • استفاده از تابع هزینه دلخواه جهت یکسان سازی بازه تغییرات مقادیر محاسباتی
  • متدهای کاربردی جهت کاهش خطای مرتبط با ارزیابی تقاطعی را شناسایی کنیم
  • توابع کرنل گوسی، خطی و چندجمله ای در فرآیند بهینه سازی پارامترهای مدل یادگیرنده SVM
  • مثالهای کاربردی متعدد با رویکرد مهندسی آب جهت استفاده از تک تک مفاهیم توصیف شده در این جلسه

جلسه سوم | ادامه کلاسه بندی داده ها با استفاده از رگرسیون بردار پشتیبان (SVR)

  • پایش داده ها به منظور کلاسه بندی صحیح
  • انتخاب تابع کرنل مناسب
  • با تکنیک ممانعت از بیش پردازش (Over Training) داده ها آشنا شویم
  • مزایای استفاده از مدل SVM چیست
  • بحث در خصوص محدودیت های ماشین بردار پشتیبان
  • معرفی رگرسیون بردار پشتیبان (SVR)
  • روابط حاکم بر رگرسیون خطی بردار پشتیبان
  • استفاده از متد لاگرانژ جهت تبدیل تابع هزینه در رگرسیون بردار پشتیبان
  • روابط حاکم بر رگرسیون غیر خطی بردار پشتیبان
  • توابع کرنل معمول جهت استفاده در مدل رگرسیون غیرخطی بردار پشتیبان
  • با روش های مختلف حل مسائل با استفاده از متد رگرسیون بردار پشتیبان آشنا شویم
  • معیارهای همگرایی روش های حل مسائل رگرسیون بردار پشتیبان را شناسایی کنیم
  • دستورات MATLAB جهت اجرای رگرسیون بردار پشتیبان
  • معرفی متدها و Property های مهم رگرسیون بردار پشتیبان
  • روال حذف داده های پرت
  • مثال های متنوع در چهارچوب علوم محیطی و مهندسی آب جهت کار با مدل SVR
  • مثال جامع استادی:/ برآورد میزان جابجایی بلوک میانی تاج سد کرج  با اعمال بهینه سازی بر روی پارامترهای مدل SVR

جلسه چهارم | مدل استنتاج فازی (FIS)

  • با مفهوم تصمیم گیری فازی آشنا شویم
  • پیشینه منطق فازی
  • خصوصیات منطق فازی
  • محدودیت های منطق فازی
  • دلایل استفاده از منطق فازی
  • ساختار منطق فازی
  • شباهت های منطق فازی با نظریه احتمال
  • تفاوت های منطق فازی با نظریه احتمال
  • مفهوم مجموعه های فازی
  • توابع عضویت کاربردی در منطق فازی
  • با انواع معادلات حاکم بر منطق فازی آشنا شویم
  • تعاریف مرتبط با مجموعه های فازی
  • آشنایی با عملگرهای فازی
  • توصیف سیستم استنتاج فازی
  • نحوهء فازی سازی داده های ورودی را بیاموزیم
  • تولید قوانین فازی چگونه صورت می پذیرد
  • با متد مربوط به استخراج خروجی از قوانین فازی تولیدی آشنا شویم
  • ترکیب توابع عضویت خروجی ها جهت اتخاذ نتیجه نهایی
  • غیر فازی سازی تابع عضویت تجمیع شده پارامتر خروجی
  • نحوه ساخت سیستم استنتاج فازی در نرم افزار متلب
  • آشنایی با سیستم ممدانی
  • آشنایی با سیستم سوگنو
  • مزایای مدل ممدانی
  • مزایای مدل سوگنو
  • ساخت سیستم فازی ممدانی در متلب
  • متدها و Property های سیستم ممدانی
  • پارامترهای خروجی سیستم ممدانی کدامند
  • استخراج درجه عضویت متناسب با ترکیب بردارهای ورودی
  • استخراج تابع عضویت کلی سیستم فازی ممدانی
  • ارائه غیر فازی مرتبط با تابع عضویت تجمیع شده در سیستم فازی ممدانی

جلسه پنجم | ساخت مدل استنتاج فازی در محیط نرم افزار متلب

  • نحوه تعریف یک مقدار فازی
  • انواع توابع عضویت کاربردی در محیط نرم افزار متلب
  • تعیین درجه عضویت متناسب با یک مقدار مشخص
  • اضافه نمودن متغیر ورودی
  • اضافه نمودن متغیر خروجی
  • حذف متغیر ورودی
  • حذف متغیر خروجی
  • اضافه نمودن قوانین حاکم بر سیستم
  • استفاده از عبارات زبانی
  • استفاده از نماد ها
  • استفاده از مقادیر عددی
  • تعریف قوانین با استفاده از مقادیر رشته ای
  • استفاده از عبارات ریاضی
  • معرفی قوانین تعریف شده برای برنامه
  • اضافه نمودن توابع عضویت به برنامه
  • معرفی انواع توابع متنوع موجود در محیط متلب جهت استنتاج فازی
  • نحوه حذف توابع عضویت
  • ترسیم توابع عضویت در یک سیستم فازی
  • ارزیابی سیستم فازی ساخته شده
  • ذخیره نمودن سیستم فازی ارزیابی شده
  • چرا از تولباکس فازی در محیط متلب استفاده نمی کنیم

جلسه ششم | ساخت مدل استنتاج فازی سوگنو

  • با توابع گوناگون جهت ساخت سیستم فازی سوگنو آشنا شویم
  • متد ها و Property های مهم جهت ساخت سیستم سوگنو را شناسایی کنیم
  • اخذ خروجی از سیستم سوگنو
  • نحوه اضافه نمودن متغیرهای ورودی و خروجی به همراه مشخصات فازی آن در سیستم سوگنو
  • اضافه یا خذف نمودن متغیرها در سیستم سوگنو
  • اضافه و حذف نمودن توابع عضویت در سیستم سوگنو
  • تبدیل سیستم ممدانی به سوگنو
  • مثال جامع استادی 1:/ شبیه سازی تراز سطح ایستابی با استفاده از سیستم استنتاج ممدانی جهت تشخیص تراز ماه قبل، میزان برداشت و تراز انتهای ماه با استفاده از یازده قانون مدوّن با دو روش ممدانی و سوگنو و مقایسه نتایج حاصله
  • مثال جامع استادی 2:/ ارزیابی میزان دقت مدل شبیه ساز سری زمانی جهت برآورد میزان تراز سطح ایستابی
  • مثال جامع استادی 3:؟ شبیه سازی پارامتر نیترات و بررسی میزان حساسیت آن نسبت به پارامترهایی همانند بازه تغییرات تابع عضویت، ضرایب رابطه خطی حاکم بر متغییر خروجی در سیستم سوگنو

جلسه هفتم | ساخت مدل استنتاج فازی شبکه عصبی مصنوعی

  • با تابع genfis آشنا شویم
  • نحوه تعریف و تشکیل پارامترهای ورودی genfis
  • مراحل دسته بندی داده ها با استفاده از متد subtractive clustering
  • روش خوشه بندی c-mean فازی
  • بحث جامع در خصوص پارامترهای ورودی ـ خروجی از تابع FCM
  • ساخت سیستم استنتاج فازی با استفاده از روش خوشه بندی فازی را بیاموزیم
  • آموزش سیستم فازی با استفاده از ANFIS
  • با روش یادگیری تطبیقی عصبی آشنا شویم
  • کالبد شکافی پیکره سیستم های فازی عصبی
  • ساختار لایه های مدل ANFIS با توابع عضویت چندگانه
  • تعیین بهترین مقادیر مرتبط با پارامترهای توابع عضویت متغییرهای ورودی به ساختار مدل ANFIS
  • تعیین بهترین مقادیر مرتبط با پارامترهای توابع عضویت ضرایب توابع خطی متغییر خروجی از ساختار مدل ANFIS
  • دستورات متلب جهت پیاده سازی و ساخت مدل ANFIS
  • متد ها و Property های مهم موجود در توابع کاربردی ساختار ANFIS
  • بهینه کردن پارامترهای مدل فازی
  • صحت سنجی نتایج خروجی از ANFIS
  • نحوه تهیه مدل ANFIS با استفاده از تولباکس مربوطه
  • مثال1:/ مدلسازی سیستم استنتاج فازی جهت پیش بینی میزان آبدهی ایستگاه هیدرومتری واقع در خروجی حوضه
  • مثال2:/ دسته بندی کاهشی داده ها به منظور تعیین مرکز و بازه تأثیر هر دسته در سیستم آبرسانی شهری
  • مثال3:/ استفاده از روش خوشه بندی فازی به منظور دسته بندی ایستگاه های هواشناسی در کلاس های مختلف و تعیین درجه عضویت هر ایستگاه ها به همراه تصویر سازی نموداری
  • مثال 4:/ شبیه سازی معادلات غیرخطی پیچیده با استفاده از مدل فازی ـ عصبی و تشریح نتایج موجود با دو روش صحت سنجی پیوسته و تصادفی

جلسه هشتم | برنامه ریزی بیان ژن (GEP) ؛ روش گروهی مدیریت داده ها (GMDH) و شبیه سازی با متد موجک (Wavelet)

  • برنامه ریزی بیان ژن به چه معناست
  • با ساختار الگوریتمیک GEP آشنا شویم
  • چه زمان انتخاب الگوریتم GEP انتخابی مناسب و هوشمندانه است
  • با مفهوم کروموزم آشنا شویم
  • درخت بیان به چه معناست
  • معرفی مجموعه متغییرهای ورودی
  • ارتباط دادن متغییرهای ورودی با متغییرهای خروجی
  • تولید کروموزم های اولیه بر اساس ژن های تعریف شده
  • تبدیل ساختار درختی به خطی
  • ارزیابی میزان دقت و کارایی هر یک از کروموزم ها
  • اِعمال عملگر انتخاب
  • اعمال عملگرهای تزویج و جهش بر روی نسل انتخاب شده جهت تولید فرزندان
  • معرفی نرم افزار GeneXProTools
  • اجرای گام به گام برنامه و استخراج نتایج در قالب شکل درختی بهترین ژن ها و کروموزم های استخراج شده
  • تنظیم پارامترهای مدل GEP
  • با پیشینه GMDH آشنا شویم
  • منظور از از بهینه سازی ساختاری و پارامتری کاملاً اتوماتیک مدل چیست
  • با معمول ترین توابع پایه مورد استفاده در الگوریتم GMDH آشنا شویم
  • مراحل اجرایی الگوریتم GMDH را موشکافی کنیم
  • معرفی مدل موجک و کاربردهای آن
  • اندازه گیری میزان همبستگی موجک با سیگنال اصلی در هر مقطع
  • منظور از موجک مادر و موجک پدر چیست
  • مزیت استفاده از روش موجک
  • استفاده از تئوری موجک در سری های زمانی
  • با مهمترین دستورات مورد استفاده جهت تجزیه سری زمانی با استفاده از تئوری موجک آشنا شویم
  • نحوهء استخراج مقادیر واقعی بردارهای تقریب و جزئیات بر اساس بردار تجزیه موجک
  • کاربرد موجک در رگرسیون خطی
  • کاربرد موجک در مدل شبکه عصبی مصنوعی
  • مثال 1:/  پیش بینی تراز سطح ایستابی با استفاده از تأخیر زمانی مشخص جهت معرفی کاربرد مدل GEP
  • مثال 2:/ پیش بینی میزان شوری آب رودخانه کرج با استفاده از داده های کیفی در مدل GEP
  • مثال 3:/ پیش بینی میزان سختی کل در آبخوان دشت شهرکرد با استفاده از 8 پارامترکیفی و بر اساس 186 نمونه ثبت شده جهت استفاده در مدل GMDH
  • مثال 4:/ پیش بینی میزان آبدهی ماهانه رودخانه دربند با استفاده از آمار و اطلاعات 25 ساله (94-1371) و در نظر گرفتن تأخیرهای مناسب از آبدهی به عنوان متغییر ورودی مدل GMDH
  • مثال 5:/ تجزیه سری زمانی آبدهی رودخانه به سه سطح و ترسیم زیرفرکانس های تولید شده با استفاده از مفهوم موجک
  • مثال 6:/ تخمین صحیح میزان بار رسوبی وارده از حوضه آبریز به رودخانه اصلی بر اساس آمار و اطلاعات آبدهی با استفاده از مئل رگرسیون خطی ساده و مدل هیبرید موجک رگرسیون
  • مثال 7:/ شبیه سازی تراز سطح آب زیرزمینی با در نظر گرفتن تأخیرات زمانی با استفاده از تلفیق مفهوم شبکه عصبی و موجک
سطح 5: روش های کلاسیک بهینه سازی
590,000
1,600,000

