دسته بندی‌ها
مدرسیننحوه کار
×
موضوع
جزئیات
خانه آموزش ‌ها برنامه نویسی متلب آموزش بهینه سازی با استفاده از الگوریتم ژنتیک و NSGA-II

آموزش بهینه سازی با استفاده از الگوریتم ژنتیک و NSGA-II

توضیحات تدریس

• 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 • معرفی الگوریتم فراکاوشی ژنتیک • با ساختار کلی الگوریتم ژنتیک آشنا شویم • مراحل محاسبات در الگوریتم ژنتیک چگونه صورت می گیرند • عمده ترین عمگرهای الگوریتم ژنتیک را شناسایی کنیم • 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 • 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 • 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 • 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 • 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 • 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) • 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) • 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 • 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 • 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 • 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 • 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 • 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 مثال های کاربردی:  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 مثال استادی:  بهینه سازی میزان رهاسازی از مخزن سد امیرکبیر با استفاده از کلیه پارامترهای ورودی و کدنویسی گام به گام تمام مراتب لازم و بررسی عملکرد با استفاده از شاخص های اطمینان پذیری، برگشت پذیری، آشیب پذیری، شاخص پایداری بصورت قطعی و فازی و مقایسه نتایج بهینه با وضعیت موجود و نیز با خروجی سیاست SOP


سطح آموزش

مبتدی: برای کسانی که می خواهند تازه شروع به یادگیری کنند

متوسط: برای کسانی که آشنایی دارند و تا حدی بلدند

حرفه ای: برای کسانی که بلدند ولی می خواهند بیشتر یاد بگیرند


توضیحات تدریس

• 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 • معرفی الگوریتم فراکاوشی ژنتیک • با ساختار کلی الگوریتم ژنتیک آشنا شویم • مراحل محاسبات در الگوریتم ژنتیک چگونه صورت می گیرند • عمده ترین عمگرهای الگوریتم ژنتیک را شناسایی کنیم • 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 • 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 • 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 • 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 • 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 • 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) • 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) • 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 • 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 • 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 • 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 • 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 • 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 مثال های کاربردی:  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 مثال استادی:  بهینه سازی میزان رهاسازی از مخزن سد امیرکبیر با استفاده از کلیه پارامترهای ورودی و کدنویسی گام به گام تمام مراتب لازم و بررسی عملکرد با استفاده از شاخص های اطمینان پذیری، برگشت پذیری، آشیب پذیری، شاخص پایداری بصورت قطعی و فازی و مقایسه نتایج بهینه با وضعیت موجود و نیز با خروجی سیاست SOP


مشاهده پروفایل

انتخاب جزئیات و ثبت سفارش

بازه های زمانی قابل رزرو
در این جدول، بازه‌های زمانی قابل رزرو که مدرس قادر به تدریس است، آورده شده است. بازه های زمانی مورد نظرتان را با دقت و توجه به زمان‌بندی خود انتخاب نمایید. ساعت و تاریخ تدریس به صورت توافقی بین شما و مدرس تعیین می‌شود. لطفا قبل از ثبت سفارش، با مدرس گفتگو و تاریخ ها و ساعت ها را هماهنگ کنید.
در‌ نظر داشته باشید اولین جلسه آموزشی شما باید تا حداکثر ۷ روز بعد از نمایش آموزش برگزار گردد.
شنبه
صبح
صبح
۸:۰۰ تا ۱۲:۰۰
بعد از ظهر
بعد از ظهر
۱۲:۰۰ تا ۱۷:۰۰
غروب
غروب
۱۷:۰۰ تا ۲۰:۰۰
شب
شب
۲۰:۰۰ تا ۰۰:۰۰
نیمه شب
نیمه شب
۰۰:۰۰ تا ۸:۰۰
یک شنبه
صبح
صبح
۸:۰۰ تا ۱۲:۰۰
بعد از ظهر
بعد از ظهر
۱۲:۰۰ تا ۱۷:۰۰
غروب
غروب
۱۷:۰۰ تا ۲۰:۰۰
شب
شب
۲۰:۰۰ تا ۰۰:۰۰
نیمه شب
نیمه شب
۰۰:۰۰ تا ۸:۰۰
دوشنبه
صبح
صبح
۸:۰۰ تا ۱۲:۰۰
بعد از ظهر
بعد از ظهر
۱۲:۰۰ تا ۱۷:۰۰
غروب
غروب
۱۷:۰۰ تا ۲۰:۰۰
شب
شب
۲۰:۰۰ تا ۰۰:۰۰
نیمه شب
نیمه شب
۰۰:۰۰ تا ۸:۰۰
سه شنبه
صبح
صبح
۸:۰۰ تا ۱۲:۰۰
بعد از ظهر
بعد از ظهر
۱۲:۰۰ تا ۱۷:۰۰
غروب
غروب
۱۷:۰۰ تا ۲۰:۰۰
شب
شب
۲۰:۰۰ تا ۰۰:۰۰
نیمه شب
نیمه شب
۰۰:۰۰ تا ۸:۰۰
چهارشنبه
صبح
صبح
۸:۰۰ تا ۱۲:۰۰
بعد از ظهر
بعد از ظهر
۱۲:۰۰ تا ۱۷:۰۰
غروب
غروب
۱۷:۰۰ تا ۲۰:۰۰
شب
شب
۲۰:۰۰ تا ۰۰:۰۰
نیمه شب
نیمه شب
۰۰:۰۰ تا ۸:۰۰
پنج شنبه
صبح
صبح
۸:۰۰ تا ۱۲:۰۰
بعد از ظهر
بعد از ظهر
۱۲:۰۰ تا ۱۷:۰۰
غروب
غروب
۱۷:۰۰ تا ۲۰:۰۰
شب
شب
۲۰:۰۰ تا ۰۰:۰۰
نیمه شب
نیمه شب
۰۰:۰۰ تا ۸:۰۰
جمعه
صبح
صبح
۸:۰۰ تا ۱۲:۰۰
بعد از ظهر
بعد از ظهر
۱۲:۰۰ تا ۱۷:۰۰
غروب
غروب
۱۷:۰۰ تا ۲۰:۰۰
شب
شب
۲۰:۰۰ تا ۰۰:۰۰
نیمه شب
نیمه شب
۰۰:۰۰ تا ۸:۰۰
انتخاب جزئیات جلسات
  • + 1 -
    ۶۰ دقیقه
    ۳۰۰,۰۰۰ تومان

نظرات شرکت کنندگان

کارآموز
۲۵ خرداد ۱۴۰۲
آموزش با موفقیت تایید شد.
انتخاب جزئیات آموزش
پشتیبانی