با حضور اساتید و مولفین موسسه بابان: نتیجه‌گرا

مشاوره قبولی با استاد خلیلی فر
موسسه بابان آکادمی

معرفی ارشد هوش مصنوعی

موسسه بابان
0 دیدگاه
معرفی ارشد هوش مصنوعی

معرفی ارشد هوش مصنوعی

آیا به ساختن ماشین‌هایی علاقه‌مندید که بتوانند فکر کنند، یاد بگیرند و تصمیم بگیرند؟ گرایش هوش مصنوعی (Artificial Intelligence) در مقطع کارشناسی ارشد، فرصتی استثنایی برای شما فراهم می‌کند تا در خط مقدم انقلاب هوش مصنوعی قرار بگیرید. در این مقاله به معرفی ارشد هوش مصنوعی پرداخته خواهد شد.

در این گرایش، شما با مفاهیم پیشرفته‌ای مانند شبکه‌های عصبی مصنوعی، یادگیری ماشین، پردازش زبان طبیعی و بینایی ماشین آشنا خواهید شد. این دانش به شما اجازه می‌دهد تا سیستم‌های هوشمندانه‌ای طراحی کنید که بتوانند مسائل پیچیده را حل کنند، از داده‌ها الگو استخراج کنند و حتی با انسان‌ها تعامل برقرار کنند.

حتما بخوانید: بهترین منابع ارشد هوش مصنوعی

رتبه 1 کنکور ارشد کامپیوتر

بهترین منابع کنکور ارشد مهندسی کامپیوتر

منابع رتبه 1 کنکور ارشد مهندسی کامپیوتر

منابع رتبه 2 کنکور ارشد مهندسی کامپیوتر

پویا خانی قبولی هوش مصنوعی دانشگاه صنعتی شریف

فاطمه محمدی قبولی مهندسی آی تی دانشگاه صنعتی امیرکبیر

چرا هوش مصنوعی؟

  • آینده فناوری: هوش مصنوعی به عنوان یکی از مهم‌ترین فناوری‌های قرن 21 شناخته می‌شود و در صنایع مختلف از جمله پزشکی، مالی، خودروسازی و … کاربردهای فراوانی دارد.
  • بازار کار گسترده: با توجه به رشد روزافزون هوش مصنوعی، تقاضا برای متخصصان این حوزه بسیار بالاست و فرصت‌های شغلی متنوعی برای فارغ‌التحصیلان وجود دارد.
  • حل چالش‌های بزرگ: هوش مصنوعی می‌تواند به حل برخی از مهم‌ترین چالش‌های بشری مانند بیماری‌ها، تغییرات آب و هوایی و فقر کمک کند.

چه چیزی در انتظار شماست؟

در طول تحصیل در این گرایش، با پروژه‌های تحقیقاتی هیجان‌انگیزی روبرو خواهید شد که به شما امکان می‌دهد تا دانش نظری خود را در عمل پیاده‌سازی کنید. همچنین، با آخرین دستاوردهای تحقیقاتی در حوزه هوش مصنوعی آشنا خواهید شد و می‌توانید در کنفرانس‌ها و همایش‌های بین‌المللی شرکت کنید.

مباحثی که در این گرایش مطالعه می‌شود

  • یادگیری ماشین: الگوریتم‌هایی که به سیستم‌ها اجازه می‌دهند بدون برنامه‌نویسی صریح، یاد بگیرند.
  • شبکه‌های عصبی مصنوعی: الهام گرفته از مغز انسان، این شبکه‌ها قادر به یادگیری الگوهای پیچیده در داده‌ها هستند.
  • پردازش زبان طبیعی: توانایی کامپیوترها در درک، تفسیر و تولید زبان انسان.
  • بینایی ماشین: توانایی کامپیوترها در تحلیل تصاویر و ویدیوها.
  • هوش مصنوعی قوی: ساختن ماشین‌هایی با هوشمندی عمومی مشابه انسان.

هدف از دوره کارشناسی ارشد مهندسی کامپیوتر گرایش هوش مصنوعی

هدف اصلی از تحصیل در گرایش هوش مصنوعی در مقطع کارشناسی ارشد، تربیت متخصصانی است که بتوانند سیستم‌های هوشمندانه‌ای طراحی و پیاده‌سازی کنند. این سیستم‌ها قادر خواهند بود تا مانند انسان‌ها، اطلاعات را تحلیل کنند، تصمیم بگیرند، یاد بگیرند و حتی خلاقیت نشان دهند. در این مقاله به معرفی ارشد هوش مصنوعی و کاربردهای این دانش گسترده می‌پردازیم که از طراحی ربات‌های هوشمند و سیستم‌های تشخیص چهره گرفته تا توسعه سیستم‌های توصیه‌گر و تحلیل داده‌های بزرگ را شامل می‌شود.

معرفی ارشد هوش مصنوعی

مقررات عمومی دوره کارشناسی ارشد هوش مصنوعی

مدت زمان تحصیل:

  • دوره کارشناسی ارشد هوش مصنوعی به صورت تمام‌وقت و در مدت دو سال تحصیلی برگزار می‌شود.

ساختار آموزشی:

  • دوره پژوهش‌محور: دانشجویان این دوره موظف به گذراندن ۲۹ واحد درسی، شامل دروس اصلی، اختیاری، سمینار و انجام پروژه هستند.
  • دوره آموزش‌محور: دانشجویان این دوره موظف به گذراندن ۳۲ واحد درسی، شامل دروس اصلی، اختیاری و سمینار هستند. به جای پروژه، دانشجویان باید ۳ درس سه واحدی دیگر از دروس اصلی یا اختیاری بگذرانند.
    • الف: دروس اصلی ۱۲ واحد
    • ب: دروس اختیاری ۹ واحد (۱۸ واحد برای دانشجویان آموزش‌محور)
    • پ: سمینار ۲ واحد
    • ت: پروژه ۶ واحد (صفر واحد برای دانشجویان آموزش‌محور)

دروس:

  • دروس اصلی: دروس پایه و ضروری هر گرایش هستند که دانشجویان موظف به گذراندن آن‌ها هستند.
  • دروس اختیاری: دانشجویان می‌توانند از بین دروس اختیاری ارائه شده در گرایش خود، دروس مورد علاقه و مرتبط با زمینه پژوهشی خود را انتخاب کنند.
  • سمینار: دانشجویان موظف به ارائه یک سمینار در زمینه تخصصی خود هستند.
  • پروژه: دانشجویان دوره پژوهش‌محور موظف به انجام یک پروژه تحقیقاتی تحت نظر استاد راهنما هستند.

نمونه آموزش هوش مصنوعی

انتخاب واحدهای جبرانی

  • در صورتی که دانشجو پیش‌نیازهای لازم برای برخی دروس را نداشته باشد، می‌تواند با تأیید گروه آموزشی، واحدهای جبرانی را اخذ نماید.
  • حداکثر تا پایان نیم‌سال اول، دانشجو باید واحدهای جبرانی مورد نیاز خود را انتخاب کند.
  • اخذ بیش از ۸ واحد جبرانی، ممکن است منجر به افزایش مدت زمان تحصیل شود.
  • حداقل نمره قبولی برای دروس جبرانی ۱۲ است.

تعیین موضوع پروژه و انتخاب استاد راهنما

  • دانشجویان دوره پژوهش‌محور باید تا پایان نیم‌سال دوم، موضوع پروژه خود را انتخاب کرده و استاد راهنما تعیین کنند.
  • پس از تصویب موضوع پروژه، استاد راهنما مسئولیت راهنمایی دانشجو در طول انجام پروژه را بر عهده خواهد داشت.

نکات مهم:

  • ساختار دقیق برنامه درسی، تعداد واحدهای هر درس و عناوین دروس، در جدول دروس ارائه شده در ابتدای دوره به تفصیل آمده است.
  • دانشجویان موظف هستند به طور مرتب در جلسات گروه آموزشی شرکت کرده و از آخرین تغییرات در برنامه درسی مطلع شوند.
  • برای کسب اطلاعات بیشتر، می‌توانند به استادان راهنما، مدیر گروه یا کارشناسان آموزشی مراجعه کنند.

دروس جبرانی ارشد هوش مصنوعی

جدول تعداد واحدها و مشخصات آنها در گرایش هوش مصنوعی

الف) دروس اصلی

اخذ حداقل ۴ درس (۱۲ واحد) از دروس جدول زیر ضروری است. (دانشجویان نمی‌توانند دروسی را که قبلاً در دوره کارشناسی گرفته‌اند دوباره اخذ نمایند.)

دروس اصلی ارشد هوش مصنوعیاز هر ردیف حداکثر یک درس به عنوان درس اصلی محاسبه می‌شود.

ب) دروس اختیاری

دروس اختیاری ارشد هوش مصنوعیپروژه مقطع کارشناسی ارشد هوش مصنوعی

  • جمع کل واحدها برای دانشجویان پژوهش‌محور: ۲۹ واحد = ۱۲ واحد اصلی + ۹ واحد اختیاری + ۲ واحد سمینار + ۶ واحد پروژه
  • جمع کل واحدها برای دانشجویان آموزش‌محور: ۳۲ واحد = ۱۲ واحد اصلی + ۱۸ واحد اختیاری + ۲ واحد سمینار

تبصره: اخذ همزمان دو درس «داده‌کاوی» و «یادگیری ماشین» در طول دوره مجاز نیست و در صورت اخذ هر دو درس توسط دانشجو، یکی از آن‌ها زائد محسوب می‌شود.