جلسه اول |  مفاهیم کلیدی و تعاریف

  • آشنایی با مفهوم بهینه‌سازی و تعاریف مرتبط با آن
  • مفهوم متغیرهای تصمیم و فضای تصمیم
  • فضای تصمیم گسسته و پیوسته
  • تابع هدف چیست و خصوصیات ریاضی آن کدام است
  • با مفهوم محدودیت تصمیم و فضای امکان پذیر آشنا شویم
  • تفاوت بهینه محلی و بهینه عمومی و بررسی وجه تمایز جواب‌های بهینه محلی و بهینه کلی
  • نحوه تعریف توابع هدف و محدودیت ها در مسائل بهینه سازی
  • مفهوم بازه تأثیر متغیر تصمیم
  • نحوه تعریف متغیر تصمیم و اجزاء آن
  • محور مقالات ISI و پایان نامه های دکتری با رویکرد بهینه سازی (مدیریت منابع آب، آبیاری زهکشی، سازه های آبی، آب و فاضلاب و …)
  • آشنایی با انواع مدل های بهینه سازی
  • تفاوت متدهای بهینه یابی خطی و غیر خطی به لحاظ ماهیت و ساختار
  • مزایای استفاده از بهینه یابی خطی از نمای نزدیک
  • تبدیل تابع هدف از فرم تشریحی به زبان ریاضی جهت معرفی به مدل بهینه ساز
  • نحوه تعریف متغیرهای تصمیم با مقادیر منفی
  • نحوه تعریف متغیرهای تصمیم که هر سه مقدار مثبت، منفی یا صفر را اقتباس می کنند
  • استاندارد سازی فرم نوشتاری قیود و محدودیت های مسئله

جلسه دوم | دستورات متلب در متدهای بهینه سازی کلاسیک

  • آشنایی با روال حل مسائل Problem – Based
  • دستورات متلب جهت تعریف یک مدل بهینه سازی از نوع Problem – Based
  • با انواع متدهای موجود در بهینه سازی به روش problem – Based آشنا شویم
  • کلیه جزئیات مربوط به معرفی متغیر تصمیم به مدل بهینه ساز را بیاموزیم
  • متغیرهای تصمیم یک بعدی، دو بعدی و چند بعدی چگونه تعریف می شوند
  • انواع روش های موجود جهت تعریف تابع هدف کدام اند
  • تعریف قیود و محدودیت های یک مسئلهء بهینه سازی به شیوه های گوناگون
  • روال حل یک مسئله بهینه سازی با ذکر جزئیات و ترتیب مراتب لازم جهت کدنویسی
  • دلایل توقف روند حل مسئله و ارائه پاسخ بهینه در انواع مدل های چیست
  • تفسیر خروجی های حاصل از یک مدل بهینه سازی خطی Problem – Based
  • مثال کاربردی 1:/ مدلسازی مسئله حداکثر سود ناشی از تولید محصول در صورت گسسته یا پیوسته بودن متغیر تصمیم با اکسل و متلب
  • مثال کاربردی 2:/ بهینه یابی جهت انتخاب مناسب ترین شیوه تصفیه فاضلاب صنعتی با توجه به محدودیت های سه مدل در دسترس
  • مثال استادی:/ تعیین سطح زیر کشت محصول در سه قطعه زمین جهت کشت چهار نوع گیاه مختلف در شرایط محدودیت منابع آب

جلسه سوّم |  تعیین محدوده نوسانات مجاز متغیرهای تصمیم

  • نمایش سایز و محدوده مجاز برای متغیر تصمیم
  • با نحوه تعریف و بکارگیری چند نوع متغیر تصمیم در یک مسئله واحد آشنا شویم
  • نمایش و ذخیره سازی اجزء یک مسئله بهینه سازی
  • ذخیره نمودن متغییرهای تصمیم و محدودیت های مرتبط با آن در قالب فایل TXT
  • ارزیابی برآرورد مقدار تابع هدف با استفاده از نقاط استارتر دلخواه
  • نحوهء دسترسی به برخی از مقادیر متغییر تصمیم جهت تخصیص مقدار اولیه
  • بررسی میزان تخطی یک جواب از محدودیت های داده شده
  • روال خودکار سازی بررسی feasible بودن نقاط استارتر یا خروجی نهایی در مواجهه با پیچیدگی ها و حضور چندین قیود مکرر
  • با متد حذف یک یا چند محدودیت تعریف شده از مسأله باشد آشنا شویم

جلسه چهارم | آشنایی با انواع متدهای Solver (بخش اوّل)

  • متدهای تابع Solve را شناسایی کنیم
  • سالورهای مختلف تابع Solve کدام اند
  • تنظیمات دلخواه مدل بهینه سازی
  • با انواع مدل های برنامه ریزی عدد صحیح آشنا شویم
  • مدل بهینه سازی خطی باینری از نمای نزدیک
  • تبدیل قیود از فرم صحیح به باینری

مثال های کاربردی جهت آشنایی با مسائل عملی مهندسی آب در بحث بهینه سازی خطی

  • تخصیص مقادیر اولیه جهت تعیین مقدار بهینه تخصیص در یک دوره پنج ساله برای مصارف شرب، صنعتی وکشاورزی
  • بهینه سازی تخصیص آب از یک منبع به چهار منطقه با وجود ظرفیت های متفاوت خط انتقال و لزوم حضور جریان برگشتی
  • بهینه میزان سازی رها سازی آب از مخزن سد و برآورد میزان ذخیره بهینه آب در پشت سد برای دوازده ماه متوالی
  • کشف منابع بهینه جهت انتقال آب به چهار منطقه روستایی با هزینه انتقال مشخص در صورت حضور و عدم حضور چاه پمپاژ

تکلیف استادی:

  • تعیین میزان رهاسازی جریان در بازه یک ساله از مخازن چهار سد که بطور سری و موازی خروجی جریان هم را تحویل می گیرند

جلسه پنجم | آشنایی با انواع متدهای Solver (بخش دوّم)

  • متد Solver Based برای حل مسائل بهینه سازی کلاسیک
  • با مراتب تشکیل یک مدل Solver Based بصورت گام به گام آشنا شویم
  • تفاوت های موجود میان متدهای Problem Based و Solver Based
  • تبدیل یک مسئله Problem Based به فرم Solver Based چگونه قابل انجام است
  • اجزاء Solver مسائل بهینه سازی خطی را بیاموزیم
  • ورودی های الزامی برای Solver خطی را چگونه تشکیل دهیم
  • متدهای دلخواه برای Solver خطی خود انتخاب کنیم
  • تولید تابع دلخواه جهت استخراج پارامترهای تابع linprog
  • با Solver مربوط به بهینه سازی خطی عدد صحیح آشنا شویم

جلسه ششم | آشنایی با انواع متدهای Solver (بخش سوّم)

  • تعریف فرم باینری یا مختلط در برنامه ریزی خطی عدد صحیح با کاربرد کدام متد میسر خواهد شد
  • تعیین نقطه یا نقاط starter موجه برای Solver های بهینه یاب
  • تفسیر خروجی مدل بهینه سازی خطی به روش Solver Based در صورت حصول یا عدم حصول نتیجه مناسب را بیاموزیم
  • مدل بهینه سازی غیر خطی
  • اجزاء مدل بهینه ساز غیر خطی چیست و چگونه در مسائل وارد می شود
  • انواع الگوریتم های موجود جهت استفاده از مدل بهینه سازی خطی
  • انواع متدهای کاربردی در مهندسی علوم آب جهت استفاده از مدل بهینه سازی کلاسیک غیر خطی

مثال های کاربردی:

  • تعیین میزان رهاسازی بهینه از مجموعه مخازن موجود در یک منطقه که به صورت سری و موازی با یکدیگر در ارتباط هستند
  • حل مسئله حمل و نقل به دو شیوه مختلف Problem Based و Solver Based با بررسی همه جانبه کلیه اجزا
  • برداشت میزان بهینه آب از دو با هزینه و کیفیت متفاوت جهت حصول کیفیت بیشینه و هزینه انتقال کمینه
  • شناسایی مجموعه Starter های موجّه در کلیه مسائل بهینه سازی با شرط لزوم تعریف نقطه شروع جهت دستیابی به بهینه عمومی
  • تعیین موقعیت چاه های پایش جهت افزایش دقت به میزان دلخواه در تعیین موقعیت سطح ایستابی و تحمل کمترین هزینه اجرایی
  • تعیین تعداد چاه های بهره برداری از چندین منطقه با کیفیت آب زیرزمینی متفاوت جهت کنترل میزان نیترات در آب تحویل شده به خریدار
  • تعیینِ موقعیتِ نقطهء برداشتِ آب از کانالِ انتقال، جهتِ تسریعِ سرعتِ وصولِ آب به منطقهء مصرف

تکلیف استادی:

  • ایجاد مدل بهینه سازی جهت استخراج میزان کمینه عدم تامین نیاز آبی یک منطقه طی آمار 10 ساله با استفاده از حجم ذخیره شدهء موجود پشت مخزن سد کرج با حداقل و حداکثر گنجایش مشخص در صورت استفاده و عدم استفاده از سیستم SOP (Standard Operating Policy)

جلسه هفتم | مدل بهینه سازی غیرخطی

  • توصیف ماهیت مدل بهینه سازی غیر خطی
  • با تابع Solver مربط به حل مدل بهینه ساز غیر خطی آشنا شویم
  • ورودی های مربوط به Solver مدل بهینه ساز غیر خطی را شناسایی کنیم
  • نحوه تعریف تابع هدف در مدل های بهینه ساز غیر خطی چگونه صورت می پذیرد
  • آشنایی با نحوه تعریف starter در مدل های بهینه سازی غیر خطی
  • شگردهای گوناگون تعریف محدودیت ها در مدل بهینه ساز غیر خطی را بیاموزیم
  • با خروجی های کلیدی تابع بهینه ساز غیر خطی آشنا شویم
  • تفسیر قدم به قدم دلایل توقف مدل بهینه ساز
  • تکنیک دستیابی به اطمینان از global بودن مقدار خروجی
  • تنظیم پارامترهای کلیدی مدل بهینه ساز غیر خطی
  • توصیف و تفسیر گزارش خروجی موجود در output

