یکی از گرایش‌های بسیار محبوب و جذاب که این سال‌ها چه در داخل کشور و چه در خارج از کشور بسیار طرف‌دار پیدا کرده است، گرایش هوش مصنوعیهوش مصنوعی (AI) چیست؟ انواع، کاربردها، مزایا و معایب
هوش مصنوعی یا Artificial Intelligence یا به اختصار AI، امروزه کاربردهای بسیاری پیدا کرده و به یکی از داغ‌ترین حوزه‌های بشر تبدیل شده است، اما با این وجود بسیاری از افراد با کاربردهای آن آشنایی کامل ندارند، به همین علت در این صفحه کاربردها، مزایا و معایب AI بطور کامل بررسی شده است است. گرایش هوش مصنوعی در رشته مهندسی کامپیوتر در مقاطع کارشناسی‌ارشد و دکتری ارائه می‌شود. دانشجویان گرایش هوش مصنوعی یا AI در مقطع دکترا، بر تحقیقات پیشرفته در زمینه هوش مصنوعی تمرکز دارند. می‌توان گفت هوش مصنوعی یک گرایش چندرشته‌ای است که شامل علوم کامپیوترعلوم کامپیوتر یا کامپیوتر ساینس چیست
در این صفحه به بررسی و موشکافی رشته علوم کامپیوتر اعم از بررسی بازار کار، گرایش‌ها، دروس و چارت درسی این رشته، میزان درآمد و حقوق فارغ التحصیلان این رشته و ادامه تحصیل در این رشته پرداخته شده است.، ریاضیات، آمار،شبکه های عصبیشبکه عصبی یا شبکه عصبی مصنوعی (nueral network) چیست؟
این مقاله عالی به معرفی شبکه عصبی یا شبکه عصبی مصنوعی (nueral network) پرداخته، همچنین الگوریتم شبکه عصبی، انواع و کاربرد و تاریخچه شبکه های عصبی بررسی شده، علوم‌شناختی و مهندسی می‌شود. دکتری هوش مصنوعی معمولاً به پیشینه قوی در علوم کامپیوتر و ریاضیات و یا زمینه‌های مرتبط نیاز دارد. از داوطلبان دکترای هوش مصنوعی انتظار می‌رود که تحقیقات بدیع و نوآورانه‌ای انجام دهند که اغلب منجر به ایجاد الگوریتمآموزش طراحی الگوریتم به زبان ساده
درس طراحی الگوریتم یکی از مهم‌ترین و بنیادیترین دروس رشته کامپیوتر است. هدف از این درس، معرفی روش‌های مختلف طراحی الگوریتم‌ها برای حل مسائل گوناگون است، در این صفحه به معرفی و آموزش طراحی الگوریتم پرداخته شده است. ها، مدل‌ها و یا سیستم‌های جدیدی می‌شود که به پیشرفت حوزه هوش مصنوعی منجر می‌شود.
دروس دکتری هوش مصنوعی دانشگاه شریف
دانشجویان رشته کامپیوتر در گرایش هوش مصنوعی در مقطع دکتری می‌بایست قبل از نوشتن و دفاع از پروپوزال رساله خود، دروسی را پاس کنند که در این قسمت می‌خواهیم به دروس تصویب شده برای این گرایش بپردازیم.