 

فارغ‌التحصیلان کارشناسی ارشد هوش مصنوعی با کسب مهارت‌های زیر، آماده ورود به بازار کار خواهند بود:

  • توسعه سیستم‌های هوشمند: طراحی و پیاده‌سازی ربات‌ها، سیستم‌های خودران، و ابزارهای خودکارسازی فرایندها برای افزایش بهره‌وری در صنایع مختلف.
  • ایجاد نوآوری در امنیت سایبری: توسعه سیستم‌های امنیتی هوشمند برای تشخیص و مقابله با تهدیدات سایبری، حفاظت از داده‌ها و تأمین امنیت زیرساخت‌های حیاتی.
  • تحلیل داده‌های پیچیده: استخراج اطلاعات ارزشمند از حجم عظیمی از داده‌ها برای تصمیم‌گیری بهتر در کسب‌وکارها و سازمان‌ها.
  • طراحی سیستم‌های توصیه‌گر: توسعه سیستم‌هایی که به کاربران محصولات و خدمات مورد علاقه‌شان را پیشنهاد می‌دهند، مانند سیستم‌های توصیه‌گر در پلتفرم‌های پخش فیلم و موسیقی.
  • پردازش زبان طبیعی: ساخت سیستم‌هایی که قادر به درک، تفسیر و تولید زبان طبیعی باشند، مانند چت‌بات‌ها و دستیارهای صوتی.
  • بینایی ماشین: توسعه سیستم‌هایی که بتوانند تصاویر و ویدیوها را تحلیل کرده و اطلاعات مفیدی از آن‌ها استخراج کنند، مانند سیستم‌های تشخیص چهره و پلاک‌خوان.
  • یادگیری ماشین: آموزش ماشین‌ها برای یادگیری از داده‌ها و بهبود عملکردشان بدون برنامه‌نویسی صریح.
  • تحقیقات پیشرفته: انجام پژوهش‌های نوآورانه در حوزه هوش مصنوعی و توسعه مرزهای دانش.

فارغ‌التحصیلان این رشته می‌توانند در این صنایع فعالیت کنند:

  • مهندس رباتیک: در طراحی و ساخت ربات‌های صنعتی، خدماتی و پزشکی فعالیت کنند.
  • مهندس یادگیری ماشین: الگوریتم‌های یادگیری ماشین را برای حل مسائل پیچیده توسعه دهند.
  • محقق هوش مصنوعی: در مرزهای دانش هوش مصنوعی پژوهش کنند و به کشف الگوریتم‌ها و روش‌های جدید بپردازند.
  • دانشمند داده: با تحلیل داده‌های بزرگ، بینش‌های ارزشمندی برای کسب‌وکارها ایجاد کنند.
  • مهندس امنیت سایبری: سیستم‌های امنیتی هوشمند را برای حفاظت از داده‌ها طراحی کنند.
  • فناوری اطلاعات
  • خودروسازی
  • پزشکی
  • مالی
  • صنایع دفاعی
  • و بسیاری صنایع دیگر

مشغول به کار شوند و در نقش‌هایی مانند:

  • مهندس هوش مصنوعی
  • تحلیلگر داده
  • توسعه‌دهنده نرم‌افزار
  • پژوهشگر

با تحصیل در گرایش هوش مصنوعی، شما به عضوی از جامعه‌ای پویا و رو به رشد تبدیل خواهید شد که در حال شکل‌دهی به آینده فناوری است.

حتما بخوانید: کاربرد هوش مصنوعی در پزشکی

بررسی دروس ارشد هوش مصنوعی

دروس کارشناسی ارشد هوش مصنوعی، طیف وسیعی از مباحث را پوشش می‌دهند که از مبانی نظری تا کاربردهای عملی هوش مصنوعی را شامل می‌شود. دانشجویان در این دوره با مباحثی همچون یادگیری ماشین، یادگیری ژرف، پردازش زبان های طبیعی، بینایی ماشین، هوش محاسباتی و … آشنا می‌شوند.

همچنین، با توجه به پیشرفت‌های سریع در این حوزه، دروس تخصصی و پروژه‌های تحقیقاتی به دانشجویان این امکان را می‌دهند تا با آخرین دستاوردهای علمی در زمینه هوش مصنوعی آشنا شده و در مرزهای دانش این حوزه فعالیت کنند.

درس: جبر خطی

Linear Algebra

شماره درس: ۴۰۲۸۲تعداد واحد: ۳
مقطع: کارشناسینوع درس: نظری
پیش‌نیاز: ریاضی عمومی ۲هم‌نیاز: –

اهداف درس

هدف از این درس، آشنایی دانش‌جویان با مفاهیم پایه‌ای نظری جبر خطی و همچنین نحوه‌ی استفاده و پیاده‌سازی آن‌ها در بستر نرم‌افزاری مناسب است. آشنایی با مفاهیم این درس امکان تحلیل نگاشت‌ها و سیستم‌های خطی از طریق ماتریس‌ها و اعمال، اپراتورها و مفاهیم تعریف شده مرتبط با آن‌ها را فراهم‌ می‌کند. همین طور مساله بهینه‌سازی به عنوان یکی از کاربردهای پراستفاده جبر خطی مورد بررسی قرار‌ می‌گیرد.

ریز مواد

  • فضاهای برداری
  • نگاشت خطی و ماتریس
    • فضای برداری نگاشت خطی
    • ساختار جبری نگاشت خطی
    • ماتریس و رنک
    • معکوس نگاشت خطی
    • دوگانی
    • دستگاه‌های خطی
    • حجم و دترمینان
  • چندجمله‌ای‌ها
    • صفرهای چندجمله‌ای
    • فاکتورگیری چندجمله‌ای در میدان‌های مختلط و حقیقی
  • مقادیر ویژه و بردارهای ویژه
    • زیرفضاهای ثابت
    • بردارهای ویژه و مقادیر ویژه
    • بردارهای ویژه‌ی مستقل خطی
    • فضاهای ویژه و قطری‌سازی ماتریس‌ها
  • فضاهای ضرب داخلی
    • ضرب داخلی و تعریف فاصله
    • پایه‌های متعامد
    • عملگرهای فضاهای ضرب داخلی
  • عملگرها و تجزیه
    • تجزیه‌ی قطبی
    • تجزیه‌ی مقدارهای منفرد
    • تجزیه‌ی چولسکی
    • تجزیه‌ی ال یو
    • تجزیه‌ی کیو آر
    • عملگرهای الحاقی
    • عملگرهای نرمال
    • عملگرهای یکانی و ایزومتری
    • عملگرهای مثبت

ارزیابی

  • تمرین‌‌ها: ۶ نمره
  • دو آزمون میان‌ترم: ۸ نمره
  • آزمون پایانی: ۶ نمره
  • آزمونک‌ها: ۱ نمره

مراجع

  1. Right Sheldon Axler. Linear Algebra. Springer, 2015.
  2. Gilbert Strang. Linear Algebra and Its Application. 4th Edition, Cengage Learning, 2006.
  3. David Clay. Linear Algebra and Its Application. 4th Edition, Pearson, 2011.

درس: آمار و احتمال مهندسی

Engineering Probability and Statistics

شماره درس: ۴۰۱۸۱تعداد واحد: ۳
مقطع: کارشناسینوع درس: نظری
پیش‌نیاز: ریاضی عمومی ۱هم‌نیاز: –

اهداف درس

هدف از این درس، آشنایی دانش‌جویان با مفاهیم بنیادین تئوری احتمال و استنتاج آماری و کاربردهای آن در مهندسی کامپیوتر، مانند مساله‌ی مدل‌سازی داده‌ها مانند رگرسیون، است. این مفاهیم شامل تفسیر و اصول موضوعه‌ی آمار، توابع توزیع احتمال تک و چندمتغیره، احتمال شرطی و استقلال آماری، متغیرهای تصادفی و متوسط گیری، توابع تعریف شده روی متغیرهای تصادفی، خانواده توزیع‌های نمایی، قضیه‌ی حد مرکزی و قانون اعداد بزرگ، و تست فرضیه می‌شود.

کتاب آمار و احتمال مهندسی

ریز مواد

  • تفسیرهای احتمال
  • اصول موضوعه‌ی احتمال
  • عملگرهای روی رخدادها
  • استقلال آماری، احتمال شرطی و قاعده بیز
  • متغیرهای تصادفی
  • امید ریاضی و خواص آن
  • ممان‌های مرتبه بالا و تابع مشخصه
  • توابع تعریف شده روی یک متغیر تصادفی
  • تابع توزیع احتمال مشترک (Joint Probability Distribution)
  • تابع چگالی و قانون بیز
  • توزیع پیشین مزدوج (Conjugate Prior Distribution)
  • خانواده‌ی نمایی (Exponential Family)
  • توزیع‌های خاص
  • ممان‌های مشترک (Joint Moments)
  • توابع تعریف شده روی دو یا چند متغیر تصادفی
  • قضیه‌ی حد مرکزی (Central Limit Theorem)
  • قانون اعداد بزرگ (Law of Large Numbers)
  • همگرایی در احتمال (Convergence in Probability)
  • تخمین‌گرهای بیشینه درست‌نمایی (Maximum Likelihood) و بیشینه احتمال پسین (Maximum a Posteriori Probability)
  • تخمین بیز (Bayes Estimation)
  • خصوصیات تخمین‌‌گرها
  • تست‌های آماری و تست فرضیه (Statistical and Hypothesis Tests)

ارزیابی

  • تمرین‌های نظری: ۴ نمره
  • آزمون‌‌ میان‌ترم ۱: ۴ نمره
  • آزمون میان‌ترم ۲: ۴ نمره
  • آزمون پایان‌ترم: ۶ نمره
  • آزمونک‌ها: ۲ نمره

مراجع

  1. A. Poppulis and S. Pillai. Probability, Random Variables and Stochastic Processes. 4th Edition, McGraw Hill, 2002 (Chapters 1 through 8).
  2. S. Ross. A First Course in Probability. 10th Edition, Prentice Hall, 2019.
  3. G. Casella and R. L. Berger. Statistical Inference. 2nd Edition, Wadsworth Press, 2002.