نحوه تعیین میزان بهینه رهاسازی از مخازن با استفاده از متدهای کلاسیک

  • با نحوه بهینه سازی رها سازی آب، جهت کمینه سازی میزان عدم تامین نیاز پایین دست در مورد مخازن آشنا شویم
  • پارامترهای کلیدی جهت مدلسازی مخزن سد کدام است
  • انواع گوناگون توابع هدف که در مدلسازی مخزن بهینه سد کاربرد دارند را شناسایی کنیم
  • منظور از ریسک سیستم تخصیص چیست و چگونه تعریف می شود
  • اطمینان پذیری سیستم چست و چه انواعی دارد
  • با معادلات مربوط به افزایش اطمینان پذیری سیستم بطور General آشنا شویم
  • اطمینان پذیری حجمی با نگرش فازی را بیاموزیم
  • با مفهوم فازی اطمینان پذیری دوره ای آشنا شویم
  • بیان فازی اطمینان پذیری زمانی به زبان ساده
  • محدودیت هایی که در مدلسازی بهینه مخازن و سدها باید در نظر داشت
  • محاسبه میزان spill در مخازن و تشریح دقیق شرایطی که سرریز از مخازن اجتناب ناپذیر است
  • تشریح معادله پیوستگی حاکم بر پارامترهای دخیل در مدسازی مخازن و سدها
  • الگوریتم محاسبه کننده حجم مخازن با زبان ساده
  • تشریح معادله حجم، سطح، ارتفاع

مثال های کاربردی

  • کشف مقادیر بهینه پارامترهای معادله کاستیاکوف ـ لوئیس و تعیین میزان اپتیمال نفوذپذیری آب در خاک
  • طراحی کانال انتقال آب با مقطع بهینه با استفاده از متد کلاسیک و مدل ابتکاری مبتنی بر جمعیت اولیه
  • طراحی مخزن سد و تعیین میزان اپتیمال تخصیص و ذخیر ماهیانه در بازه 10 ساله در مورد سد امیر کبیر و مقایسه نتایج حاصل از مدل بهینه و سیاست SOP با مقایسه گام به گام و تفسیر لحظه ای نتایج
سطح 6: الگوریتم ژنتیک
590,000
1,600,000

آشنایی با چیستی و ماهیت الگوریتم های فراکاوشی

  • دسته بندی الگوریتم های بهینه ساز فراکاوشی تک هدفه
  • دلایل نیاز به استفاده از الگوریتم های فراکاوشی
  • آشنایی با مفهوم و ماهیت ساختاری الگوریتم های ابتکاری، فراابتکاری و فوق ابتکاری
  • معیارهای طبقه بندی الگوریتم های فراکاوشی
  • مهم ترین فرایندهای حاکم بر الگوریتم های فراکاوشی
  • خصوصیات و ویژگیهای مهم الگوریتم های فراکاوشی را شناسایی کنیم
  • با ساختار کلی الگوریتم های فراکاوشی آشنا شویم

تشریح ساختار الگوریتم ژنتیک

  • معرفی الگوریتم فراکاوشی ژنتیک
  • با ساختار کلی الگوریتم ژنتیک آشنا شویم
  • مراحل محاسبات در الگوریتم ژنتیک چگونه صورت می گیرند
  • عمده ترین عملگرهای الگوریتم ژنتیک را شناسایی کنیم

آشنایی با عملگرهای سه‌گانه الگوریتم ژنتیک

  • با انواع روش های انتخاب آشنا شویم
  • تشریح ساختار Roulette Wheel
  • تشریح ساختار Tournament
  • تشریح ساختار عملگر انتخاب یکنواخت
  • تشریح ساختار عملگر انتخاب یکنواخت تصادفی
  • تشریح ساختار عملگر انتخاب باقیمانده
  • روشهای متعدد انتخاب رقابتی
  • با عملگر Crossover آشنا شویم
  • تشریح ساختار Single Point Crossover
  • تشریح ساختار Two Points Crossover
  • تشریح ساختار Uniform Crossover
  • توصیف مفهوم و ماهیت جهش ژنتیکی
  • با انواع روشهای Mutation آشنا شویم

الگوریتم ژنتیک با استفاده از توابع کتابخانه‌ای

  • نحوه استفاده از الگوریتم ژنتیک در متلب
  • تشریح پارامترهای ورودی الگوریتم ژنتیک
  • با نحوه دقیق تعریف پارامترهای ورودی الگوریتم ژنتیک آشنا شویم
  • انواع محدودیت های قابل تعریف در الگوریتم ژنتیک
  • مفهوم و ماهیت تابع جریمه چیست
  • آشنایی با عمده ترین متدهای الگوریتم ژنتیک
  • تولید نسل اولیه کرومزوم ها چگونه صورت میگیرد
  • نحوه عملکرد متد تزویج پراکنده
  • نحوه عملکرد متد تزویج واسط
  • نحوه عملکرد متد تزویج اکتشافی
  • نحوه عملکرد متد نزویج حسابی
  • انواع روشهای انتخاب جامعه نخبگان را بیاموزیم

مقیاس سازی و شرایط خاتمه الگوریتم

  • با پدیده ازدحام جمعیت آشنا شویم
  • مزایای مقیاس سازی چیست
  • با انواع روش های مقیاس سازی تابع هدف و کدهای مرتبط با آن آشنا شویم
  • مفهوم رکود چیست و چگونه در الگوریتم ژنتیک بروز میکند
  • استفاده از Hybrid در الگوریتم ژنتیک
  • با دلایل توقف الگوریتم ژنتیک آشنا شویم
  • مفهوم مهاجرت پیش رو و پس رو
  • جهش ژنتیکی گوسی و معادلات حاکم بر آن
  • عملگر جهش یکنواخت چگونه عمل میکند
  • کارکرد عملگر جهش تطبیقی چگونه است

الگوریتم ژنتیک بدون توابع کتابخانه‌ای

  • تشریح و توصیف گام به گام تمامی نمودار های قابل استفاده در الگوریتم ژنتیک جهش قضاوت در مورد خروجی بهینه
  • نحوه بکارگیری الگوریتم ژنتیک در مسائل Problem Base
  • نحوه انجام محاسبات بصورت برداری جهت افزایش چشمگیر سرعت اجرای الگوریتم بهینه ساز
  • تشریح کلیه پارامترهای خروجی الگوریتم ژنتیک
  • صفر تا صد کدنویسی الگوریتم ژنتیک بدون استفاده از توابع آماده در متلب
  • استفاده از انواع متدهای تولید نسل بدون استفاده از عملگرها

ترکیب تصادفی عملگرها برای تولید ژن برتر

  • بکارگیری کلیه متدهای انتخاب بصورت همزمان
  • استفاده از کلیه متدهای تزویج در یک برنامه واحد و شکستن محدودیت های توابع تولباکس
  • استفاده همزمان از کلیه متدهای جهش ژنتیکی بصورت نسل به نسل جهت افزایش چشمگیر عملکرد الگوریتم بهینه ساز
  • ساخت توابع دلخواه جهت تولید نسل های مورد نظر
  • ترکیب نسل های متعدد و استخراج نتایجی به مراتب سریع تر و دقیق تر از توان توابع تولباکس
  • آشنایی با مفهوم اطمینان پذیری حجمی، زمانی و دوره ای به همراه کدهای مربوطه
  • تعریف شاخص برگشت پذیری به همراه کد مربوطه
  • تعریف شاخص آسیب پذیری به همراه کد مربوطه
  • تعریف شاخص پایداری به همراه کد مربوطه
  • توصیف کلیه شاخص های قضاوت در خصوص سیستم های منابع آب به همراه تشریح نحوه نگرش فازی و کد متلب
  • نحوه تعریف تابع جریمه

حل مثال‌های الگوریتم ژنتیک

  • مثال 1: نحوه بهینه سازی توابع پیچیده با تعداد کثیر متغیر تصمیم و اکسترمم های محلی
  • مثال 2: نحوه کدنویسی Vectorized جهت تسریع حل مسائل بسیار پیچیده
  • مثال 3: اثرات تعداد تکرار بر روی جواب بهینه محلی
  • مثال 4: اثرات تنوع جمعیت کرومزوم ها بر روی جواب بهینه محلی
  • مثال 5: اثرات مقیاس نمودن بر روی جواب بهینه محلی
  • مثال6: اثرات استفاده از انواع متدهای عملگر جهش بر روی جواب بهینه محلی
  • مثال 7: نحوه استفاده همزمان از تمامی متدهای تزویج و بررسی اثر آن بر روی جواب بهینه محلی
  • مثال 8: استفاده از هیبرید الگوریتم ژنتیک با سایر الگوریتم های فراکاوشی یا کلاسیک
  • مثال 9: استفاده همزمان از کلیه متدهای قابل استفاده در الگوریتم ژنتیک بطور همزمان و مدیرت خطا
  • مثال 10: تشریح و کدنویسی گام به گام مسئله تولید بدون استفاده از توابع آماده متلب از صفر تا صد
  • مثال 11: تشریح نحوه استفاده از تعداد قابل توجه از متغیرهای تصمیم نامتجانس در یک مسئله واحد
  • مثال 12: تخصیص آب به چهار منطقه روستایی و تصیمیم گیری در مورد محل و میزان بهینه انتقال آب
سطح 7: بهینه سازی | الگوریتم های فراکاوشی 1
590,000
1,600,000

جلسه 1  |  الگوریتم فراکاوشی ازدحام ذرات (بخش اوّل)

  • آشنایی با کلیات الگوریتم ازدحام ذرات
  • تفاوت های میان الگوریتم ازدحام ذرات و ژنتیک
  • با شباهت های موجود بین دو الگوریتم ازدحام ذرات و ژنتیک آشنا شویم
  • مولفه های اصلی الگوریتم ازدحام ذرات
  • توصیف ساختار کلی الگوریتم ازدحام ذرات بصورت گام به گام
  • مفهوم بردار های سرعت و موقعیت به زبان ساده
  • روش به روز رسانی موقعیت ذره را بیاموزیم
  • گام حرکت ذرات در روند دستیابی به مقدار بهینه چگونه تنظیم می شود
  • توصیف معادلات حاکم بر الگوریتم ازدحام ذرات به زبان ساده
  • ویژگی های الگوریتم ازدحام ذرات

جلسه 2  |  الگوریتم فراکاوشی ازدحام ذرات (بخش دوّم)

  • استفاده از کتابخانه متلب جهت بکارگیری الگوریتم ازدحام ذرات
  • با کلیه متدها و تنظیمات پرکاربرد تابع کتابخانه ای آشنا شویم
  • نحوه استفاده از توابع و تنظیمات پیش فرض جهت حل مسائل
  • صفر تا صد نحوه کدنویسی و استفاده از PSO بدون بکارگیری توابع کتابخانه ای بصورت گام به گام
  • مفهوم اینرسی و شتاب در حرکت
  • مفهوم رکود در نتایج و آشنایی با انواع شرایط خاتمه الگوریتم
  • تعریف توده اولیه و توده های پیرو در حلقه کنترل