به‌طورکلی 5 زمینه تخصصی وجود دارد که هرکدام را جداگانه در جداول زیر آورده ایم:
جدول زمینه تخصصی اول: هوش نمادین
| ردیف | عنوان درس | تعداد واحد |
|---|---|---|
| 1 | برنامه‌ریزی در هوش مصنوعی (Artificial Intelligence Planning) | 3 |
| 2 | هوش مصنوعی پیشرفته (Advanced Artificial Intelligence) | 3 |
| 3 | پردازش زبان‌های طبیعی (Natural Language Processing) | 3 |
| 4 | هوش مصنوعی محاسباتی (Computational Intelligence) | 3 |
| 5 | هوش مصنوعی توزیع شده (Distributed Artificial Intelligence) | 3 |
جدول زمینه تخصصی دوم: یادگیری ماشین
| ردیف | عنوان درس | تعداد واحد |
|---|---|---|
| 1 | یادگیری ماشین (Machine Learning) | 3 |
| 2 | یادگیری عمیقیادگیری عمیق چیست؟ معرفی کامل یادگیری عمیق به زبان ساده این مقاله به سوالات رو به رو پاسخ داده : یادگیری عمیق چیست و چگونه کار می‌کند؟ آیا یادگیری عمیق همان شبکه عصبی است؟ تفاوت یادگیری عمیق با یادگیری ماشین چیست؟ (Deep Learning) | 3 |
| 3 | یادگیری ماشین آماری (Statistical Machine Learning) | 3 |
| 4 | مدل‌های گرافی احتمالی (Probabilistic Graphical Models) | 3 |
| 5 | نظریه یادگیری ماشین (Machine Learning Theory) | 3 |
| 6 | الگوشناسی آماری (Statistical Pattern Recognition) | 3 |
| 7 | شبکه‌های عصبی مصنوعی و سامانه‌های فازی(Neural Networks and Fuzzy Systems) | 3 |
| 8 | شبکه‌های عصبی (Neural Networks) | 3 |
جدول زمینه تخصصی سوم: سیگنال
جدول زمینه تخصصی چهارم: بیوانفورماتیک
| ردیف | عنوان درس | تعداد واحد |
|---|---|---|
| 1 | زیست‌شناسی سامانه‌ای محاسباتی (Computational Systems Biology) | 3 |
| 2 | ژنومیک محاسباتی (Computational Genomics) | 3 |
| 3 | بیوانفورماتیک ساختاری (Structural Bioinformatics) | 3 |
| 4 | الگوریتم‌های بیوانفورماتیکگرایش بیوانفورماتیک بیوانفورماتیک از رشته‌های نو، جذاب و میان رشته‌ای است، با توجه به اطلاعات کمی که در این زمنیه وجود دارد در این مقاله سعی کرده‌ایم هر آنچه در مورد بیوانفورماتیک باید بدانید را به شما بگوییم، با این مقاله کامل و جذاب با ما همراه باشید (Algorithms for Bioinformatics) | 3 |
جدول زمینه تخصصی پنجم: ریاضی و آمار
| ردیف | عنوان درس | تعداد واحد |
|---|---|---|
| 1 | فرایندهای تصادفی (Stochastic Processes) | 3 |
| 2 | نظریه الگوریتمی بازی‌ها (Algorithmic Game Theory) | 3 |
| 3 | بهینه‌سازی محدب (Convex Optimization) | 3 |
| 4 | نظریه اطلاعات و کدینگ (Information Theory and Coding) | 3 |
| 5 | شبکه‌های پویای پیچیده (Complex Dynamical Networks) | 3 |
مقررات اخذ دروس
- دانشجویان گرایش هوش مصنوعی در مقطع دکترا می‌بایست حداقل 5 درس از دروس جداول بالا را در دوره کارشناسی ارشد و دکترا، با موافقت استاد راهنما بگذرانند که حداقل سه درس آن باید از سه زمینه تخصصی متفاوت باشد.
- دانشجویان نمی‌توانند دروسی را که قبلاً در دوره کارشناسی و یا کارشناسی‌ارشد اخذ کرده‌اند را مجدداً اخذ کنند.
- امتحان جامع شامل چهار درس است که سه درس آن باید از سه زمینه تخصصی مختلف انتخاب شده باشد و درس چهارم نیز توسط استاد راهنما تعیین می‌شود.
- اخذ دو درس داده کاویداده کاوی چیست؟ بررسی 0 تا 100 دیتا ماینینگ (data mining)
این مقاله عالی بررسی کرده که داده کاوی یا دیتا ماینینگ (data mining) چیست و چه کاربردی دارد، سپس انواع روش های داده کاوی و مزایای دیتا ماینینگ را بررسی کرده و یادگیری ماشین در طول دوره مجاز نیست و در صورت اخذ هر دو درس توسط دانشجو، یکی از آنها زائد محسوب می‌شود.