 

درس: طراحی الگوریتم‌ها

Design of Algorithms

شماره درس: ۴۰۳۵۴تعداد واحد: ۳
مقطع: کارشناسینوع درس: نظری
پیش‌نیاز: ساختمان داده‌ها و الگوریتم‌هاهم‌نیاز: –

اهداف درس

هدف از این درس، آشنایی دانش‌جویان با روش‌های متداول در طراحی الگوریتم‌های کارا برای مسائل مختلف است. در ارائه‌ی مطالب، بر تحلیل کارایی الگوریتم‌ها و اثبات درستی آن‌ها تأکید خواهد شد. همچنین، موضوعات مهمی از نظریه‌ی الگوریتم‌ها همچون پیچیدگی محاسباتی، شبکه‌های شار و الگوریتم‌های گراف در این درس ارائه خواهند شد.

کتاب طراحی الگوریتم

ریز مواد

  • مقدمات و مسائل نمونه (۲ جلسه)
    • حل‌پذیری، تحلیل الگوریتم‌ها، زمان‌های اجرا
    • بزرگ‌ترین زیردنباله‌ی متوالی، مسئله‌ی ۳-مجموع
  • الگوریتم‌های مبتنی بر استقرا (۱ جلسه)
    • ارزیابی چندجمله‌ای‌ها، نگاشت یک‌به‌یک، ستاره‌ی مشهور
  • تقسیم و حل (۲ جلسه)
    • محاسبه‌ی توان، محاسبه‌ی روابط بازگشتی، نزدیک‌ترین زوج نقاط
    • الگوریتم استراسن برای ضرب ماتریس‌ها، تبدیل سریع فوریه
  • الگوریتم‌های حریصانه (۳ جلسه)
    • خرد کردن پول، مسائل زمان‌بندی، کوله‌پشتی کسری
    • فشرده‌سازی: کدگذاری هافمن
    • تطابق پایدار، الگوریتم گیل-شاپلی، قضایای مرتبط
  • برنامه‌ریزی پویا (۴ جلسه)
    • اعداد فیبوناچی، زمان‌بندی بازه‌های وزن‌دار، خرد کردن پول
    • ضرب زنجیره‌ی ماتریس‌ها، کوله‌پشتی، تراز دنباله‌ها
    • بزرگ‌ترین زیردنباله‌ی مشترک، بزرگ‌ترین زیردنباله‌ی افزایشی
    • محاسبه‌ی مجموعه‌ی مستقل روی درخت، درخت دودویی جست‌وجوی بهینه
  • جست‌وجوی فضای حالت (۲ جلسه)
    • روش پس‌گرد، مسئله‌ی هشت وزیر، مجموع زیرمجموعه‌ها
    • انشعاب و حد، فروشنده‌ی دوره‌گرد، درخت بازی، هرس آلفا-بتا
  • الگوریتم‌های گراف (۳ جلسه)
    • درخت فراگیر کمینه: الگوریتم‌های کروسکال و پریم
    • هرم فیبوناچی، تحلیل سرشکن برای کاهش کلید
    • کوتاه‌ترین مسیر بین تمام رأس‌ها: الگوریتم‌های فلوید-وارشال و جانسون
  • تطابق رشته‌ها (۲ جلسه)
    • روش مبتنی بر اثر انگشت، الگوریتم رابین-کارپ
    • تطابق رشته به وسیله‌ی اتوماتا: الگوریتم کنوث-موریس-پرت
  • شبکه‌های شار (۳ جلسه)
    • شار بیشینه و برش کمینه: الگوریتم فورد-فالکرسن
    • بهبود الگوریتم فورد-فالکرسن، بهبودهای ادموندز و کارپ
    • گونه‌ها و کاربردها: تطابق در گراف دوبخشی، مسیرهای مجزا، گرد کردن ماتریس
  • برنامه‌ریزی خطی (۲ جلسه)
    • فرم استاندارد، مدل‌سازی مسائل با برنامه‌ریزی خطی
    • الگوریتم سیمپلکس برای حل برنامه‌ریزی خطی
  • پیچیدگی محاسبات (۳ جلسه)
    • کاهش چندجمله‌ای، مسائل صدق‌پذیری
    • رده‌ی ان‌پی، اثبات ان‌پی‌-تمام بودن یک مسئله، قضیه‌ی کوک
    • دور همیلتنی، رنگ‌آمیزی گراف، مجموع زیرمجموعه‌‌ها
  • الگوریتم‌های تقریبی (۲ جلسه)
    • پوشش راسی، فروشنده‌ی دوره‌گرد، سختی تقریب
    • طرح‌های تقریبی چندجمله‌ای، مسئله‌ی کوله‌پشتی

ارزیابی

  • سه تمرین نظری (۳ نمره)
  • سه تمرین برنامه‌نویسی (۳ نمره)
  • آزمون‌ میان‌ترم (۷ نمره)
  • آزمون پایانی (۷ نمره)
  • یک مسابقه به سبک ای‌سی‌ام (۱‌+ نمره)

مراجع

  1. J. Kleinberg and E. Tardos. Algorithm Design. Addison Wesley, 2005.
  2. T. Cormen, C. Leiserson, R. Riverst, and C. Stein. Introduction to Algorithms. 3rd Edition, MIT Press, 2009.
  3. U. Manber. Introduction to Algorithms: A Creative Approach. Addison-Wesley, 1989.
  4. G. Brassard, P. Bratley. Algorithmics: Theory and Practice. Prentice-Hall, 1988.

 

درس: هوش مصنوعی

Artificial Intelligence

شماره درس: ۴۰۴۱۷تعداد واحد: ۳
مقطع: کارشناسینوع درس: نظری
پیش‌نیاز: ساختمان داده‌ها و الگوریتم‌ها، آمار و احتمال مهندسیهم‌نیاز: –

اهداف درس

در این درس به معرفی جنبه‌های نظری و عملی هوش مصنوعی پرداخته میشود. هدف درس هوش مصنوعی معرفی تکنیک‌هایی برای تصمیم گیری به صورت بهینه یا نزدیک به بهینه (near-optimal) در مسائل و محیط‌های مختلف است. در این درس به مفاهیمی نظیر جست‌وجو، حل مساله، نمایش دانش (knowledge) و استنتاج (inference) خواهیم پرداخت.

همچنین جست‌وجو در محیط‌های غیرقطعی (uncertain)، نمایش دانش در این محیط‌ها و استنتاج احتمالاتی برای تصمیم گیری در این شرایط مطرح خواهد شد. به علاوه زمینه‌ی یادگیری ماشین مختصرا معرفی می‌شود. در نهایت آشنایی با تعدادی از حوزه‌های کاربردی هوش مصنوعی صورت خواهد گرفت.

کتاب هوش مصنوعی

ریز مواد

  • مقدمه‌ای بر هوش مصنوعی و تاریخچه‌ی آن
  • معرفی عامل‌های هوشمند
  • جست‌وجوی ناآگاهانه (uninformed)
    • جست‌وجوی اول-سطح (BFS) و جستجوی اول-عمق (DFS)
    • جست‌وجوی عمق بخشی تکراری (Iterative Deepening)
    • جست‌وجوی هزینه-یکنواخت (Uniform Cost Search)
  • جست‌وجوی آگاهانه (informed)
    • توابع ابتکاری قابل قبول (admissible) و سازگار (consistent)
    • جست‌وجوی اول بهترین حریصانه (greedy best first search)
    • الگوریتم *A و اثبات بهینگی
    • خودکارسازی تولید توابع ابتکاری
  • جست‌وجوی محلی (local)
    • تپه‌نوردی (hill-climbing)، شبیه‌سازی ذوب (simulated annealing)، جست‌وجوی شعاعی محلی (local beam search) و الگوریتم ژنتیک (genetic algorithm)
    • جستجوی محلی در فضای پیوسته: روش کاهش در راستای گرادیان (gradient descent)
  • مسائل ارضای محدودیت (Constraint Satisfaction Problems)
    • جست‌وجوی عقبگرد (backtrack)
    • استفاده از تکنیک‌هایی نظیر LCV، MRV، بررسی جلورو (Forward Checking) ‌، MAC، AC3
    • حل مسائل CSP با رویکرد جستجوی محلی
  • جستجوی مقابله‌ای (adversarial)
    • الگوریتم minimax و هرس آلفا-بتا
    • الگوریتم expectiminimax
  • فرایند تصمیم مارکوف (Markov Decision Process)
    • ارزیابی سیاست (policy evaluation) و بهبود (improvement) سیاست
    • روش تکرار ارزش (value iteration) و تکرار سیاست (policy iteration)
  • یادگیری تقویتی (reinforcement learning)
    • روش‌های مبتنی بر مدل (model-based)
    • یادگیری تفاضل زمانی (temporal difference) و الگوریتم Q-learning
  • منطق (logic)
    • منطق گزاره‌ای (propositional) و استنتاج (inference) در منطق گزاره‌ای (شامل روش رزولوشن (resolution))
    • منطق مرتبه اول (first-order) و استنتاج در منطق مرتبه اول
  • معرفی شبکه‌های بیزین (Bayesian Networks)
    • بازنمایی (representation) در شبکه‌های بیزین و استقلال (independency) در این شبکه‌ها
    • استنتاج در شبکه‌های بیزین: استنتاج دقیق و استنتاج تقریبی با استفاده از نمونه برداری
    • تخمین پارامترها در شبکه‌های بیزین
    • نمونه‌های معروف و کاربردی از شبکه‌های بیزین: مدل مارکوف، مدل مخفی مارکوف (Hidden Markov Model)، دسته‌بند بیز ساده (Naïve Bayes)
  • مقدمه‌ای بر یادگیری ماشین (Machine Learning)
    • مدل‌های خطی (linear models)
    • شبکه‌های عصبی (Neural Networks)
  • معرفی زمینه‌های کاربردی هوش مصنوعی
    • پردازش زبان طبیعی (Natural Language Processing)
    • بینایی ماشین (Computer Vision)
    • رباتیک (robotics)