جلسه 3  |  الگوریتم فراکاوشی ازدحام ذرات (بخش سوّم)

  • دستیابی به نتایج اولیه و نتایج به روز رسانی شده با استفاده از توابع User Defined
  • شناسایی و ذخیره سازی گام به گام بهترین نتایج
  • ترسیم نمودار رکود جهت تعیین تعداد مناسب تکرار و تعریف میزان توده اولیه
  • استخراج نتایج کلی و تولید ماتریس مقادیر جواب جهت استفاده در مقالات و پایان نامه
  • مثال استادی: بهینه سازی وزن و بایس شبکه عصبی مصنوعی به منظور پیش بینی تراز سطح ایستابی دشت داراب (اعداد واقعی)

جلسه 4  |  الگوریتم فراکاوشی گرگ خاکستری (بخش اوّل)

  • آشنایی با کلیات حاکم بر الگوریتم گرگ خاکستری
  • تاریخچه الگوریتم گرگ خاکستری
  • با شباهت ها و تفاوت های الگوریتم و زندگی اجتماعی گرگ های خاکستری آشنا شویم
  • رده بندی درون گروهی گرگ های خاکستری از نمای نزدیک
  • مشخصات گرگ های آلفا
  • مشخصات گرگ های بتا
  • مشخصات گرگ های دلتا
  • مشخصات گرگ های امگا
  • تشریح فرایند شکار گرگ های خاکستری

جلسه 5  |  الگوریتم فراکاوشی گرگ خاکستری (بخش دوّم)

  • شبیه سازی فرایند شکار گرگ خاکستری با معادلات ریاضی
  • بیان ریاضی فرایند حلقه زنی گرگ اطراف شکار (محاصره نقطه آپتیمال از تمام جهات)
  • آشنایی با وظایف هر دسته از رده های مشخص شده در فرایند حلقه زنی گرگ اطراف طعمه
  • ساختار مدل ریاضی تعیین نقاط طعمه
  • استخراج نتایج مدل ریاضی و آپدیت موقعیت گرگ ها

جلسه 6 | الگوریتم فراکاوشی گرگ خاکستری (بخش سوّم)

  • مفهوم تئوریک فاصله گرگ آلفا از طعمه
  • دلیل وجود ضریب وزن جهت نزدیک شدن و دور شدن از شکار
  • همگام سازی الگوریتم گرگ خاکستری و الگوریتم PSO (کاربرد همزمان دو الگوریتم در دل هم)
  • مثال استادی: تعیین بهینه کلیه ضرایب طراحی سرریز کنگره ای با استفاده از الگوریتم گرگ خاکستری با استفاده از داده های واقعی و مقایسه نتایج حاصل از الگوریتم بهینه ساز و مقادیر بکار رفته در سازه واقعی (مقاله ISI)

جلسه 7  |  الگوریتم فراکاوشی رقابت استعماری

  • منشا ظهور الگوریتم رقابت استعماری
  • تشریح ماهیت الگوریتم رقابت استعماری
  • شباهت ها و تفاوت های موجود بین ICA و الگوریتم ژنتیک کدام است
  • تعریف مفهوم استعمارگر و مستعمره از دیدگاه الگوریتمیک
  • ارکان اساسی الگوریتم رقابت استعماری را شناسایی کنیم
  • ظهور امپراطوری ها به زبان الگوریتم ICA
  • مفهوم سیاست همسان سازی چیست
  • دلیل رغبت کلونی ها به جذب توسط استعمارگر کدام است
  • اجزاء کلی سیاست جذب به زبان ریاضی
  • اجزا اصلی سیاست جذب به زبان الگوریتمیک
  • دلیل وجود برخی ضرایب در معادله ریاضی تابع همسان ساز
  • ساختار کلی رقابت بین استعمارگران در تصرف کلونی های بیشتر
  • انقلاب، پدیده ای جهت دستیابی به بهینه سراسری (Global Optimum)
  • چگونه استعمارگران دچار انقلاب درونی می شوند (بیان الگوریتمیک)
  • کلونی ها و مستعمرات را دستخوش انقلاب کنیم
  • مقایسه وضعیت کلونی های انقلاب زده با استعمارگران
  • محاسبه قدرت هر امپراطور و مقایسه آن با قدرت سایر استعمارگران
  • تسخیر کلونی ها توسط استعمارگر رقیب
  • زوال و سقوط امپراطوری
  • تصرف یک امپراطوری توسط امپراطوران رقیب
  • گسترش قلمرو و دامنه نفوذ تا تسخیر کلیه کشورها و دستیابی به جواب آپتیمال
  • مثال استادی: بهینه سازی کلیه پارامترهای سیستم استنتاج فازی ـ عصبی (ANFIS)
سطح 8: بهینه سازی | الگوریتم های فراکاوشی 2
590,000
1,600,000

جلسه 1  |  الگوریتم فراکاوشی ازدحام گربه (CSO)- بخش اول

  • آشنایی با کلیات الگوریتم ازدحام گربه
  • بررسی رفتار گربه سانان در طبیعت و رابطه آن با الگوریتم CSO
  • تشریح وضعیت جستجو
  • تشریح وضعیت ردیابی
  • تخصیص flag برای هر گربه

جلسه 2  |  الگوریتم فراکاوشی ازدحام گربه (CSO)- بخش دوم

  • جستجوی منبع حافظه
  • کاربرد SPC چیست
  • بحث در خصوص تفاوت شاخص بین الگوریتم ازدحام گربه و ازدحام ذرات
  • با مفهوم CDC آشنا شویم
  • SCD چیست و چگونه عمل می کند
  • بحث جامع در خصوص فرآیند عملیاتی حالت جستجو
  • احتمال انتخاب موقعیت های کاندید را برآورد کنیم

جلسه 3  |  الگوریتم فراکاوشی ازدحام گربه (CSO)- بخش سوم

  • مفهوم ضریب ترکیب چیست و چه کاربردی دارد
  • بحث در خصوص معادله شبیه ساز حالت ردیابی
  • تشریح صفر تا صد کدنویسی الگوریتم CSO به صورت گام به گام
  • مثال های کاربردی:
  • تعیین ضرایب معادله کاستیاکوف لوئیس
  • حل مسئله تولید

جلسه 4  |  الگوریتم فراکاوشی کرم شب تاب (FA)- بخش اول

  • آشنایی با کلیات حاکم بر الگوریتم کرم شب تاب
  • تاریخچه الگوریتم FA
  • بررسی رفتار کرم های شب تاب در طبیعت
  • بحث در خصوص تناوب نور و مدت زمان تناوب
  • توصیف نکاتی در خصوص flashing و شدت نور
  • معادلات مربوط به پدیده flashing با در نظر گرفتن فاصله و تاثیر مولکول های هوا
  • ویژگی های لازم و اساسی کرم های شب تاب جهت استفاده از الگوریتم FA
  • با مفهوم جذابیت آشنا شویم
  • فرموله کردن پارامتر جذابیت هر کرم شب تاب از دید ناظر ثابت و متحرک

 

جلسه 5  |  الگوریتم فراکاوشی کرم شب تاب (FA)- بخش دوم

  • محدودیت هایی که بر جذابیت کرم شب تاب تاثیر می گذارند کدام است
  • قانون مربع معکوس و اصل جذب نور
  • ضریب جذب نور چیست و بازه تغییرات آن چقدر است
  • تاثیر انتخاب مقادیر مرزی بر روی ضریب جذابیت
  • معادله مربوط به شبیه سازی حرکت کرم های شب تاب به سمت یکدیگر
  • تشریح صفر تا صد کدنویسی الگوریتم FA به صورت گام به گام
  • مثال استادی: تعیین دقیق میزان توان معادله IDW جهت میان یابی

 

جلسه 6  |  الگوریتم فراکاوشی قورباغه جهنده  (SFLA)- بخش اول

  • آشنایی با الگوریتم قورباغه جهنده
  • با قابلیت های مهم SFLA آشنا شویم
  • عمده ترین تفاوت الگوریتم SFLA با سایر الگوریتم های فراکاوشی
  • بحث در خصوص مفهوم دسته و زیر دسته
  • تنظیم و تعریف پارامترهای اولیه

جلسه 7  |  الگوریتم فراکاوشی قورباغه جهنده  (SFLA)- بخش دوم

  • تولید جمعیت اولیه با تکیه ساختار ایجاد دست کم یک قورباغه مناسب
  • آشنایی نحوه تقسیم بندی قورباغه ها در Memeplex های موجود با دو روال متفاوت
  • نحوه تولید Sub Memeplex چیست و قوانین موجود برای ساخت زیر دسته کدام است
  • مفهوم بدترین قورباغه Sub Memeplex چیست و تفاوت آن با بدترین Agent کدام است
  • پارامترهای لازم برای اصلاح موقعیت بدترین عضو زیر دسته را شناسایی کنیم
  • توصیف معادله حاکم بر اصلاح پوزیشن بدترین قورباغه
  • تشریح صفر تا صد کدنویسی الگوریتم SFLA به صورت گام به گام

جلسه 8  |  الگوریتم فراکاوشی قورباغه جهنده  (SFLA)- بخش سوم

  • مثال استادی: کدنویسی الگوریتم بهینه ساز جهت شبیه سازی معادله K-means جهت کلاسترینگ و طبقه بندی داده ها
سطح 9: متدهای بهینه‌سازی چندهدفه
590,000
1,600,000

جلسه 1  |  آشنایی با متدهای بهینه سازی چندهدفه- بخش اول

  • آشنایی با مفهوم Multi-Objective و Many Objectives
  • شرط لازم برای استفاده از متدهای بهینه سازی چند هدفه
  • مدل ریاضی الگوریتم های بهینه ساز چند هدفه
  • بحث در خصوص فضای اهداف و فضای متغیرهای تصمیم
  • آشنایی با مفهوم Pareto-Front
  • آشنایی با عمده ترین تفاوتهای بهینه یابی تک هدفه و چند هدفه
  • آشنایی با مفهوم Dominance و غلبهء قوی
  • سناریوهای مغلوب و غیر مغلوب را شناسایی کنیم
  • شرایط لازم و کافی برای ایجاد سناریوی غیر پست
  • بردار هدف ایده آل
  • بردار هدف فوق ایده آل
  • بردار اوج
  • نحوه نرمال سازی توابع چند هدفه
  • بحث در خصوص فضاهای محدب و نحوه تشخیص آن در مسائل بهینه یابی
  • حالات مختلف موجود برای ترسیم منحنی تبادل
  • جواب موثر قوی و ضعیف
  • آشنایی با الگوریتم های کلاسیک بهینه یابی چند هدفه
  • کدنویسی صفر تا صد متد مجموع وزن دار (Weighted Sum Method)

جلسه 2  |  آشنایی با متدهای بهینه سازی چندهدفه- بخش دوم

  • آشنایی با محدودیت های استفاده از متد مجموع وزن دار
  • تشریح و کدنویسی صفر تا صد روش معیار جامع
  • ضعف عمده استفاده از متد LP-Metric چیست
  • نحوه ترسیم فضای اهداف
  • تشریح و کدنویسی صفر تا صد متد برنامه ریزی آرمانی (Goal Programming)
  • تشریح و کدنویسی صفر تا صد متد حدی (Epsilon Constraint Method)