دروس دکتری هوش مصنوعی دانشگاه تهران
دروس دکتری هوش مصنوعی و مقررات ذکر شده در قسمت قبل، مربوط به دانشگاه صنعتی شریف است. کلیات دروس و مقررات دانشگاه‌های دیگر ممکن است تا حدودی، بسته به قوانین دانشگاه متفاوت باشد. به‌عنوان‌مثال دروس ارائه شده برای دکتری در دانشگاه تهران، مشابه با دروس ارائه شده برای مقطع کارشناسی‌ارشد است و دانشجوی دکتری موظف است در طول دوران تحصیلی خود حداقل 6 درس را اخذ کند.
دروس گروه هوش مصنوعی در دانشگاه تهران، در سه گروه قرار می‌گیرند که در جداول زیر آنها را مشاهده می‌کنید:
جدول دروس گروه 1
| ردیف | عنوان درس | تعداد واحد | ساعات تدریس |
|---|---|---|---|
| 1 | شناسایی الگو | 3 | 48 |
| 2 | رایانش تکاملی | 3 | 48 |
| 3 | ربات‌های متحرکت خودگردان | 3 | 48 |
| 4 | یادگیری ماشین | 3 | 48 |
| 5 | هوش مصنوعی پیشرفته | 3 | 48 |
| 6 | فرایندهای تصادفی | 3 | 48 |
| 7 | شبکه‌های عصبی | 3 | 48 |
| 8 | سیستم‌های چندعاملی | 3 | 48 |
جدول دروس گروه 2
| ردیف | عنوان درس | تعداد واحد | ساعات تدریس |
|---|---|---|---|
| 1 | برنامه‌ریزی هوشمند | 3 | 48 |
| 2 | الگوریتم‌های هوش جمعی | 3 | 48 |
| 3 | مجموعه‌ها و سیستم‌های فازی | 3 | 48 |
| 4 | یادگیری تقویتی | 3 | 48 |
| 5 | نظریه یادگیری آماری | 3 | 48 |
| 6 | مدل‌های گرافی احتمالی | 3 | 48 |
| 7 | تصویرپردازی رقمی | 3 | 48 |
| 8 | بینایی کامپیوتر | 3 | 48 |
| 9 | پنهان‌سازی اطلاعات | 3 | 48 |
| 10 | سنجش‌ازدور | 3 | 48 |
| 11 | پردازش زبان‌های طبیعی | 3 | 48 |
| 12 | پردازش آماری زبان‌های طبیعی | 3 | 48 |
| 13 | ترجمه ماشینی | 3 | 48 |
| 14 | فهم زبان | 3 | 48 |
| 15 | پردازش سیگنال‌های رقمی | 3 | 48 |
| 16 | گفتار پردازی رقمی | 3 | 48 |
| 17 | شناسایی گفتار و گوینده | 3 | 48 |
| 18 | تبدیل متن به گفتار | 3 | 48 |
| 19 | رویکردهای هوش مصنوعی در بازی‌ها | 3 | 48 |
| 20 | رفتارهای هوشمند جمعی در بازی‌ها | 3 | 48 |
| 21 | تصمیم‌گیری، استراتژی و مسیریابی در بازی‌ها | 3 | 48 |
| 22 | معماری بازی‌های رایانه‌ای | 3 | 48 |
| 23 | طراحی و توسعه بازی‌های رایانه‌ای | 3 | 48 |
| 24 | سیستم‌های چند رباتی | 3 | 48 |
| 25 | یادگیری تقویتی و کنترل ربات | 3 | 48 |
| 26 | رباتیکز شناختی | 3 | 48 |
| 27 | ریاضیات برای رباتیکز | 3 | 48 |
| 28 | فیزیولوژی و آناتومی سیستم اعصاب | 3 | 48 |
| 29 | علم اعصاب سلولی | 3 | 48 |
| 30 | علوم‌شناختی | 3 | 48 |
| 31 | پردازش سلولی و مولکولی | 3 | 48 |
| 32 | مدل‌های رایانشی در سیستم‌های جمعی | 3 | 48 |
| 33 | نظریه بازی‌ها | 3 | 48 |
| 34 | بهینه‌سازی | 3 | 48 |
| 35 | داده‌کاوی پیشرفته | 3 | 48 |