ارزیابی

  • تمرین‌های نظری و عملی: ۶ نمره
  • آزمون میان ترم: ۵ نمره
  • آزمون پایان ترم: ۷ نمره
  • آزمونک‌ها: ۲ نمره

مراجع

  1. Stuart Russell and Peter Norvig. Artificial Intelligence: A Modern Approach. ​ 3rd Edition, 2009.

 

درس: سیگنال‌ها و سیستم‌ها

Signals and Systems

شماره درس: ۴۰۲۴۲تعداد واحد: ۳
مقطع: کارشناسینوع درس: نظری
پیش‌نیاز: مبانی مدارهای الکتریکی و الکترونیکیهم‌نیاز: –

اهداف درس

هدف از این درس، آشنایی دانش‌جویان با مدل‌سازی،‌ توصیف و آنالیز سیگنال‌ها و سیستم‌ها در دامنه‌های زمان و فرکانس از هر دو دیدگاه نظری و عملی است. تمرین‌های MATLAB علاوه بر تمرین‌های نظری برای تسلط عملی به مفاهیم مطرح می‌شوند.

کتاب سیگنال سیستم

ریز مواد

  • مقدمه
    • سیگنال‌های زمان‌گسسته و پیوسته
    • تبدیل‌ها (Transformation)
    • ویژگی‌ها و انواع سیگنال (periodic، even، odd و …)
    • ویژگی‌های انواع سیستم‌ها (بدون حافظه، علی، پایدار، خطی، ناوردا با زمان)
  • سیستم‌های خطی ناوردا با زمان Linear Time-Invariant LTI
    • جمع/انتگرال پیچشی (Convolution) زمان گسسته و پیوسته
    • پاسخ ضربه
    • معادلات خطی ضریب ثابت (LCCDE) برای توصیف سیستم‌ها و دیاگرام بلوکی آن‌ها
  • سری فوریه‌ی سیگنال‌های متناوب
    • پاسخ سیستم‌های LTI به توابع نمایی مختلط
    • نمایش سری فوریه‌ی سیگنال‌های متناوب زمان پیوسته و گسسته
    • ویژگی‌های سری فوریه (خطی بودن، جابجایی زمانی Time Shift، مقیاس کردن زمان و …)
    • ارتباط سری فوریه و سیستم‌های LTI : تابع سیستم (System Function) و پاسخ فرکانس (System Frequency)
  • تبدیل فوریه‌ی زمان پیوسته
    • تبدیل فوریه‌ی سیگنال‌های نامتناوب و متناوب
    • ویژگی‌های تبدیل فوریه زمان پیوسته (خطی بودن، جابجایی زمانی و …)
    • ضرب و ضرب پیچشی
    • سیستم‌های توصیف شده با LCCDE
  • تبدیل فوریه زمان گسسته
    • تبدیل فوریه زمان گسسته سیگنال‌های نامتناوب و متناوب
    • ویژگی‌های تبدیل فوریه زمان پیوسته (تناوبی بودن،‌ خطی بودن، جابجایی زمانی و …)
    • ضرب و ضرب پیچشی
    • سیستم‌های توصیف شده با LCCDE
  • توصیف زمان/فرکانس سیگنال‌ها و سیستم‌ها
    • فاز/اندازه‌ی تبدیل فوریه
    • فاز/اندازه‌ی پاسخ فرکانس
    • نمودارهای لگاریتم اندازه (Log Magnitude Plots)
    • نمودارهای بد (Bode)
    • فیلترهای ایده‌آل و غیر ایده‌آل
    • سیستم‌های مرتبه اول و دوم زمان پیوسته و گسسته
  • نمونه‌برداری
    • قضیه‌ی نمونه‌برداری
    • قطار ضربه
    • درون‌یابی
    • aliasing
  • تبدیل لاپلاس
    • ناحیه همگرایی
    • عکس تبدیل لاپلاس
    • نمودار قطب/صفر
    • ویژگی‌ها (خطی بودن، جابجایی زمانی و …)
    • مشتق‌گیری در زمان و در دامنه s
    • انتگرال‌گیری در زمان
    • قضیه مقدار اولیه و نهایی
    • علی و پایدار بودن
    • سیستم‌های توصیف شده با LCCDE
    • فیلتر butterworth
    • نمایش دیاگرام بلوکی
    • تبدیل لاپلاس یک‌بخشی
  • تبدیل z
    • ناحیه‌ی همگرایی
    • تبدیل معکوس z
    • نمودار قطب/صفر
    • ویژگی‌ها (خطی بودن، جابجایی در زمان و …)
    • قضیه مقدار اولیه
    • علی و پایدار بودن
    • سیستم‌های توصیف شده با LCCDE
    • نمایش دیاگرام بلوکی
    • تبدیل z یک‌بخشی

ارزیابی

  • تمرین: ۱۵٪
  • امتحان میان‌ترم: ۳۵٪
  • امتحان پایان‌ترم: ۵۰٪

مراجع

  1. Alan V. Oppenheim, Alan V. Willsky, and S. Hamid Nawab. Signals and Systems. 2nd Edition, Prentice Hall, 1996.

 

درس: برنامه‌ریزی در هوش مصنوعی

Planning in Artificial Intelligence

شماره درس: ۴۰۶۳۷تعداد واحد: ۳
مقطع: کارشناسی ارشدنوع درس: نظری
پیش‌نیاز: –هم‌نیاز: –

اهداف درس

برنامه ریزی هوشمند یکی از حوزه‌های مهم و پویای مبحث هوش مصنوعی است. این حوزه در موضوعات مختلفی به ویژه کنترل روبات و مسائلی که نیازمند استدلال در مورد کنشها هستند، کاربرد دارد. برنامه‌ریزی هوشمند در دو دهه اخیر پیشرفت‌های چشم‌گیری داشته است. در این درس طیف گسترده‌ای از روشهای کلاسیک، مدرن و ابتکاری برنامه‌ریزی پوشش داده می‌شود. همچنین مباحث پیشرفته برنامه‌ریزی از جمله مفهوم زمان و برنامه‌ریزی زمانی نیز معرفی می‌شود.

ریز مواد

  1. مقدمه و تاریخچه
  2. برنامه‌ریزی کلاسیک
    • مدل مفهومی برنامه‌ریزی
    • نمایش مسایل برنامه‌ریزی
    • پیچیدگی برنامه‌ریزی
    • برنامه‌ریزی مبتنی بر فضای حالات
    • برنامه‌ریزی مبتنی بر فضای برنامه
  3. برنامه‌ریزی کلاسیک مدرن (Neo Classic)
    • برنامه‌ریزی مبتنی بر تحلیل گراف
    • برنامه‌ریزی از طریق ارضاپذیری (Satisfiability)
  4. روشهای ابتکاری برنامه‌ریزی
    • استفاده از توابع ابتکاری
    • هرس فضا با قواعد کنترلی
    • برنامه‌ریزی سریع جلو رو
  5. برنامه‌ریزی سلسله‌مرتبی
  6. برنامه‌ریزی زمانی
  7. برنامه‌ریزی شرطی و غیر قطعی
  8. برنامه‌ریزی و اجرا
  9. برنامه‌ریزی بازگشتی
  10. فرابرنامه‌ریزی

ارزیابی

  • آزمون میان ترم ۳۵٪
  • آزمون پایان ترم ۳۵٪
  • پروژه عملی ۲۰٪
  • تمرینات و کوییزها ۱۰٪

مراجع

  1. M. Ghallab, D. Nau, and P. Traverso, Automated Planning: Theory and Practice, Morgan Kaufmann, 2004.
  2. S. Russel and P. Norvig, Artificial Intelligence: a Modern Approach, Prentice Hall, 2005.

 

درس: هوش مصنوعی پیشرفته

Advanced Artificial Intelligence

شماره درس: ۴۰۹۵۷.۱تعداد واحد: ۳
مقطع: کارشناسی ارشدنوع درس: نظری
پیش‌نیاز: –هم‌نیاز: –

اهداف درس

هدف از این درس تکمیل دانش ارایه شده در درس هوش مصنوعی دوره کارشناسی در حوزه هوش مصنوعی کلاسیک و مبتنی بر دیدگاه‌های تحلیلی برگرفته از نظریه‌های منطقی است. تاکید اصلی در این درس به ترتیب بر سه زمینه نمایش دانش (Knowledge Representation)، روش‌های خودکارسازی استدلال (Automated Reasoning) و برنامه‌سازی مقیدات (Constraint Programming) خواهد بود. در این راستا مجموعه‌ای از نظام‌های منطقی (مانند منطق مرتبه اول استاندارد، منطق‌های موجه و زمانی، منطق باور، منطق احتمالاتی و …) هم از دیدگاه دلالت شناختی و هم از دیدگاه نظام استدلالی ارایه و روش‌های موجود در خودکارسازی استدلال در چنین منطق‌هایی ارایه و حتی‌المقدور زبان‌های برنامه نویسی یا ابزارهای مناسب این حوزه معرفی خواهند شد.