جلسه 3 |  آشنایی با متدهای بهینه سازی چندهدفه- بخش سوم

  • آشنایی با متدهای تکاملی
  • بحث در خصوص نخبه گرایی
  • تشریح گام به گام الگوریتم ژنتیک چند هدفه (MOGA)
  • رتبه بندی سناریوهای موجود چگونه انجام می شود
  • تشریح مفهوم تسلط به زبان آدمیزاد
  • تشریح مفهوم تسلط به زبان ماشین
  • صفر تا صد تعیین Rank با رسم شکل و به زبان ساده
  • تشریح مفهوم Crowding Distance و آموزش گام به گام روال محاسبه آن
  • نحوه انتخاب چند سناریوی خاص از بین مجموعه سناریوهای موجود
  • بحث مفصل در خصوص Spread و ذکر یک مثال کاربردی جهت محاسبه گام به گام

جلسه 4  |  آشنایی با متدهای بهینه سازی چندهدفه- بخش چهارم

  • مراحل اجرایی الگوریتم MOGA
  • آشنایی با کلیه پارامترهای ورودی و خروجی الگوریتم ژنتیک چند هدفه
  • آشنایی با نحوه کدنویسی برداری جهت افزایش سرعت انجام محاسبات
  • آشنایی با انواع محدودیت های موجود در الگوریتم MOGA و روال کدنویسی آن در متلب
  • آشنایی با کلیه Name-Value های الگوریتم ژنتیک چند هدفه
  • متدهای مورد استفاده جهت تزویج در MOGA برای استفاده در مهندسی عمران
  • معادلات حاکم بر ایجاد جهش ژنتیکی در MOGA با تکیه بر کاربرد آن در مهندسی علوم آب
  • استفاده از Option های مختلف موجود در MOGA را بیاموزیم
  • استفاده از تابع Goal Attainment درون الگوریتم ژنتیک چند هدفه به عنوان تابع هیبرید
  • آشنایی با کلیه دستورات ترسیم در MOGA
  • بهترین روال تعیین شرط خاتمه برای الگوریتم ژنتیک چند هدفه را شناسایی کنیم

جلسه 5 |  آشنایی با متدهای بهینه سازی چندهدفه- بخش پنجم

  • تشریح گام به گام الگوریتم NSGA-II از صفر تا صد
  • مراحل اجرای NSGA-II
  • نحوه مرتب سازی جمعیت در NSGA-II و بیان تفاوتهای آن با ژنتیک تک هدفه

جلسه 6  |  آشنایی با متدهای بهینه سازی چندهدفه- بخش ششم

  • توصیف و کدنویسی صفر تا صد عملگر انتخاب برای الگوریتم NSGA-II
  • آشنایی با کلیه معادلات حاکم بر الگوریتم NSGA-II جهت تزویج و جهش ژنتیکی در علوم آب
  • روش های ترسیم و ارزیابی منحنی تبادل بهینه اهداف

جلسه 7 |  آشنایی با متدهای بهینه سازی چندهدفه- بخش هفتم

  • با روش ماتریس پراکنده آشنا شویم
  • مقایسه منحنی های تبادل در صورت وجود سه هدف و بیشتر با استفاده از Value Path Method
  • استفاده از Visual Method جهت مقایسه چند منحنی تنادل با هم
  • با معیارهای عملکرد جهت ارزیابی جواب های غیر پست آشنا شویم
  • آشنایی با شاخص درصد بهبودی و تشریح صفر تا صد روال کدنویسی آن (IP)
  • آشنایی با متد Shortest Distance جهت انتخاب یک منحنی تبادل از بین مجموعه سناریوهای بهینه

جلسه 8 |  آشنایی با متدهای بهینه سازی چندهدفه- بخش هشتم

  • آشنایی با شاخص گسترش و تشریح گام به گام روال کدنویسی این شاخص در متلب
  • آشنایی با روال مقایسه دو منحنی تبادل در زمان اجرای برنامه بصورت لحظه ای و Real Time
مبلغ ثبت نام:
0 تومان
تخفیف شما:
0 تومان
مبلغ پرداختی:
0 تومان

برای تهیه این دوره

از آب کمتری استفاده شده است.

پرداخت کنید

پشتیبانی 4بعدی

تمام دانشجویان حضوری و غیرحضوری پس از ثبت نام به پنل کاربری دوره دسترسی دارند و با توجه به تمرینات و پروژه هایی که در طول دوره کار میکنند میتوانند از پشتیبانی راهنمایی بگیرند.

پشتیبانی به 4 روش:

امکان ثبت تیکت در پنل کاربری

ارتباط از طریق تلگرام با پشتیبان ویژه دوره

پشتیبانی از طریق تلفن ثابت

ملاقات حضوری با هماهنگی قبلی در دفتر انجمن تخصصی مهندسی علوم آب با مدرس دوره

نظرات کاربران

نظر خود را بنویسید:
ثبت دیدگاه
دیدگاه های کاربران
جواد حسین زاده
11:18 - 1402/09/30
پاسخ دهید

سلام، من میخواهم این پنج روش را برای نوشتن مقاله یاد بگیرم. آیا کد نویسی برای این پنج روش الزامی هست؟ و عموما هم باید از سطح 3 و 4 باید استفاده کنم. پیشنهاد دیگری دارید.
artificial neural network (ANN), adaptive neuro-fuzzy inference system, group method of data handling (GMDH), gene expression programming and least square support vector machine, and comparing with their hybrid wavelet models.

جواد حسین زاده
20:59 - 1402/09/29
پاسخ دهید

سلام، من میخواهم این پنج روش را برای نوشتن مقاله یاد بگیرم. آیا کد نویسی برای این پنج روش الزامی هست؟ و عموما هم باید از سطح 3 و 4 باید استفاده کنم. پیشنهاد دیگری دارید.
artificial neural network (ANN), adaptive neuro-fuzzy inference system, group method of data handling (GMDH), gene expression programming and least square support vector machine, and comparing with their hybrid wavelet models.

محمد رسول صداقت راد
19:50 - 1401/11/07
پاسخ دهید

تشکر می‌کنم از استاد ازکیا گرانقدر که حقیقتا بهترین دوره آموزشی نرم افزار متلب که فراتر از تصوراتم نیز بود به صورت جامع و کامل با تسلط بینظیر و بیان شیوای ایشان با مثال های کاربردی عالی و تمرکز بر کد نویسی به جای بهره گیری سطحی از تول باکس ها ارائه گردید. که حقیقتا مشابه آن و نحوه دسترسی یکباره و منظم به این سرفصل ها در جای دیگر امکان پذیر نبود.به همه دانشجویان و علاقه مندان یادگیری نرم افزار متلب در حوزه مهندسی و علوم آب اکیدا این دوره را پیشنهاد میکنم.
با تشکر

    محمد
    19:36 - 1402/03/16
    پاسخ دهید

    کاملا با شما موافق هستم.

سوسن
09:59 - 1401/06/28
پاسخ دهید

سلام وقت بخیر، در صورتی که اشتراک یک ماهه خریداری کنم میتونم تمام دوره های آموزشی که در لیست آمده در طول یک ماه اشتراک دانلود و استفاده کنم؟ میخواستم بدونم محدودیت در تعداد جلسات و نحوه دانلود وجود نداره؟
من نیازمند دوره های استادی متلب هستم و 7 سطح رو میخوام آیا میتونم با خرید اشتراک یک ماهه دسترسی کامل پیدا کنم؟
و تفاوت خرید دوره با خرید اشتراک 1 ماهه چی هست که اینهمه تفاوت قیمت داره؟

    الهه گودرزی
    11:31 - 1401/06/28
    پاسخ دهید

    با سلام و درود خدمت شما ..

    دوست عزیز بطورکلی ویدئوهای آموزشی ، قابل دانلود نیستند . دسترسی شما به ویدئوهای آموزشی از طریق پنل کاربری امکانپذیر است .
    با خرید طرح اشتراک یکماهه، به مدت یکماه دسترسی شما به همه ویدئوهای آموزشی منتشر شده در سایت، برقرار است . بعد از مدت یکماه ، دسترسی شما به ویدئوها ، بصورت سیستمی قطع خواهد شد .

    تفاوت خرید طرح اشتراک با خرید مستقیم محصول از سایت : محدودیت زمانی در استفاده از طرح اشتراک است . اگر از طرح اشتراک استفاده کنید، مطابق با مدت زمان خریداری شده به ویدئوها دسترسی دارید ، در حالیکه اگر محصول را بطور مستقیم خریداری کنید، دسترسی شما به ویدئوهای آموزشی محصول مذکور ، بصورت همیشگی برقرار خواهد بود و هیچگونه محدودیت زمانی ندارید.

    موفق و موید باشید

سجاد ویسی
10:54 - 1401/02/02
پاسخ دهید

سلام
بنده قبلا اشتراک یک ماهه تمام آموزش ها را خریداری نموده ام، آیا امکان دانلود آپدیت های جدید آموزش ها برای من میسر می باشد یا خیر؟

    الهه گودرزی
    11:18 - 1401/02/02
    پاسخ دهید

    با سلام..
    خیر .. تمامی خدمات مربوط به طرح اشتراک، تنها مطابق با مدت زمان اشتراک خواهد بود.
    موفق باشید.

بهار
01:05 - 1400/12/19
پاسخ دهید

سلام فقط اگر بخوام سطح ۱ رو دنبال کنم،فکر میکنید چه مدت زمانی طول میکشه تا مسلط بشم؟قبلا متلب آموزش دیدم ولی فاصله زمانی زیادی رخ داده فراموشمشده

    الهه گودرزی
    09:46 - 1400/12/19
    پاسخ دهید

    با سلام و ادب ..
    ضمن تشکر از ارتباط شما
    همانطور که مستحضرید، برای تسلط بر برنامه نویسی، نیاز به مداومت و تکرار است. ایجاد فاصله زمانی در این مسیر، موجب فراموشی دستورها و فرامین های این دوره ی جذاب است که قطعا با برنامه ریزی مرتب و استمرار ، مجددا یادگیری ها بر میگردد و مدت زمان آن بستگی به علاقه خودتون و مدت زمانی داره که در طول شبانه روز برای ان وقت میگذارید.
    به هر حال در کنار شما خواهیم بود تا این مسیر برای شما هموارتر شود .
    موفق و موید باشید

      کاربر تست
      10:49 - 1402/04/07
      پاسخ دهید

      ممنون

امیری
12:15 - 1400/11/11
پاسخ دهید

عرض سلام و ادب.
در دوره های متلب الگوریتم‌های ANFIS, GP و ALM هم آموزش داده میشه؟
و اینکه ۷ سطحی که موجود هست رو در چه مدت زمانی می‌تونم خوب یادبگیرم؟
برای پیش بینی دبی رودخانه مفید هستن؟

    آرش ازکیا
    13:49 - 1400/11/11
    پاسخ دهید

    با سلام و ادب
    الگوریتم های مورد نظر شما در سطوج سوم و چهارم دوره استادی متلب آموزش داده شده اند. یکی از کاربردهای شبکه های عصبی مصنوعی و فازی عصبی، پیش بینی مقادیر آتی سری های زمانی از هر نوع هستند و قطعا قادر خواهید بود از این موارد برای پیش بینی دبی نیز استفاده بفرمایید

    آشنایی شما با برنامه نویسی در چه حدی است؟ نمی توان یک زمان حداقلی را برای آموزش برنامه نویسی تعیین کرد ولی حداقل زمانی که برای یادگیری این هفت سطح نیازمند هستید، در صورت عدم آشنایی با هیچ زبان برنامه نویسی دیگر، یکسال یا بیشتر است و روی زمانی کمتر از این میزان هرگز حساب نکنید. ضمنا چنانچه با برنامه نویسی آشنایی داشته و هدف شما یادگیری زبان متلب باشد، یک حداقل شش ماهه را می طلبد تا بدون کمک و قائم به الذات بتوانید موارد یاد شده در هفت سطح استادی را شخصا کدنویسی فرمایید

      امیری
      14:35 - 1400/11/11
      پاسخ دهید

      سپاس از توضیحاتون.
      در واقع بنده به هیچ کدوم از زبانهای برنامه نویسی آشنایی ندارم و میخوام از صفر شروع کنم. اما واقعا مایلم حداقل در رشته خودم که هیدروژئولوژی هست به متلب تسلط داشته باشم.
      دیدگاه سایر دوستان رو نسبت به آموزشهای سایت شما خوندم که اکثرا راضی بودن. بهمین خاطر تصمیم گرفتم با آموزشهای شما پیش برم.
      امیدورام بتونم طی یکسال مسلط بشم. با راهنمایی شما دکستان گرامی.

