📊 کتاب Decision Analytics یک راهنمای جامع برای مدل‌های ریاضی و الگوریتم‌های تصمیم‌گیری متوالی در شرایط عدم‌قطعیت است. چنین تصمیم‌هایی در حوزه‌هایی مثل انرژی، سلامت، مالی، حمل‌ونقل و لجستیک به‌طور گسترده دیده میشن، اما منابعی که نظریه بنیادی را به پیاده‌سازی محاسباتی متصل کنن، هنوز چندان فراوان نیستن.

🧠 برایان تی. دنتون، رئیس پیشین INFORMS، در این کتاب مسیر آموزشی منظم و مرحله‌ای از مفاهیم پایه تا روش‌های پیشرفته ارائه میده و در کنار ریاضیات دقیق، از کدهای قابل‌اجرای Python استفاده میکنه تا مدل‌ها و الگوریتم‌ها مستقیماً قابل آزمایش و پیاده‌سازی باشن.

⚙️ در ده فصل کتاب، موضوعاتی مثل درخت‌های تصمیم، شبیه‌سازی مونت‌کارلو، زنجیره‌های مارکوف، فرایندهای تصمیم‌گیری مارکوف، فرایندهای تصمیم‌گیری مارکوف با مشاهده‌پذیری جزئی و مدل‌های بهینه‌سازی مقید بررسی میشن؛ از جمله مدل‌های برنامه‌ریزی تصادفی.

🤖 فصل‌های اختصاصی درباره یادگیری تقویتی و یادگیری چندعاملی، روش‌های Model-Free را معرفی میکنن که برای یافتن راه‌حل‌های بهینه یا نزدیک به بهینه در مسائل تصمیم‌گیری پیچیده به کار میرن.

📈 فصل پایانی به برنامه‌ریزی پویای تقریبی اختصاص داره و روش‌هایی را بررسی میکنه که برای تصمیم‌گیری در مدل‌های بسیار بزرگ و مقیاس‌پذیر مناسب هستن.

💻 در سراسر کتاب، مثال‌های واقعی، تمرین‌ها و نمونه‌کدهای Python ارائه شده و یک راهنمای حل برای مدرس نیز در نظر گرفته شده؛ بنابراین کتاب هم برای خودآموزی و هم برای استفاده در کلاس درس مناسبه.

✨ ویژگی‌های کلیدی

• پوشش تکنیک‌های هوش مصنوعی برای مسائل تصمیم‌گیری متوالی
• استفاده از شبیه‌سازی مونت‌کارلو در تحلیل درخت‌های تصمیم، فرایندهای تصمیم‌گیری مارکوف و برنامه‌ریزی تصادفی
• ارائه کدهای Python در سراسر کتاب برای پیاده‌سازی مستقیم مدل‌ها و الگوریتم‌ها
• تمرین‌های عملی همراه با راه‌حل و راهنمای مدرس
• رویکرد آموزشی Concept-First؛ ابتدا توضیح اصول بنیادی و سپس کاربرد آن‌ها در مسائل واقعی

🎯 این کتاب برای دانشجویان کارشناسی و تحصیلات تکمیلی در مهندسی صنایع، تحقیق در عملیات و رشته‌های مرتبط STEM طراحی شده که با مبانی ریاضیات، احتمال و آمار آشنایی دارن. همچنین برای پژوهشگران و متخصصانی که به یک منبع یکپارچه درباره روش‌های تصمیم‌گیری متوالی نیاز دارن، بسیار کاربردیه.

📖 فهرست مطالب

فصل ۱. مقدمه‌ای بر تحلیل تصمیم

فصل ۲. درخت‌های تصمیم

فصل ۳. برنامه‌ریزی پویای قطعی

فصل ۴. فرایندهای تصمیم‌گیری مارکوف

فصل ۵. مدل‌های بهینه‌سازی مقید

فصل ۶. شبیه‌سازی مونت‌کارلو

فصل ۷. فرایندهای تصمیم‌گیری مارکوف با مشاهده‌پذیری جزئی

فصل ۸. یادگیری تقویتی

فصل ۹. فرایندهای تصمیم‌گیری مارکوف چندعاملی

فصل ۱۰. روش‌های تقریبی برای مدل‌های بزرگ‌مقیاس

👤 درباره نویسنده

🎓 برایان تی. دنتون دارای مدرک دکتری و استاد Stephen M. Pollock Collegiate Professor در رشته مهندسی صنایع و عملیات در دانشگاه میشیگان است.

📊 او رئیس پیشین INFORMS بوده و پژوهش‌هایش بر تصمیم‌گیری متوالی داده‌محور و بهینه‌سازی در شرایط عدم‌قطعیت تمرکز دارن.

🏆 از افتخارات او میشه به National Science Foundation Career Award، INFORMS Daniel H. Wagner Prize و George E. Kimball Medal اشاره کرد.

🔬 او همچنین Fellow در INFORMS و Institute of Industrial and Systems Engineers است.

اگر خواستی، همین متن رو در نسخه کوتاه‌تر ۵–۶ پاراگرافی برای معرفی فروشگاهی هم جمع‌وجور می‌کنم.

Mathematical models and algorithms for sequential decisions under uncertainty

Sequential decisions under uncertainty arise in many fields including energy, healthcare, finance, transportation, and logistics, yet accessible treatments linking foundational theory to computational practice remain scarce. Decision Analytics: Mathematical Models and Algorithms for Sequential Decision-Making, written by Brian T. Denton, a past President of INFORMS, presents a structured progression from core concepts through advanced methods, pairing rigorous mathematics with implementable Python code.

Across ten chapters, Decision Analytics covers decision trees, Monte Carlo simulation, Markov chains, Markov decision processes, partially observable Markov decision processes, and constrained optimization models, including stochastic programs. Dedicated chapters on reinforcement learning and multi-agent learning introduce model-free approaches for finding optimal or near-optimal solutions. The final chapter covers approximate dynamic programming for decision-making at scale. Real-world examples, exercises, and an instructor’s solution manual support classroom adoption.

Readers will also find:

• Coverage of artificial intelligence techniques applied to sequential decision-making problems
• Monte Carlo simulation methods used to analyse decision trees, Markov decision processes, and stochastic programming formulations
• Python code examples throughout the text enabling direct implementation and experimentation with each model and algorithm presented
• Practice exercises with solutions and an instructor’s manual designed to support both self-study and classroom-based teaching
• A concept-first pedagogical approach that explains foundational principles before demonstrating how they solve applied problems

Designed for undergraduate and graduate students in industrial engineering, operations research, and related STEM disciplines with introductory knowledge of mathematics, probability, and statistics, this book also serves researchers and professionals who require unified treatment of sequential decision-making methods.

Table of Contents

1. Introduction to Decision Analytics

2. Decision Trees

3. Deterministic Dynamic Programs

4. Markov Decision Processes

5. Constrained Optimization Models

6. Monte Carlo Simulation

7. Partially Observable Markov Decision Processes

8. Reinforcement Learning

9. Multi-agent Markov Decision Processes

10. Approximation Methods for Large-scale Models

About the Author

Brian T. Denton, PhD, is the Stephen M. Pollock Collegiate Professor of Industrial and Operations Engineering at the University of Michigan. A past President of INFORMS, his research focuses on data-driven sequential decision making and optimization under uncertainty. His work has earned the National Science Foundation Career Award, INFORMS Daniel H. Wagner Prize, and the George E. Kimball medal. He is a Fellow of INFORMS and the Institute of Industrial and Systems Engineers.