همچنین به تناسب موضوعات، تاریخچه و برخی مسایل فلسفی مورد نیاز در فهم بهتر دلایل چنین تنوع بالایی در نظام‌های منطقی و استدلالی در هوش مصنوعی و همچنین برخی حوزه‌های کاربردی این مباحث مانند سیستم‌های پرسش و پاسخ خودکار یا سیستم‌های اثباتگر برنامه‌ها معرفی خواهند شد.

ریز مواد

  1. مقدمه
    • آشنایی با مفاهیم اصلی شامل مساله نمایش دانش و اهمیت و مشکلات آن، روش‌های استدلال و اهمیت خودکارسازی آن
    • تاریخچه و برخی دیدگاه‌ها و مسایل فلسفی مرتبط
    • مروری بر منطق گزاره‌ها، نظام استدلالی آن، مساله ارضاپذیری و حل کننده‌های آن (SAT Solvers)
  2. نمایش دانش و استدلال در منطق مرتبه اول (First-Order Logic – FOL)
    • نحو و دلالت شناسی منطق مرتبه اول
    • نظام استنتاج طبیعی، صحت و تمامیت منطق مرتبه اول
    • سیستمهای اثبات خودکار قضایا
    • استدلال مبتنی بر رزولوشن (Resolution)
    • استدلال مبتنی بر فرازهای هورن (Horn Clauses)
    • کنترل رویه‌ای در استدلال، سیستم‌های مبتنی بر قاعده و برنامه‌سازی منطقی
  3. روش‌های ساخت‌یافته و شی‌گرای نمایش دانش، منطق‌های توصیف (Description Logics)
    • اشیا و قاب‌ها
    • وابستگی‌های مفهومی، وراثت
    • گراف‌‌های مفهومی
    • منطق‌های توصیف
    • روش‌های استدلال مبتنی بر تابلو
    • مقدمه‌ای بر برنامه‌سازی بر محدودیت‌ها
  4. استدلال ناهمگن (Nonmonotonic Reasoning)
    • منطق پیش فرض (Default Logic)
    • منطق خودشناختی (Autoepistemic Logic)
  5. استدلال در حضور ابهام، عدم قطعیت و درجه‌بندی باور
    • منطق‌های باور (Belief Logics) و استدلال در آن‌ها
    • منطق احتمالاتی (Probabilistic Logic)
    • مدل‌های کیفی (Qualitative Models) و شبکه‌های بیز
    • منطق فازی (Fuzzy Logic)
  6. نمایش دانش و استدلال در دامنه‌های معنایی خاص
    • منطق‌های وجهی (Modal Logics)
    • منطق‌های زمانی (Temporal Logics)
    • منطق‌های فضایی (Spatial Logics)
    • منطق‌های مبتنی بر کردار (Action-Based Logics)
  7. برخی کاربردها در حوزه‌های مرتبط مانند سیستم‌های چندعاملی و سیستم‌های پرسش و پاسخ
  8. مروری بر رابطه متقابل منطق و نمایش دانش با نظریه بازی در مدل‌‌سازی و تحلیل سیستم‌های چندعاملی

ارزیابی

  • آزمون‌ میان‌ ترم (۵ نمره)
  • آزمون‌ پایان‌ ترم (۶ نمره)
  • تمرین (۲ نمره)
  • پروژه (پیاده سازی مبتنی بر زبان برنامه سازی یا ابزار) (۳ نمره)
  • مقاله‌ پژوهشی‌ و ارایه آن (۴ نمره)

مراجع

  1. R. J. Brachman and Hector J. Levesque (eds.), Knowledge Representation and Reasoning, Morgan Kaufman, 2004.
  2. F. van Harmelen, V. Lifschitz, B. Porter (eds.), Handbook of Knowledge Representation, Elsevier, 2008.

 

درس: پردازش تصویر

Image Processing

شماره درس: ۴۰۹۳۳تعداد واحد: ۳
مقطع: کارشناسی ارشدنوع درس: نظری
پیش‌نیاز: –هم‌نیاز: –

اهداف درس

اهداف ذیل در این درس پیگیری می‌شود: سیگنال‌ها و سیستم‌های دوبعدی، پردازش اتفاقی دوبعدی، درک و تشکیل تصویر، پردازش تصاویر رنگی، نمونه برداری و چندی‌سازی تصویر، تبدیل‌های تصویر، به‌سازی تصویر، پالایش و بازگردانی تصویر، تحلیل تصویر، فشرده‌سازی تصویر.

ریز مواد

  1. مقدمه
    • سیلابس
    • انگیزه‌ها
    • سرفصل‌های اصلی درس
  2. سامانه‌های دوبعدی و مقدمات ریاضی
    • سامانه‌های خطی و تغییرناپذیر با انتقال
    • تبدیل فوریه
    • تئوری ماتریس
    • سیگنال‌های اتفاقی
    • میدان‌های اتفاقی گسسته
    • تئوری تخمین و اطلاعات
  3. درک تصویر
    • نور، روشنائی، و تباین MTF
    • سامانه دیداری
    • معیارهای سنجش تصویر
  4. نمونه‌برداری و چندی‌سازی تصویر
    • تئوری نمونه‌برداری دوبعدی
    • چندی‌سازی تصویر
    • چندی‌ساز Lloyd-Max
    • طراحی Compandor
  5. تبدیل‌های تصویر
    • تبدیل‌های متعامد و پایه‌های دوبعدی
    • خواص پایه‌های تبدیل
    • تبدیل‌های تصویر
  6. به‌سازی تصویر
    • عملیات نقطه‌ای
    • مدل‌سازی هیستوگرام
    • عملیات مکانی
    • عملیات تبدیل
    • به‌سازی چندبعدی
    • روشهای مبتنی بر تئوری فازی
  7. پالایش و بازگردانی تصویر
    • مدل‌های مشاهده تصویر
    • پالایش معکوس و وینر
    • پالایش در میدان فرکانس
  8. آشنایی با مفاهیم تحلیل تصویر
    • استخراج ویژگی‌های مکانی
    • ویژگی‌های تبدیل
    • آشکارسازی لبه
    • استخراج و نمایش مرز
    • نمایش بخش
    • نمایش گشتاور
    • پالایش ریخت‌شناسی
    • ویژگی‌های شکل
    • بخش‌بندی تصویر
    • دسته‌بندی تصویر
  9. ‌ پردازش تصاویر رنگی
    • معرفی مدل‌های رنگ
    • نمایش رنگ
    • رنگ نادرست و شبه رنگ
    • تبدیل‌ها در مدل‌های رنگ
    • مشتق گیری در تصاویر رنگی
    • نویز در تصاویر رنگی
    • به¬سازی تصاویر رنگی
  10. فشرده‌سازی داده تصویر
    • بنیان‌های فشرده‌سازی داده
    • فشرده‌سازی پیکسل
    • روش‌های پیش‌بینانه
    • فشرده‌سازی در فضای تبدیل
    • فشرده‌سازی آنتروپی هافمن
    • فشرده‌سازی آنتروپی حسابی
    • فشرده‌سازهای استاندارد

ارزیابی

  • پایان‌ترم: ۸ نمره
  • میان‌ترم: ۳ نمره
  • کوئیزها: ۲ نمره
  • تمارین نوشتاری و برنامه‌نویسی: ۳ نمره
  • پروژه نهایی: ۳ نمره
  • گزارش پروژه: ۰.۵ نمره
  • ارایه پروژه: ۰.۵ نمره

مراجع

  1. Fundamentals of Digital Image Processing, by Anil K. Jain, Prentice Hall, 1989.
  2. Computer Imaging: Digital Image Analysis and Processing, by Scott E. Umbaugh, CRC Press, 2005.
  3. A Study Guide for Digital Image Processing, by Mark J. T. Smith and Alen Docef, Scientific Publishers, 1999.
  4. Digital Image Processing, by Rafael C. Gonzalez & Richard E. Woods, Addison-Wesley, 3rd edition, 2008.
  5. Digital Image Processing using Matlab, by Rafael C. Gonzalez, Richard E. Woods, & Stevev L. Eddins, Prentice-Hall, 1st edition, 2003.
  6. A Wavelet Tour on Signal Processing, by Stephane Mallat, Academic Press, 2nd edition, 1999.
  7. Wavelets and Subband Coding, by Martine Vetterli & Jelena Kovacevic, Prentice Hall, 1995.
  8. Probability, Random Variables, & Stochastic Processes, by Athanasios Papoulis, McGraw-Hill, 1991.
  9. Probability, Random Variables, & Random Signal Principles, by Peyton Z. Peebles, JR., McGraw-Hill, 3rd Edition, 1993.

 

درس: پردازش علائم دیجیتال

Digital Signal Processing

شماره درس: ۴۰۷۶۳تعداد واحد: ۳
مقطع: کارشناسی ارشدنوع درس: نظری
پیش‌نیاز: سیگنال‌ها و سیستم‌هاهم‌نیاز: –

اهداف درس

هدف از این درس، آشنایی دانش‌جویان با روش‌های تحلیل علائم دیجیتال و طراحی فیلترهای مختلف است.