        آرش ازکیا
        18:05 - 1400/11/11
        پاسخ دهید

        با افتخار در کنار شما هستم
        آنچه عرض شد نه برای نا امید ساختن حضرتعالی که برای داشتن دید درست و شناخت مناسب از مسیر بود و توجه شما را به این جمله ارزشمند از دکتر شوارتز جلب میکنم: «هرگاه باور به انجام کاری داشته باشیم، راه انجام آن کار را پیدا میکنیم.» مستدعی است باور بفرمایید این مسئله را بارها در زندگی تجربه کرده ام و هموراه در اثر تلاش و اطمینان از دستیابی به هدف در راستای همین تلاش، راهی به ذهن رسیده و می رسد ... تمام جاده های موفقیت در یک نقطه همگرا می شوند و آن نقطه، تلاش سخت و اطمینان به بی نهایت بودن توان ذهن آدمی است.

        به عنوان یک پیشنهاد دوره اکسل مهندسی را که در زمره آموزش های رایگان سایت است بررسی فرمایید. بهایی که برای این آموزش می پردازید، صرف چهار ساعت از عمر شماست؛ پس سعی کنید از این چهار ساعت نهایت بهره لازم را کسب فرمایید؛ ضمن آنکه اطمینان داشته باشید که بنده و دیگر همکاران پرتلاش و شفیقم با تمام توان و علاقمندی خود از شما در مسیر ی که انتخاب نموده اید حمایت خواهیم کرد.

        موید و سلامت باشید؛ انشاء الله

          رقیه امیری
          19:40 - 1400/11/11
          پاسخ دهید

          ممنونم بابت انگیزه‌ی مضاعفی که به بنده میدین. توصیه‌های شما رو حتما عمل خواهم کرد.
          و مطمئن‌تر و پرانرژی‌تر از قبل مسیر رو طی خواهم کرد.

علی
10:51 - 1400/11/03
پاسخ دهید

سلام وقتتون بخیر، برای پایان نامم باید از الگوریتم پخش موج تغییر یافته برای مدلسازی ضربه قوچ در حالت دو بعدی استفاده کنم و الان به شدت در اجرای کد در حالت دو بعدی به مشکل خوردم میخواستم بدونم این دوره مناسب من هست ؟

    آرش ازکیا
    14:33 - 1400/11/03
    پاسخ دهید

    با سلام و ادب
    بله به راحتی می تونید این کار رو انجام بدید
    البته تسلط به برنامه نویسی نیازمند گذر زمان و تمرین مداوم است و خرید یک دوره آموزشی به تنهایی کافی نیست

    موید باشید

معصومه زارع
10:33 - 1400/08/10
پاسخ دهید

با درود و وقت بخیر
لطفا در مورد کلاس های حضوری، زمان و مکان برگزاری کلاس ها توضیح میفرمایید.
سپاسگزارم

    الهه گودرزی
    11:11 - 1400/08/10
    پاسخ دهید

    با سلام و درود خدمت شما ..
    دوست گرامی در حال حاضر ز مان مشخصی برای دوره های حضوری تعیین نشده است. با پکیج محصولات و پشتیبانی در 24 ساعت شبانه روز در خدمت شما هستیم.
    قطعا کیفیت آموزشها بالا بوده و پشتیبانی ها نیز مؤثر و راهگشا. بنابراین دغدغه ی برگزاری حضوری کاهش می یابد.
    موفق باشید.

      کاربر
      11:34 - 1402/03/17
      پاسخ دهید

      درحال حاضر چطور؟

حسین اسماعیلی
19:57 - 1400/07/04
پاسخ دهید

سلام
وقتتون بخیر
ببخشید تو بخش دسترسی به تمام دوره ها سطح هفتم متلب چرا نیس؟

    الهه گودرزی
    21:01 - 1400/07/04
    پاسخ دهید

    با سلام و ادب ..
    دوست گرامی سایت در حال بروزرسانی ست. سطح هفتم استادی متلب منتشر شده است که در دوره ی اشتراک (دسترسی به همه دوره ها) نیز موجود است.
    موفق باشید

مریم
11:19 - 1399/10/26
پاسخ دهید

سلام خسته نباشید
ببخشید من برای پایان نامم باید از الگوریتم های pso , gep ,svr برای مدل سازی تبخیر استفاده کنم
میخواستم ببینم این پکیج مناسب کار من هست؟؟ یعنی در متلب داده های ورودی و کد های مربوطه واسه مدل سازی تبخیر را توضیح میده و مشخص میکنه؟؟

    آرش ازکیا
    17:50 - 1399/10/26
    پاسخ دهید

    با سلام و ادب
    دو مورد اول یعنی Support Vector Regression و برنامه ریزی بیان ژن (ژنتیک پروگرامینگ) در سطح چهارم دوره استادی متلب و الگوریتم بهینه ساز Particle Swarm Optimization در سطح هفتم دوره استادی متلب موجود می باشد و به راحتی موارد مورد نظر شما را تامین خواهند کرد.

محمد حلفی
11:10 - 1399/08/10
پاسخ دهید

عرض ادب و احترام خدمت استاد ازکیا
بدست آوردن همبستگی بین داده ها (پیرسون) در متلب به چه صورت می باشد؟

    آرش ازکیا
    15:24 - 1399/08/10
    پاسخ دهید

    با سلام و ادب
    این توزیع آماری با استفاده از تابع pearsrnd قابل دسترسی است

    نحوه برازش یا کنترل حضور یا عدم حضور همبستگی مطابق دیگر روش های معروض است و تفاوتی با دیگر روال ندارد مع الوصف تابع مورد نظر با نامی که حضور شریف حضرتعالی عرض شد مورد استفاده واقغ شود

    ضمنا برای بررسی همبستگی از متد پیرسون در تابع کورولیشن استفاده شود:

    ('corr(X,Y,'Type','Pearson

    موید باشید انشاءالله

amir mardani
19:37 - 1398/11/28
پاسخ دهید

سلام
با سپاس و تشکر فراوان از انجمن تخصصی مهندسی علوم آب به نظر من که نحوه ی پاسخگوییتون بسیار عالی است.و با تشکر از مهندس ازکیای عزیز که در دوره ی استادی متلب به سوالات ثبت شده با دقت جواب میدهند

    آرش ازکیا
    20:20 - 1398/11/28
    پاسخ دهید

    با سلام و ادب
    سپاس از نظر ارزنده و محبت آمیز حضرتعالی
    امید که این دوره برای شما کاربردی و اجرایی بوده و نکات تقدیمی در عمل بکار بسته شوند
    شاد و برقرار باشید انشاء الله

صبا
11:30 - 1398/11/26
پاسخ دهید

سلام وقت بخیر
این دوره فقط برای کار در حوزه منابع آب و محیط زیست مفید هست یا برای کسی که در زمینه IT و کامپیوتر فعالیت می کند هم کاربرد دارد؟

    عرفان نوظهور
    12:19 - 1398/11/26
    پاسخ دهید

    با سلام و ادب
    مبانی و اصول آنها کاملا یکسان است و فرقی نمی کند. مثال هایی که زده می شود در حوزه منابع آب و محیط زیست می باشد

      علی
      12:52 - 1399/09/14
      پاسخ دهید

      با سلام و وقت بخیر
      آیاویدیو های دوره استادی متلب آماده خریداری هستند؟

        الهه گودرزی
        12:55 - 1399/09/14
        پاسخ دهید

        با سلام و ادب ..
        بله . سطوح 1، 2 ، 3 و 4 دوره ی استادی متلب در سایت موجود است و میتوانید خرید را انجام دهید.
        سایر سطوح در دست انتشار هستند که بزودی شروع به انتشار آنها میشود.

        الهه گودرزی
        12:56 - 1399/09/14
        پاسخ دهید

        با سلام و ادب ..
        بله، سطوح 1، 2، 3 و 4 دوره ی استادی متلب در سایت موجود بوده و می توانید خرید را انجام دهید.

فرشاد علی پور
02:46 - 1398/08/01
پاسخ دهید

سلام. من سطح یک این دوره را شرکت کردم و این سطح دیروز به پایان رسید. دوره ای بسیار عالب و کاربردی بود. مسائل تمامی زمینه های مهندسی آب تدریس و بررسی گردیده شد. در اینجا از جناب آقای مهندس ازکیا بابت تدریس بسیار خوبشان که همواره با صبر و شکیبایی مباحث را تدریس می کردند. از جناب آقای مهندس طبری مدیریت محترم انجمن بابت برنامه ریزی و برگزاری دوره های مفید و عالی در مهندسی آب که سبب رفع این خلاء در کشور شده ، از گروه پشتیبانی انجمن که 24 ساعته فعال بوده و همواره در اسرع وقت به سوالات و تیکت ها پاسخگو بودند کمال تشکر و قدردانی به عمل می آورم و از خداوند متعال برای تمامی عزیزانی که دلسوازنه در انجمن جهت رفع مشکلات دانشجویان و کارشناسانی که در حیطه آب فعالیت می کنند، آرزوی سلامتی و موفقیت روز افزون دارم.

