• بخش اول و دوم کتاب Convex Optimization – Boyd and Vandenberghe
• بخش سوم کتاب Introduction to Applied Linear Algebra – Vectors, Matrices, and Least Squares - Boyd and Vandenberghe
• درس بهینه‌سازی محدب - بهار ۱۳۹۹ - دکتر مجتبی تفاق
• درس جبرخطی کاربردی - بهار ۱۴۰۰ - دکتر مجتبی تفاق

مباحث ارائه شده در این درس، به صورت ترکیبی از مباحث درس بهینه سازی محدب و جبرخطی کاربردی می‌باشند.

این درس شامل یک صفحه‌ی گیت هاب می‌باشد که منابع مفیدی برای آموزش جولیا و موارد مشابه در آن وجود دارد و دانشجویان در طول ترم می‌توانند از محتویات آن استفاده کنند.

تسلط کامل به جبرخطی پیشنیاز این درس می‌باشد. همچنین این درس پیشنیاز برنامه نویسی خاصی ندارد اما آشنایی با زبان Julia می‌تواند برای گذراندن این درس مفید باشد. البته دانشجویان در طول ترم می‌توانند این زبان را یاد بگیرند.

کلاس در روزهای شنبه و دوشنبه از ساعت ۱۷:۰۰ الی ۱۹:۰۰ در کلاس مجازی دکتر تفاق برگزار خواهد شد.

تمامی تمرین‌ها، اطلاعیه‌ها، آزمون‌ها و سایر موارد مشابه از طریق سامانه‌ی درس افزار شریف در دسترس دانشجویان گرامی قرار می‌گیرند.

• تمرین: ۸ نمره
• پروژه: ۵ نمره
• میان‌ترم: ۳ نمره
• پایان‌ترم: ۴ نمره

توجه کنید نمره‌ی درس بهینه‌سازی در علوم داده‌ها و سمینار بهینه‌سازی یکسان می‌باشند و یک نمره‌ی یکسان برای شما ثبت می‌شود.

توجه: بارم‌ها حدودی است و ممکن است تا حدی تغییر کنند.

بارم هر سری تمرین ۱ نمره می‌باشد. برخی از تمرین‌ها به صورت عملی (برنامه نویسی) می‌باشند و دانشجویان مستلزم هستند تا با زبان Julia برنامه‌نویسی کنند.

تمرین‌ها ساعت ۱۲ ظهر روز اعلام شده بارگذاری می‌شوند و تا ساعت ۲۳:۵۹ روز ددلاین، مهلت تحویل دارید. برای تمام تمرین‌ها در مجموع ۸ روز (معادل با ۱۹۲ ساعت) می‌توان تاخیر بدون کسر نمره داشت که تاخیرها به صورت ساعتی محاسبه می‌شوند. همچنین برای هر سری تمرین، حداکثر ۳ روز (معادل با ۷۲ ساعت) می‌توان تاخیر داشت. تمرین‌هایی که پس از اتمام تاخیرها ارسال شوند، تصحیح نمی‌شوند.

آزمون میان‌ترم به صورت خانه‌بر (take home) می‌باشد و از ساعت ۹ الی ۲۱ روز ۱۴۰۱/۰۲/۲۲ برگزار می‌شود. میان‌ترم به صورت ترکیبی از سوالات عملی (برنامه‌نویسی) و تئوری می‌باشد و دانشجویان در این آزمون باید با زبان Julia برنامه‌نویسی کنند (جزئیات بیشتر در خصوص میان‌ترم متعاقبا به شما اعلام خواهد شد).

آزمون پایان‌ترم به صورت خانه‌بر (take home) و شامل سوالات برنامه نویسی می‌باشد. بنابراین لازم است دانشجویان با یکی از پکیج های CVX در Matlab ، پکیج CVXPY در Python، و یا پکیج Convex.jl در Julia آشنایی داشته باشند.

در این درس دانشجویان باید یک پروژه انجام و ارائه دهند. پروژه باید شامل بخش‌های عملی نیز باشد (پیاده سازی‌ها باید با زبان Julia باشند) و صرفا یک کار تئوری مد نظر نمی‌باشد. قالب کلی پروژه باید به این صورت باشد که چند مقاله مطالعه شود و پیاده‌سازی الگوریتم‌های آن و مقایسه‌ی آن‌ها صورت بگیرد و یا می‌تواند بهبود کارایی یک الگوریتم باشد یا موارد مشابه باشد. توجه کنید موضوع پروژه باید هم به زمینه‌ی بهینه‌سازی مربوط باشد و هم به زمینه‌ی علوم داده مرتبط باشد.

انجام پروژه می‌تواند در قالب تیم‌های دو نفره و یا به صورت انفرادی صورت گیرد.

در این لینک، یک لیست از موضوعات پیشنهادی که چراغ راه برای جستجوهای بیشتر شما باشد، آمده است.

دانشجویان باید تا تاریخ ۱۴۰۰/۱۲/۲۵ یک پروپوزال اولیه ارائه کنند که شامل موضوع پروژه و همچنین اعضای تیم باشد. پس از آن، پروپوزال‌های ارسال شده توسط تیم درس بررسی می‌شوند و تایید یا رد می‌شوند و در صورت رد شدن آن‌ها، مهلتی به تیم مربوطه برای اصلاح داده می‌شود.

مهلت ارسال گزارش نهایی پروژه‌ها ۱۴۰۱/۰۵/۱۰ می‌باشد.

در تاریخ ۱۴۰۱/۰۵/۱۳ از ساعت ۸ الی ۱۲ و ۱۴ الی ۱۹، تمامی دانشجویان باید در کلاس مجازی دکتر تفاق حضور داشته باشند و طبق زمان‌بندی‌ای که اعلام می‌شود، پروژه‌ی خود را به سایرین ارائه دهند.

توجه: حضور تمام دانشجویان در این روز الزامی است.