ریز مواد

  1. مروری بر پردازش سیگنالها و سیستمهای پیوسته خطی
    • روش های فوریه
    • تبدیل لاپلاس
    • همگرایی
    • پردازش دامنه فرکانس / زمان
  2. سیستم ها و سیگنالهای گسسته
    • سیگنال های زمانی گسسته
    • رشته های خاص
    • سیستمهای خطی تغییر ناپذیر با زمان (LTI)
    • پایداری و سببیت
    • پاسخ ضربه
    • معادلات تفاضلی با ضرایب ثابت
  3. تبدیل فوریه گسسته در زمان (DTFT)
    • تعریف و خواص تبدیل DTFT
    • پاسخ فرکانسی سیستم های خطی و تغییر ناپذیر با زمان
  4. تبدیل Z
    • تبدیل Z با جمع توالی های چپ، راست و دو طرفه
    • خصوصیات همگرایی و تبدیل Z
    • معکوس تبدیل Z
    • پایداری و سببیت از دیدگاه تبدیل Z
  5. فیلترهای دیجیتال
    • فیلتر میانگیر
    • فیلتر نرم کننده بازگشتی
    • فیلتر ناچ درجه یک
    • تشدید کننده مرتبه دوم
    • فیلترهای تمام گذر
    • فیلترهای شانه‌ای
    • فیلترهای متعادل‌کننده
    • تأخیر گروهی
    • فیلترهای با فاز خطی
    • فیلترهای با فازحداقل
  6. نمونه‌برداری
    • نمونه برداری از سیگنالهای پیوسته: قضیه نمونه برداری
    • تداخل فرکانسی
    • نمونه برداری مجدد از سیگنال های دیجیتال
    • مبدل پیوسته و گسسته
    • مبدل گسسته به پیوسته
    • تجزیه پلی فاز
    • نمونه برداری باند پهن
  7. تبدیل فوریه گسسته DFT
    • تعریف DFT و ارتباط آن با تبدیل Z
    • ویژگی ها و خواص تبدیل DFT
    • کانولوشن خطی و حلقوی با استفاده از DFT
    • نشت طیفی، وضوح و پنجره در DFT
  8. تبدیل سریع فوریه FFT
    • الگوریتمهای پیاده سازی FFT
    • اثرات پنجره کردن
    • کاربردها FFT: کانولوشن – (روش همپوشانی و افزودن، روش صرفه جویی)، همبستگی
    • فرآیندهای تصادفی، تخمین چگالی طیفی قدرت (PSD)
  9. طراحی فیلترهای با پاسخ به ضربه محدود (FIR)
    • تکنیک های مبتنی بر پنجره
    • تکنیک مبتنی بر پنجره قیصر
    • روشهای مبتنی بر تقریب های Equiripple
  10. طراحی فیلترهای با پاسخ به ضربه نامحدود (IIR)
    • روش مبتنی بر تبدیل دو خطی
    • مثالهایی از روش تبدیل دو خطی
  11. ساختارها و خصوصیات فیلترهای FIR و IIR
    • تحقق مستقیم ، موازی و سری فیلترهای IIR
    • تحقق مستقیم و سری فیلترهای FIR
    • اثرات کوانتیزه کردن ضرایب فیلترهای دیجیتال
  12. پردازش سیگنال آماری
    • پیش بینی خطی
    • فیلترهای تطبیقی (LMS)

ارزیابی

  1. تمرین: ۲۰ درصد
  2. میان‌ترم: ۳۰ درصد
  3. پایان‌ترم: ۵۰ درصد

مراجع

  1. Oppenheim, Alan V., Ronald W. Schafer, and John R. Buck. Discrete-Time Signal Processing. 2nd ed. Upper Saddle River, NJ: Prentice Hall, 1999.
  2. Proakis, John G., and Dmitris K. Manolakis. Digital Signal Processing. 4th ed. Upper Saddle River, NJ: Prentice Hall, 2006.

 

درس: پردازش گفتار

Speech Processing

شماره درس: ۴۰۹۶۷تعداد واحد: ۳
مقطع: کارشناسی ارشدنوع درس: نظری
پیش‌نیاز: –هم‌نیاز: –

اهداف درس

هدف این درس آشنایی دانشجویان کارشناسی ارشد و دکترا با مفاهیم مطرح در پردازش گفتار و کاربردهای مختلف آن و نیز روش‌های پایه و روش‌های جدید در هریک از زمینه‌های کاربردی است. در ابتدا مروری بر مفاهیم و تعاریف مربوط به پردازش علائم دیجیتال و نیز آمار و احتمال مهندسی انجام می‌گیرد. سپس ساختار تکلمی و شنوایی انسان و مباحث آواشناسی تکلمی و آواشناسی صوتی آموزش داده می‌شود.

همچنین مدل پیشگویی خطی ارائه می‌شود. سپس کاربردهای مطرح در پردازش گفتار شامل فشرده‌سازی و کدینگ گفتار براساس شکل موج و نیز وکدرها، روش‌های سنتز گفتار، معیارهای ارزیابی کیفیت سیگنال گفتاری و نیز اصول بازشناسی گفتار و روش‌های آن در کلاس بحث می‌شود.

ریز مواد

  1. مروری بر مفاهیم پردازش سیگنال: بررسی زمان-فرکانس، تبدیل فوریه زمان کوتاه
  2. مروری بر احتمال و فرآیندهای تصادفی
  3. ساختار تکلمی و ساختار شنوایی انسان
  4. آواشناسی و واج‌شناسی
    • بررسی واج‌های زبان انگلیسی
    • بررسی واج‌های زبان فارسی
  5. طیف‌نگار گفتار و نحوه خواندن آن
  6. مدل پیشگویی خطی
  7. فشرده سازی و کدکردن گفتار
    • کدگذاری شکل موج : PCM, DPCM, ADPCM، DM
    • وکدرها: وکدر کانال، وکدر فاز، وکدر فرمنت، LPC10، RELP، MPLPC ، CELP، VSELP، MELP، MBE
  8. مدل پنهان مارکوف و حل مسائل سه‌گانه آن
    • روش آموزش باوم-ولش
    • الگوریتم ویتربی
  9. سنتز گفتار
    • انواع سنتز گفتار، انتخاب واحدهای آوایی
    • روش‌های الحاقی، روش انتخاب واحد
    • مدل Klatt
    • سنتز مبتنی بر مدل پنهان مارکوف
    • سنتز مبتنی بر شبکه‌های ژرف
  10. ارزیابی کیفیت گفتار
    • روش‌های ذهنی و عینی، کیفیت و قابلیت فهم گفتار،
    • DRT، MRT، MOS، DAM، AI، SNR، Itakura، PESQ
  11. بازشناسی گفتار
    • تعاریف، رویکردها، دسته‌بندی سامانه‌های بازشناسی
    • نظریه‌های مطرح در بازشناسی گفتار
    • مدل زبانی، مدل آکوستیکی

ارزیابی

  • تکالیف تئوری و عملی: ۲۰٪
  • کوییزها: ۱۵٪
  • پروژه درسی: ۱۰٪
  • امتحان نیم‌ترم: ۲۵٪
  • امتحان پایان ترم: ۳۰٪

مراجع

  1. Spoken language processing, Huang, Acero, Hon, 2001.
  2. Introduction to Digital Speech Processing, Lawrence R. Rabiner and Ronald W. Schafer, 2007.
  3. Discrete time processing of speech Signals, Deller,Proakis,Hansen, 1993.

 

درس: پردازش زبان‌های طبیعی

Natural Language Processing

شماره درس: ۴۰۶۷۷تعداد واحد: ۳
مقطع: کارشناسی ارشدنوع درس: نظری
پیش‌نیاز: –هم‌نیاز: –

اهداف درس

پردازش زبان طبیعی یکی از شاخه‌های بسیار مهم در پردازش زبان طبیعی به حساب می‌آید. هدف این علم ایجاد یک راه تعامل میان انسان و ماشین از طریق زبان طبیعی انسانی است. در این درس بنا داریم با مفاهیم پردازش زبان طبیعی آشنا شده و روش‌های پایه در حل مسایل موجود در آن را معرفی کنیم. همچنین تا حدی در مورد روشهای به روز در حل مسائل نیز صحبت خواهیم کرد.