| 36 | پردازش سیگنال آماری | 3 | 48 |
| 37 | تحلیل و پردازش زمان – فرکانس | 3 | 48 |
| 38 | شناسایی مقاوم و بهسازی گفتار | 3 | 48 |
| ردیف | عنوان درس | تعداد واحد | ساعات تدریس |
|---|---|---|---|
| 1 | مباحث ویژه 1 در هوش مصنوعی | 3 | 48 |
| 2 | مباحث ویژه 2 در هوش مصنوعی | 3 | 48 |
| 3 | مباحث ویژه 3 در هوش مصنوعی | 3 | 48 |
| 4 | مفاهیم پیشرفته 1 در هوش مصنوعی | 3 | 48 |
| 5 | مفاهیم پیشرفته 2 در هوش مصنوعی | 3 | 48 |
| 6 | مفاهیم پیشرفته 3 در هوش مصنوعی | 3 | 48 |
| 7 | یک درس از سایر گرایش‌ها یا دانشکده‌ها با تأیید دانشکده | 3 | 48 |
باتوجه‌به حوزه‌ای که دانشجوی مقطع دکتری در آن فعالیت می‌کند، دروس اخذ شده می‌تواند بسیار متفاوت باشد که با کمک استاد راهنما دروس مربوطه شناسایی و اخذ می‌شوند.
دکتری هوش مصنوعی چند سال است؟
از سؤالاتی که برای داوطلبان دکتری هوش مصنوعی پیش می‌آید این است که طول دوره تحصیلی دانشجویان در مقطع دکتری چند سال یا چند ترم است. حداقل طول تحصیل دکتری هوش مصنوعی 9 ترم یا 4.5 سال است که البته در بسیاری از موارد تا ترم 10 یعنی سال پنجم نیز هزینه ای از دانشجو گرفته نمی‌شود. با توجه به حوزه های فعالیتی دانشجویان و تحقیق های آنها، ممکن است نیاز به زمان بیشتری برای فارغ التحصیلی داشته باشند. در بعضی از موارد طول دکتری هوش مصنوعی به سال های 6 و 7 نیز می‌رسد.
تحصیل بعد از ترم 9 (و در بعضی موارد ترم 10) منوط به پرداخت هزینه ای ثابت است که طبق شیوه نامه مصوب موسسه دریافت می‌شود. اگر دانشجو در این مدت فارغ التحصیل نشود، پرونده وی برای تصمیم گیری در خصوص ادامه تحصیل به کمیسیون موارد خاص موسسه ارجاع می‌شود.
جمع‌بندی
گرایش هوش مصنوعی از گرایش‌های جذاب رشته کامپیوتر محسوب می‌شود. دانشجویان مقطع دکترا در طول دوران تحصیلی خود تحقیقات مختلفی را در حوزه هوش مصنوعی انجام می‌دهند. از مسائل بهینه‌سازی گرفته تا ایجاد الگوریتم‌ها و ابداع روش‌های نوین در زمینه‌های مختلف. همچنین دانشجویان در این مقطع می‌بایست دروس ارائه شده برای رشته هوش مصنوعی را به کمک استاد راهنمای خود و در جهت انجام رساله‌شان اخذ کنند. در این مقاله به بررسی پرداختیم و قواعد مربوط به اخذ آنها را ذکر کردیم.
تعداد دروسی که در گرایش هوش مصنوعی در مقطع دکتری می‌بایست اخذ شود چقدر است؟
تعداد دروسی که دانشجو می‌بایست در طول دوران تحصیلات خود در مقطع دکترا اخذ کند باتوجه‌به دانشگاه و شرایط دانشجو می‌تواند متفاوت باشد. به‌عنوان‌مثال اگر دانشجو تعداد دروس مرتبط با کار خود را در دوران کارشناسی‌ارشد گذرانده باشد، ممکن است تنها نیاز باشد 4 درس را اخذ کند. یا مثلا در دانشگاه تهران دانشجویان می‌بایست 6 درس اخذ کنند.