    عرفان نوظهور
    11:17 - 1398/08/01
    پاسخ دهید

    با سلام و ادب
    ممنون از اینهمه انرژی که به ما دادید. همیشه موفق و پیروز باشید

    آرش ازکیا
    18:27 - 1398/08/08
    پاسخ دهید

    عرض ادب و احترام حضور شریف دوست عزیز و خستگی ناپذیرم
    خدا وقت! تنها کسی که حتی با تب و لرز ناشی از سرماخوردگی حتی یک جلسه غیبت نداشت!! این همه لطف و توجه را چگونه می توان پاسخگو بود؟ این میزان از علاقه و پیگیری خالصانه و عاشقانه دوستانی از جمله حضرتعالی که با بیان و نگارش سرشار از مهر خود ما را دلگرم تر و راسخ تر، پیش می رانید را با کدام کلام توصیف می توان کرد؟ هفته ء گذشته سطح نخست دوره استادی متلب به پایان رسید و خلاء حضور این جلسه تدریسی در خدمت دوستانی چون شما در برنامهء کاری این هفته از کار کلاسی ام، چنان دلتنگ و بی قرارم کرد که تا شروع دوره جدید و از سر گیری این تجربهء لذت بخش التیامی برای آن موجود نخواهد بود. تلاش پیگیر شما، سوالات و پیشنهادات سخاوتمندانه آن حضرت در راستای بهبود عملکرد انجمن و صدها تجربه و خاطره مسرت بخش از این دورهء استادی را که با تک تک عزیزان به اتفاق رقم زدیم همواره در بهترین بخش از خاطرات خود لحاظ خواهم نمود. امیدوارم آنچه به حضور عزیزانم در قالب سطح یک دوره استادی متلب ارائه گردید درصدی ناچیز از لذت وافری که در حضور پر مهر یکایک شما نازنینان تجربه کردم را تأمین نماید. به امید دیدار مجدد شما و دیگر دوستان سخت کوشی که یاری نمودند تا این آلبوم از خاطرات عزیز را به اتفاق چیدمان کنیم. شاد، موفق و کامیاب باشید؛ انشاء الله !

شهاب
11:19 - 1398/07/20
پاسخ دهید

دوره استادی یعنی این!!!!! تمام مطالب منسجم و مرتبط با همه و خیلی خوب توضیح داده شده و هر جلسه دروس قبل از خودش رو کامل تر میکنه!!!! من توی دوره دانشجویی اصلا یکسری مفاهیم رو متوجه نمی شدم توی کتابایی هم که معرفی کرده بودن هیچ مثال و تمرینی نبود که جامع باشه. الان خیلی از مشکلات قبلی برام آسون شد مخصوصا با تمرینات زیادی که استاد ازکیا انجام میدن و توضیحات کامل ایشون خیلی از مفاهیم مثل آرما و آریما و توزیعات آماری رو کامل یاد گرفتم. واقعا خسته نباشید

    فاطمه قربانی
    12:32 - 1398/07/20
    پاسخ دهید

    با سلام خدمت شما
    متشکر از نظر دلگرم کننده شما
    موفق و پیروز باشید

اسد الله
10:05 - 1398/06/17
پاسخ دهید

سلام
با اینکه پرداخت شهریه این دوره خیلی برام سخت بود چون قبلا دوره واترجمز رو با مهندس ازکیا گذرونده بودم توی تخفیف نذری فرهنگی سطح یک رو خریداری کردم بعد از دیدن چند ویدیوی اول دیدم کیفیت مطالب این دوره بسیار بالاست و ای کاش می تونستم در کلاساتون هم شرکت کنم. خیلی از زحمتی که کشیدین و تخفیفی که دادین ممنونم امیدوارم نذرتون قبول باشه

    آرش ازکیا
    23:40 - 1398/06/17
    پاسخ دهید

    با سلام و عرض ادب
    ضمن تشکر از اعتماد شما و تشکر از اینکه قبول زحمت فرموده و نظر ارزشمند خود را با من و دیگر همکارانم در میان گذاشته اید. به امید دیدار شما در جلسات تدریسی

bahare
14:08 - 1398/06/11
پاسخ دهید

هرچی پول داشتم گذاشتم برای این دوره, دیگه توکل به خدا

    محسن محمدرضاپورطبری
    14:35 - 1398/06/11
    پاسخ دهید

    با پشتکار و همت حتما موفق خواهید شد

ایمان
08:24 - 1398/05/30
پاسخ دهید

سلام
خدا قوت جناب ازکیای عزیز
من ترم دوم منابع اب هستم.بسیار علاقه مند به موضوعات بهینه سازی در منابع اب هستم. با توجه به اینکه تا ابان ماه فرصت ارائه پروپوزال هست ،ایا بر اساس شرکت در این کلاسها و ایجاد دیدگاه در متلب(چون با متلب اشنایی کمی دارم) میتوانم مسیر روشنی در انتخاب موضوع و ادامه مسیر انجام پایان نامه و تحقیقات بعدی ام داشته باشم؟
سپاس از لطفتون

    آرش ازکیا
    10:03 - 1398/05/30
    پاسخ دهید

    با عرض سلام و احترام جضور شریف شما
    به حضرتعالی اطمینان داده می شود که در دوره استادی متلب تمام مسائل مطرح در کلاس بطور تخصصی در ارتباط با شاخه های مختلف مهندسی علوم آب خواهد بود و کلیه زیرشاخه های این تخصص ریزبینانه توصیف خواهد شد. دوره استادی متلب حاصل تجربه ای بیست و جند ساله است و رضایت خاطر حضرتعالی از محتوای ارائه شده در این دوره را شخصا تضمین خواهم کرد. موفق و موید باشد انشاء الله

امیرعلی تقی زاده - دانشجوی دانشگاه پلی تکنیک تهران
12:32 - 1398/05/14
پاسخ دهید

سلام استاد خوبم جناب ازکیای عزیز
خدایی عجب دوره محشریه این دوره استادی متلب
اصلا فکر نمی کردم اینقدر مباحث فوق العاده ای داشته باشه. تازه میفهمم که متلب یعنی چه.. همه‌ی دوره های متلب که سایت های دیگه (که خودتون بهتر از من میدونید کیا رو می گم) رو که اینقدر تو بوق و کرنا کردند، رو من خرید کرده بودم. همشون بچه بازی اند.
اصلا مطالبی که این دوره داره ، با هیچ دوره دیگه ای قابل مقایسه نیست. توی دانشگاه مون که امیرکبیره از این چیزا خبری نبود. من در مقابل شما احساس بی سوادی محض در زمینه متلب کردم. منی که دو سال با متلب کار کرده بودم و فکر می کردمیه چیزایی بلدم. اول سطح دوم رو ثبت نام کردم دیدم اینقدر مباحث سنگینه که مجبور شدم برم سطح یک. اول فکر می کردم که سطح یک رو بلدم.
نمی دونم چطوری میتونم تشکر کنم.
با تجربه ای که الان از دوره استادی متلب دارم ، اگه قیمت هر کدوم از سطوحش 5 میلیون تومان هم بود، بازم میخریدمش و شرکت می کردم. من برای شرکت در این دوره از دانشگاه هم وام گرفتم و خدا رو شکر می کنم که پولم هدر نرفت.
از مهندس طبری عزیز که همیشه توی پشتیبانی منو شرمنده کردند تشکر می کنم.
دم انجمن گرم که اینقدر تخصصی توی حوزه مهندسی آب وارد شده
بدرود…

    محسن محمدرضاپورطبری
    12:53 - 1398/05/14
    پاسخ دهید

    بابت اینهمه انرژی که دادید ممنونیم

    آرش ازکیا
    21:12 - 1398/05/16
    پاسخ دهید

    عرض سلام و ادب خدمت جناب تقی زاده عزیز
    از اینکه با کلام محبت آمیز خود بنده را می نوازید سپاسگزارم. چنانچه در کلاس نیز به عرض مبارک سروران رسید تسلط در برنامه نویسی فقط و فقط با تمرین بدست می آید و تمرین برخاسته از علاقمندی و عشق است. با عشق و علاقه ای که طی این مدت بروز دادید پیشرفت سریع السیر شما حتمی است. انشاء الله

elham
15:12 - 1398/05/13
پاسخ دهید

تا امروز 9 جلسه از دوره متلب رو با مهندس ازکیا گذروندیم و فقط یه افسوس بزرگ برام باقی مونده که ای کاش ده سال پیش امکان شرکت توی یه همچین دوره ای با این کیفیت برام فراهم بود. متشکر از استاد ازکیا بخاطر صبوری و حوصله بیش از حد و تسلط بی نظیرشون در برنامه نویسی

hasti zameni
16:47 - 1398/04/24
پاسخ دهید

سلام، در اینکه ارزش پکیجهای آموزشی شما بیش از این قیمتهاست شکی نیست ولی این قیمت برای خیلی از مخاطبین شما زیاده و قادر به تهیه اون نیستند. در صورت امکان در قیمت گذاری تجدید نظر کنید.

    آرش ازکیا
    21:52 - 1398/04/24
    پاسخ دهید

    با سلام و ادب
    اگرچه نظرات سرورانم همواره در نزد بندهء بی مقدار گرامی و در خور توجه است، مع الوصف حقیر نظری غیر از نظر سرور گرامیم داشته و معتقد است این قیمت گذاری تنها با توجه به قدرت خرید مخاطب بدین صورت ناچیز اعلام شده و بنده به عنوان مدرس دوره تاکنون بیش از سه یا چهار مرتبه درخواست افزایش سی درصدی قیمت دوره را داشته که این امر توسط همکاران نازنینم در بخش کنترل کیفی و شورای قیمت گذاری انجمن در دست بررسی نهایی است و نهایتا تا دو سه ماه آینده به تصویب خواهد رسید.
    تعریف نه از خود که از محتوای محصولی می کنم که قابل دفاع و بسیار حرفه ای تولید شده و حاصل چهل سال عمری است که با تلاش بسیار صرف ارتقاء معلومات خویش کرده ام. این محصول هیچ نمونه داخلی و خارجی ندارد و تنها حاصل تجارب عمری است که بیست و سه سال از چهل سال آن به برنامه نویسی گذشته و موجب تولید محتوایی شده که در هر جلسه تدریسی، کلاس با نگاه و بیان مملو از رضایت خاطر حضار خاتمه می یابد. کافی است روزی حضورا سعادت دیدار خود را به ما ارزانی داشته و مستقیما با دانشجویان این دوره رو در رو گفتمان کنید. در این دوره تمام مباحث فقط و فقط به مهندسی علوم آب و علوم محیطی مربوط است و از کلی گویی و توضیح واضحات جدا اجتناب شده تا دورهء حاضر پس از دوره وزین و دست نیافتنی «مهندسین آب ثروتمند» به کاربردی ترین دوره انجمن تخصصی مهندسی علوم آب تبدیل گردد.

بهرام پورکاشانی
15:42 - 1398/04/24
پاسخ دهید

سلام استاد عزیزم مهندس طبری؛
می دانیم که برای تهیه این محصول زحمات زیادی کشیده شده آیا امثال بنده با حقوق کارمندی زیر 2 میلیون تومان، و با داشتن قرض و قسط برای تهیه چنین محصول با ارزشی حسرت به دل باشند

    آرش ازکیا
    20:46 - 1398/04/24
    پاسخ دهید

    با سلام و احترام فراوان
    دوست عزیز شما مجبور به پرداخت نقدی و کامل نیستید و می توانید محصول را بصورت اقساطی طی چهار قسط تهیه بفرمایید

آرش . ک
21:27 - 1398/04/14
پاسخ دهید

سلام
خیلی وقت بود منتظر این دوره تون بودم. حتما ثبت نام میکنم تا مثل دوره های استادی GIS و واترجیمز بهره خوبی توی کارم داشته باشم.