ریز مواد

  1. معرفی درس و اهداف آن (۱ جلسه)
    • معرفی با کلیات درس، سیلابس آن و آنچه در درس پوشش داده میشود
  2. آشنایی با پردازش زبان طبیعی (۱ جلسه)
    • معرفی پردازش زبان طبیعی، تاریخچه مختصر، مسائل مختلف موجود در آن و چالش‌های آن
  3. روش‌های پیش‌پردازش متن (۲ جلسه)
    • عبارات منظم، توکنایزر، نرمالسازی، تشخیص ریشه و لما، تشخیص مرز جملات، نحوه محاسبه فاصله با MED
  4. مدل‌های زبانی (۲ جلسه)
    • روش‌های پایه در مدل‌سازی زبانی، ان‌گرام‌ها، perplexity، smoothing
  5. روش‌های پایه در دسته‌بندی مستندات متنی (۳ جلسه)
    • مفهوم دسته‌بندی، نحوه استخراج ویژگی از متن، چند دسته‌بند ساده، معرفی مدل لاجستیک رگرسیون برای دسته‌بندی، تعمیم مدل لاجستیک رگرسیون به شبکه عصبی
  6. روش‌های پایه در خوشه‌بندی مستندات متنی (۲ جلسه)
    • مفهوم خوشه‌بندی و روش‌های پایه k-means و mixture models
  7. بازنمایی کلمات (۴ جلسه)
  8. آشنایی با روش‌های مختلف بازنمایی کلمات: روش‌های پایه‌ای، روش‌های مبتنی بر جبر خطی، روش‌های مبتنی بر شبکه عصبی، چالش‌های مختلف در بازنمایی کلمات و راه‌های حل آن‌ها، بازنمایی‌های مبتنی بر بافت (معرفی ساده)
  9. ترجمه ماشینی (۴ جلسه)
    • معرفی مدل‌های سنتی ترجمه ماشینی، مدل‌هایIBM، مدل‌های مبتنی بر عبارات
  10. شبکه‌های عصبی بازگشتی و مدل مبتنی بر توجه (۳ جلسه)
    • معرفی ساختار شبکه‌های عصبی بازگشتی ساده و ساختارهای معروف مثل LSTM و GRU، معرفی مدل‌های روز ترجمه ماشینی، معرفی مدل توجه
  11. مساله تجزیه در پردازش زبان (۳ جلسه)
    • آشنایی با انواع تجزیه‌های معنایی و نحوی
    • معرفی مدل‌های پایه برای حل مسئله تجزیه
  12. مسائل کاربردی دیگر در پردازش زبان طبیعی (۳ جلسه)
    • معرفی مسایل دیگر در حوزه پردازش زبان طبیعی مانند استخراج اطلاعات، خلاصه‌سازی، برچسب‌زنی ادات سخن و …

ارزیابی

  • تمرین‌های عملی و سمینار پایانی: ۳۰٪
  • آزمون‌‌ میان‌ترم: ۲۰٪
  • آزمون پایانی: ۳۰٪
  • پروژه پایانی: ۲۰٪

مراجع

  1. Dan Jurafsky and James H. Martin. Speech and Language Processing (3rd ed. Draft), 2023
  2. Manning and Schuetze, Foundations of Statistical Natural Language Processing, 1999
  3. Yoav Goldberg. A Primer on Neural Network Models for Natural Language Processing, 2015
  4. Ian Goodfellow, Yoshua Bengio, and Aaron Courville. Deep Learning, 2016

 

درس: فرآیندهای تصادفی

Stochastic Processes

شماره درس: ۴۰۶۹۵تعداد واحد: ۳
مقطع: کارشناسی ارشدنوع درس: نظری
پیش‌نیاز: –هم‌نیاز: –

اهداف درس

هدف از این درس، آشنایی دانش‌جویان با مدل‌های تصادفی اندیس شده با زمان یا مکان است. به صورت دقیق‌تر، توصیف و استنتاج بر اساس این مدل‌ها و همینطور تخمین پارامترهای ناشناخته از جمله اهداف این درس است.

ریز مواد

  1. پیشگفتار
  2. مروری بر نظریه احتمالات
    • اصول موضوعه احتمالات
    • وقایع و آزمایش‌های مستقل
    • متغیرهای تصادفی
    • امیدریاضی
    • گشتاورهای یک متغیر تصادفی
    • امیدریاضی شرطی
    • تابع مولد گشتاور
    • نامساوی‌های پایه در نظریه احتمال: نامساوی‌های مارکف، چبیشف و چرنف
    • قوانین اعداد بزرگ
    • قضیه حد مرکزی
    • انواع همگرایی‌های متغیرهای تصادفی
  3. فرایندهای تصادفی (مفاهیم اصلی)
    • مفاهیم پایه و تعاریف مقدماتی فرایندهای تصادفی
    • خواص آماری فرایندهای تصادفی
    • فرایندهای تصادفی ایستا (Stationary Stochastic Processes)
    • فرایندهای تصادفی متناوب با معیار Mean Square
    • چند مثال برای فرایندهای ایستا: فرایندهای iid، فرایند برنولی، نویز سفید
    • Ergodicity
    • بررسی سیستم‌ها با ورودی تصادفی
    • طیف توان (Power Spectrum)
  4. فرایند پواسن
    • معرفی فرایندهای arrival و renewal
    • خاصیت بدون حافظه بودن یک متغیر تصادفی
    • خواص stationary increment و independent increment فرایند پواسن
    • تابع چگالی احتمال Sn و تابع چگالی احتمال مشترک
    • تابع جرمی احتمال متغیر تصادفی
    • چند نکته درباره توزیع پواسن
    • تعاریف دیگری برای فرایند پواسن
    • ترکیب کردن و انشعاب کردن فراینده‌های پواسن
  5. بردارهای گاوسی و فرایندهای گاوسی
    • متغیر تصادفی گاوسی
    • بردارهای تصادفی گاوسی
    • فرایندهای تصادفی گاوسی
    • چند مثال از فرایندهای گاوسی گسسته-زمان
    • قضیه‌ای در مورد ایستایی فرایندهای تصادفی گاوسی
  6. زنجیره‌های مارکف متناهی-حالت
    • تعریف زنجیره مارکف
    • نمایش‌های مختلف زنجیره مارکف
    • دسته‌بندی حالت‌های مختلف یک زنجیره مارکف
    • نمایش ماتریسی
    • حالت پایدار یک زنجیره مارکف
    • حالت پایدار با فرض P>0
    • حالت پایدار برای زنجیره‌های ارگودیک
    • حالت پایدار برای ergodic unichains
    • حالت پایدار برای زنجیره‌های مارکف متناهی‌حالت دلخواه
  7. تئوری تخمین
    • مقدمه
    • اصل کفایت (The Sufficiency Principle) و آمار کافی (Sufficient Statistic)
    • قضیه factorisation
    • آمار کافی کمین (Minimal Sufficient Statistics)
    • اصل likelihood
  8. تخمینگرهای نقطه‌ای
    • مقدمه
    • روش‌های یافتن تخمینگرها
    • روش گشتاورها
    • تخمینگرهای بیشینه likelihood
    • تخمینگرهای بیز
    • روش‌هایی برای ارزیابی تخمینگرها
    • خطای میانگین مربع
    • بهترین تخمینگر بدون بایاس
    • کران Cramer-Rao
    • اطلاعات فیشر
    • کفایت و بدون بایاس بودن
    • قضیه Rao-Blackwell

ارزیابی

  1. تمرین: ۲۰ درصد
  2. میان‌ترم: ۳۰ درصد
  3. پایان‌ترم: ۵۰ درصد

مراجع

  1. Athanasios Papoulis and S. Unnikrishna Pillai. Probability, Random Variables and Stochastic Processes. McGraw-Hill Europe, 4th edition, 2002.
  2. Robert G. Gallager. Stochastic Processes: Theory for Applications. Cambridge University Press, 1st edition, 2014.
  3. George Casella and Roger L. Berger. Statistical Inference. Wadsworth Press, 2nd edition, 2001.

 

درس: بهینه‌سازی محدب

Convex Optimization

شماره درس: ۴۰۸۳۷تعداد واحد: ۳
مقطع: کارشناسی ارشدنوع درس: نظری
پیش‌نیاز: –هم‌نیاز: –

اهداف درس

هدف از این درس، آشنایی دانش‌جویان با مفاهیم بهینه‌سازی محدب، الگوریتم‌ها، و کاربردهای آن است.

ریز مواد

  1. مجموعه‌های محدب (Convex Set)
    • مجموعه‌های محدب و آفین (Affine and Convex Sets)
    • عملیاتی که تحدب را حفظ می‌کند
  2. توابع محدب
    • خواص مقدماتی
    • عمیاتی که تحدب را حفظ می‌کنند
    • توابع مزدوج (Conjugate Functions)
    • توابع شبه‌محدب (Quasiconvex Functions)
  3. مسایل بهینه‌سازی محدب
    • مسایل بهینه‌سازی در حالت کلی
    • بهینه‌سازی محدب
    • مسایل بهینه‌سازی خطی
    • مسایل بهینه‌سازی درجه دوم
  4. دوگانگی (Duality)
    • تابع دوگان لاگرانژ
    • مسئله دوگان لاگرانژ
    • تعبیر هندسی و تعبیر نقطه زینی (Geometric and Saddle-point Interpretations)
    • شرایط بهینگی (Optimality Conditions and KKT conditions)
    • اختلال و تحلیل حساسیت (Perturbation and Sensitivity Analysis)
  5. الگوریتم‌های بهینه‌سازی نامقید
    • مسایل بهینه‌سازی نامقید
    • الگوریتم‌های کاهشی (Descent Algorithms)
    • الگوریتم کاهشی گرادیان (Gradient Descent Algorithm)
    • الگوریتم کاهش با تندترین شیب (Steepest Descent Algorithm)
    • الگوریتم نیوتون (Newton’s Method)
  6. الگوریتم‌های بهینه‌سازی با قیود تساوی
    • مسایل بهینه‌سازی با قیود تساوی
    • روش نیوتون با قیود تساوی
  7. الگوریتم‌های بهینه‌سازی با قیود نامساوی (روش‌های نقطه درونی، Interior-point Methods)
    • مسایل بهینه‌سازی با قیود نامساوی
    • تابع سد لگاریتمی و مسیر مرکزی (Logarithmic Barrier Function and Central Path)
    • روش سد (Barrier Method)
    • امکان‌پذیری و روش‌های فاز یک (Feasibility and Phase I Methods)
    • روش‌های نقطه درونی اولیه-دوگان (Primal-Dual Interior-point Methods)
  8. کاربردها (Applications)
    • رگرسیون خطی، رگرسیون لجستیکی
    • ماشین بردار پشتیبان
    • مسایل بهینه‌سازی رنک-پایین ((low-rank optimization problems (e.g., Netflix, video security)
    • اینترنت به عنوان یک مسئله بهینه‌سازی محدب
  9. بهینه‌سازی تصادفی (Stochastic Optimization)
    • تعریف کلی یک مساله‌ی بهینه‌سازی تصادفی
    • انواع قیود در بهینه‌سازی تصادفی
    • مسایل بهینه‌سازی تصادفی نوع یک و دو (Type I & Type II Stochastic Optimization Problems)
    • الگوریتم کاهشی گرادیان تصادفی (Stochastic Gradient Descent Algorithm)
    • الگوریتم‌های بهینه‌سازی تصادفی موازی و توزیع‌شده (Parallel and Distributed Stochastic Optimization Algorithms)