نامداری
11:17 - 1398/04/13
پاسخ دهید

با سلام و خسته نباشید
بنده دانشجوی دکتری هستم و در دوره متلب ثبت نام کردم و چند جلسه حضوری در خدمت استاد ازکیا بود و بقیه مباحث رو هم در حال حاضر غیرحضوری دنبال میکنم میتونم به جرات بگم یکی از بهترین هم از لحاظ معلومات و هم از لحاظ شخصیتی جناب استاد ازکیا هستند امیدوارم همیشه موفق و سلامت باشند

    آرش ازکیا
    11:31 - 1398/04/13
    پاسخ دهید

    نه این ریسمان می برد با منش / که احسان کمندی است بر گردنش

    سلام خانم دکتر
    بنده نوازی فرمودید؛ از نظر محبت آمیز شما بی نهایت سپاسگزارم. این همه لطف و محبتی که همه روزه از سوی سروران به انجمن و در سطح پایین تر به بندهء بی مقدار اعطا می گردد انرژی مضاعفی است که عشق به تقدیم خدمت را دو چندان می سازد. امید که در آینده نیز خدمتگزاران لایقی باشیم و رضایت خاطر بزرگانی چون شما را پس از این نیز تأمین نماییم. به امید دیدار مجدد شما در جلسات حضوری. شاد و برقرار باشید

سارا گزینشی
00:57 - 1398/04/13
پاسخ دهید

همیشه دوست داشتم یه همچون کلاسی توی دانشگاه میداشتم.این سر فصل توی چارت تحصیلی دانشگاهم نبود.
ممنون از شما که کلاس هایی نابی رو برگزار میکنید

    عرفان نوظهور
    01:06 - 1398/04/13
    پاسخ دهید

    خواهش میکنم

علی عرب
10:47 - 1398/04/01
پاسخ دهید

با سلام و عرض ادب
آیا امکان حضور در جلسه اول به صورت رایگان وجود دارد؟

    عرفان نوظهور
    11:16 - 1398/04/01
    پاسخ دهید

    با سلام و ادب
    بله. مانعی نیست

قاسم روشن
09:34 - 1398/03/22
پاسخ دهید

یا خدا قیمتو دیدم کلا نابود شدم 🙁
اگه توان همچین پولایی داشتیم که دیگه نیاز به یادگرفتن نداشتیم

    فاطمه قربانی
    09:44 - 1398/03/22
    پاسخ دهید

    با سلام
    میتونید از تخفیف پرداخت یکجا یا شرایط قسطی استفاده کنید.
    برای اطلاعات بیشتر با ما تماس بگیرید.

ساناز مقیمی
09:27 - 1398/03/22
پاسخ دهید

سلام به استادان خوبم
چقدر این دوره لازم و ضروری هست برای افرادی که میخوان متلب رو از پایه اونم به صورت کاربردی توی حوزه مهندسی آب (علوم محیطی) یاد بگیرند من تاکنون ۳ دوره استادی رو اینجا گذروندم و حالا با این دوره میخوام برنامه نویسیمُ رو در مسیر درست توسعه بدم. خوشحالم که با انجمن پیشرو تخصصی مهندسی علوم آب آشنا شدم. خوبی این دوره اینه که هیچی هم از برنامه نویسی ندونی فوق العاده کمکت می کنه. واقعا از صبر مهندس ازکیا و از متانت مهندس طبری هر چی بگم کمه. ممنونم از محبت بی شمار شما.

    محسن محمدرضاپورطبری
    09:45 - 1398/03/22
    پاسخ دهید

    ممنونیم از محبت شما
    هر چه بود تلاش شما بود. ارزوی بهترین ها رو برای شما داریم

سلما راد
22:23 - 1398/03/15
پاسخ دهید

با سلام و ادب. من قبلا در دوره استادی واترجیمز مهندس ازکیا شرکت کرده بودم و بسیار مشتاق بودم که دوره استادی متلب که ایشون و دیگران تدریس می کنند رو شرکت کنم. من غیرحضوری توی تخفیف تهیه کردم. واقعا ممنونم از شما. من قبلا فکر می کردم که سطح یک نباید شرکت کنم و برم سطح دو. وقتی جلسه اول سطح یک استادی متلب رو دیدم واقعا پی بردم که چقدر مطلب داره و چقدر بلد نیستم. تا حالا جلسه 6 رو دیدم و هر جلسه منو مشتاق تر داره می کنه. فوق العاده تدریس خوبه فوق العاده محتوا خوبه. واقعا تمریناتش نفس گیره. ممنونم از شما

    فاطمه قربانی
    22:35 - 1398/03/15
    پاسخ دهید

    با سلام و ادب سلما خانم
    خوشحالیم که مفید واقع شد.

ناشناس
22:08 - 1398/03/15
پاسخ دهید

سلام
ببخشید یه سوال دارم که امیدوارم به حساب بی ادبی گذاشته نشه چون جواب برام خیلی مهمه بی حاشیه می پرسم البته فکر نمی کنم جواب بدین ولی چرا قیمت این مجصول (و بقیه محصولات سایتتون) اینقدر زیاده. الان سایتهایی هستن که بطور تخصصی فقط روی متلب کار می کنن و تمام ریز و جزء متلب رو درس می دن و قیمت محصولاتشون از یک دهم که چه عرض کنم از یک بیستم این مقداری که شما می فروشین هم کمتره تازه نصف سال هم تخفیفات دانشجویی و ... دارن. اگه شما واقعا اونجور که ادعا می کنین دغدغه آموزش و خدمت به جامعه دانشگاهی رو دارین چرا شرایط رو جوری مهیا کردین که فقط یه عده خاص بتونن خرید کنن؟؟؟ یه دانشجو مگه چه درامدی داره که هفت ملیون برای یه محصول آموزشی پول بده؟ این پول برای خیلیا پس انداز 20 سی سال زندگیه!!!!!! یکی دو سال پیش با این پولی که شما بابت متلب می گیرین می شد ماشین خرید!!!!! واقعا چی توی این دوره ها هست که با این قیمت گزاف فروخته میشه؟؟؟!!!!!!!! امیدوارم اهل قیچی و سانسور نباشین و حداقل جوابگو باشین

    عرفان نوظهور
    23:11 - 1398/03/15
    پاسخ دهید

    دوست نامهربان من سلام
    ما را متهم به ترس و بی شهامتی می فرمایید. ای کاش دست کم شهامت وارد کردن نام خود را می داشتید! خواستیم با شما مکاتبه کنیم و از شما دعوت کنیم در یکی از جلسات دوره های استادی به انتخاب خود و بطور رایگان حاضر شوید تا تفاوت ها را شخصا لمس بفرمایید اما متأسفانه شهامت اعلام ایمیل معتبر را نیز نداشتید. بگذریم ...
    از بحث شهامت که عبور کنیم امید است آنقدر انصاف داشته باشید که تایید فرمایید در بحث آموزش، آنچه حائز اهمیت است کیفیت ارائه مفاهیم، پیگیری دانشجو، پشتیبانی، پاسخگو بودن حتی پس از اتمام دوره، ارسال آپدیت های رایگان، دعوت مجدد از دانشجویان قدیمی تحت عنوان دورهمی های علمی و اردوهای آموزشی رایگان، در دسترس بودن دائمی در تمام ایام سال اعم از عید و عاشورا، صرف ساعتها وقت برای ارائه تمرینات و مثالهای کاربردی، تشریح پروژه های اجرایی واقعی در قالب درس، و مسائلی از این دست است که تفاوت ایجاد می نماید وگرنه ضبط هزاران ساعت آموزش بی محتوا و بی ربط با ارائه کلیات و بدیهیات و فروش محصول به گونه ای که پاسخگویی و مساعدت های پس از کلاس را همراه نداشته باشد چیزی است که هر فرد بی اطلاع از آن آگاه است. بطور مشخص در مورد قیمت محصول سوال می فرمایید و بنده و دیگر همکاران متوجه نمی شویم رقم مجعول هفت میلیون را از کجا آورده اید. حتی اگر کلیه سطوح را نیز همزمان نام نویسیی کنید باز هم مبلغی کمی بیش از پنج میلیون تومان خواهید پرداخت که شصت هفته آموزش حداقل سه ساعته را شامل می شود. آموزش هایی بسیار بسیار تکنیکال و فوق تخصصی فقط و فقط مرتبط با مهندسی آب و علوم محیطی با ارائه مثالهای کاربردی فراوان و با بیان بسیار ساده توسط فردی متخصص که تجربه بیست و چند ساله برنامه نویسی و تجربه چندین ساله تدریس در دانشگاه های معتبر را دارد و هفته ای نیست که از ایشان توسط یکی از دانشگاه های مراکز استان ها جهت تدریس دعوت نشود. مهم ترین ویژگی دوره های استادی، کاربردی بودن است. در این دوره ها مثال ها کاملا واقعی است و از پروژه های اجرا شده استفاده می شود. در دوره متلب تمریناتی مطرح هستند که کدهای آن هم اکنون در ایستگاه های سینوپتیک، ایستگاه های هیدرومتری دفاتر متعدد وابسته به شرکت مدیریت منابع آب و ... استفادهء عملی و روزمره داشته و هرگز فرضی و غیر کاربردی نیستند. یک نگاه گذرا به سرفصل ها گویای تفاوت های اساسی بین ما و دیگر همکارانمان در مجموعه های دیگر است. اینکه قیمت را غیر واقعی و فراتر از ارزش محصول اعلام کنیم و تمام ایام سال را به بهانه تخفیفات دانشجویی و غیره که اشاره فرمودید به عوام فریبی بپردازیم از عهده ما خارج است. تخفیفات انجمن تخصصی مهندسی علوم آب زمان مشخص و مبلغ میعن دارد و قیمتها کاملا کارشناسی شده و پس از دیده شدن فریم به فریم ویدیوهای ضبط شده توسط مدرسین بوسیله شخص بنده و دیگر همکارانم در بخش کنترل کیفیت بر اساس معیارهای مدون اعلام می گردد. برای عزیزانی که امکان پرداخت یکجا و نقدی را ندارند، شرایط پرداخت اقساطی فراهم شده و تمام تلاش های صورت گرفته در راستای آن بوده تا درخشش جامعه مهندسی آب را موجب گردد. امیدوارم پاسخ تمام سوالات شما داده شده باشد و در آینده کمی مهربانانه تر زحمات شبانه روزی همکاران فداکار ما را نقد فرمایید.

    با تقدیم احترام
    دکتر عرفان نوظهور
    مدیر کنترل کیفیت و مدیر پشتیبانی

کورش
18:19 - 1398/03/14
پاسخ دهید

سلام خسته نباشید
توی این دوره روشهای داده سازی هم آموزش داده میشه؟

    آرش ازکیا
    20:01 - 1398/03/14
    پاسخ دهید

    با سلام و ادب
    چنانچه منظور شما بازسازی نواقص آماری و کشف داده های مفقوده یا فاقد اعتبار و یا حتی داده هایی است که دارای Prush های طبیعی هستند مفتخر هستم به اطلاع آن عالیجناب برسانم در دو سطح اول (سطوح یک و دو) از دوره استادی متلب این مباحث بصورت بسیار کامل و جامع با ذکر ماهیت و نحوه کدنویسی و استفاده از متدهای مختلف (بیش از ده متد کاربردی در مهندسی علوم آب) و با تشریح نموداری و بررسی معادله ریاضی و توصیف خط به خط کدهای برنامه به حضور شریف سروران تقدیم شده است. پس از گذر از این دوره قادر خواهید بود از ده ـ پانزده تابع علمی مختلف در برنامه های خود بطور کاملا حرفه ای و کارشناسانه استفاده فرمایید

لطفا صبر کنید