ارزیابی

  1. تمرین: ۲۰ درصد
  2. میان‌ترم: ۳۰ درصد
  3. پایان‌ترم: ۵۰ درصد

مراجع

  1. Stephen Boyd and Lieven Vandenberghe. Convex optimization. Cambridge university press, 2004.
  2. Jorge Nocedal and Stephen Wright. Numerical optimization. Springer Series in Operations Research and Financial Engineering, 2nd edition, 2006.
  3. Convex Optimization taught by Ryan Tibshirani at CMU from 2013 to 2019.

 

درس: یادگیری ژرف

Deep learning

شماره درس: ۴۰۷۱۹تعداد واحد: ۳
مقطع: کارشناسی ارشدنوع درس: نظری
پیش‌نیاز: –هم‌نیاز: –

اهداف درس

این درس به حوزه‌ای از یادگیری ماشین تحت عنوان یادگیری ژرف که در سال‌های اخیر بسیار موردتوجه قرار گرفته و به عملکرد چشم‌گیری در بسیاری از کاربردها دست‌یافته است خواهد پرداخت. در طول این درس ابتدا مفاهیم اولیه، نظیر شبکه‌های عصبی چندلایه، قدرت مدلسازی این شبکه‌ها و نحوه‌ی آموزش آن‌ها بحث می‌شود. سپس آشنایی با معماری‌های اصلی نظیر شبکه‌های CNN و RNN صورت خواهد گرفت.

همچنین پیشرفت‌هایی که در طراحی، بهینه‌سازی، بهبود تعمیم‌پذیری و نحوه‌ی آموزش شبکه‌ها در حوزه یادگیری ژرف صورت گرفته است معرفی می‌شود. مدل‌های مولد نیز به عنوان یکی از شاخه‌های مهم مورد بررسی قرار خواهند گرفت. به‌علاوه به تعدادی از شبکه‌های ژرف معروف که طی سال‌های اخیر معرفی شده‌اند، اشاره خواهد شد. در طول درس به کاربردهای مهم شبکه‌های معرفی شده به خصوص در زمینه‌های بینایی ماشین و پردازش زبان طبیعی اشاره خواهد شد.

ریز مواد

  1. مقدمه و معرفی شبکه‌های عصبی مصنوعی
  2. پرسپترون چند لایه (Multi-layer Perceptron)
    • MLP به عنوان تقریب‌زننده عمومی (Universal approximator)
  3. الگوریتم انتشار رو به عقب‌ خطا (Error back propagation)
  4. بهینه‌سازی در شبکه‌های ژرف
    • مروری بر بهینه‌سازی محدب
    • معرفی انواع روشهای SGD، Momentum، RMS Prop، Adams و …
  5. تکنیک‌هایی در آموزش، طراحی و تعمیم‌پذیری شبکه‌های ژرف
    • معرفی تکنیک‌های بهبود تعمیم‌پذیری نظیر regularization، dropout، data augmentation
    • هنجارسازی بسته‌ای (Batch Normalization)
    • انتخاب توابع فعالیت (activation function)، مقداردهی اولیه وزنها، هنجارسازی ورودی و …
  6. شبکه‌های عصبی کانولوشنی (Convolutional Neural Networks)
    • لایه‌های convolution و pooling
    • معماریهای معروف شبکه‌های CNN
    • کاربردهای مختلف شبکه‌های CNN
  7. شبکه‌های عصبی بازگردنده (Recurrent Neural Networks)
    • مدل‌سازی دنباله‌ها
    • حافظه‌های بلند کوتاه مدت (Long Short Term Memories)
    • شبکه‌های توجه (Attention Networks)
    • مدل‌سازی زبانی (Language Modeling) با استفاده از شبکه‌های RNN
    • کاربرد‌های دیگر شبکه‌های RNN در زمینه‌های مختلف نظیر پردازش زبان طبیعی (Natural Language Processing)
  8. معماری تبدیل کننده (Transformer)
  9. شبکه‌های جمع-ضرب (Product-Sum)
  10. مدل‌های مولد (Generative Models)
    • مدلهای Autoregressive
    • خودکدگذار وردشی (Variational)
    • شبکه‌های مولد حریفانه (Generative Adversarial Networks)
    • مدل‌های مولد مبتنی بر جریان (Flow based)
  11. یادگیری تقویتی ژرف (Deep Reinforcement Learning)
    • یادگیری تقویتی ژرف با استفاده از توابع Q (Q function)
    • رویکرد گرادیان سیاست (Policy Gradient)
    • رویکرد بازیگر-نقاد (Actor Critic)
  12. نمونه‌های خصمانه (Adversarial)‌ و مقاومت شبکه‌های ژرف به نمونه‌های خصمانه
  13. مباحث پیشرفته
    • شبکه‌های دوگان و یادگیری دوگان (Dual Learning)
    • شبکه‌های کانولوشن گرافی
    • یادگیری خودنظارتی (Self-supervised)

ارزیابی

  • تمرین: ۳۰٪
  • میان‌ترم: ۲۰٪
  • پایان‌ترم: ۳۰٪
  • آزمون‌های کوتاه: ۱۰٪
  • پروژه یا کار تحقیقاتی: ۱۰٪

مراجع

  1. Ian Goodfellow, Yoshua Bengio and Aaron Courville, Deep Learning, Book in preparation for MIT Press, 2016.
  2. Michael Nielsen, Neural networks and deep learning, Preprint, 2016.

 

درس: یادگیری ماشین

Machine Learning

شماره درس: ۴۰۷۱۷تعداد واحد: ۳
مقطع: کارشناسی ارشدنوع درس: نظری
پیش‌نیاز: هوش مصنوعی، جبر خطیهم‌نیاز: –

اهداف درس

در این درس مفاهیم یادگیری ماشین مطرح شده و آشنایی با شاخه‌های مختلف این زمینه صورت گرفته و جنبه‌های مهم عملی و نظری آن معرفی خواهد شد. در شاخه‌های مختلف تکنیک‌ها و الگوریتم‌های مهم بحث می‌شود. در حوزه‌ی یادگیری با ناظر، مسائل رگرسیون و دسته‌بندی مورد بررسی قرار خواهند گرفت و روش‌های حل این مسائل و ارزیابی مدل‌ها معرفی خواهد شد.

برای مساله دسته‌بندی انواع دیدگاه‌ها و الگوریتم‌های مربوطه مطرح می‌شود. در بخش یادگیری بدون ناظر در مورد تخمین چگالی، کاهش ابعاد بدون‌ناظر و خوشه‌بندی صحبت خواهد شد. در نهایت آشنایی مختصری با شاخه‌ی یادگیری تقویتی صورت خواهد گرفت.

ریز مواد

  1. مقدمه‌ای بر یادگیری ماشین و مرور مباحث احتمال و جبرخطی (۱ جلسه)
  2. روش‌های تخمین ML و MAP (۱ جلسه)
  3. رگرسیون (۳ جلسه)
    • رگرسیون خطی و غیرخطی
    • بیش‌برازش (overfitting)
    • تجزیه‌ی خطا به بایاس (bias)، واریانس (variance) و نویز
    • منظم‌سازی (regularization)
    • رگرسیون آماری (statistical): ارتباط توابع هدف مبتنی بر SSE با تخمین‌های احتمالی ML و MAP برای مساله‌ی رگرسیون
  4. ارزیابی (evaluation) و تنظیم کردن مدل‌ها (۱ تا ۲ جلسه)
    • اعتبارسنجی (validation)
    • اعتبارسنجی متقابل (Cross-validation)
    • انتخاب مدل (model selection)
    • انتخاب ویژگی (feature selection)
  5. دسته‌بندی (classification)
    • دسته‌بندهای احتمالی (probabilistic classifiers) (سه جلسه)
    • تئوری تصمیم (decision theory) و دسته‌بند بهینه بیز (Bayes optimal classifier)
    • دسته‌بندی احتمالی جداساز (discriminative) و مولد (generative)
    • Logistic regression دو دسته‌ای و چند دسته‌ای (multi-class) و بیز ساده (Naïve Bayes)
  6. دسته‌بندی با استفاده از توابع جداسازی (discriminant functions) (شش جلسه)
    • پرسپترون (Perceptron)
    • جداساز خطی فیشر (Fisher)
    • ماشین بردار پشتیبان (SVM) و هسته (kernel)
    • شبکه‌های عصبی (neural networks)
  7. درخت تصمیم (Decision Tree) (یک جلسه)
    • آنتروپی و بهره اطلاعاتی (Information Gain)
    • الگوریتم ID-3
    • توقف رشد و هرس درخت تصمیم
  8. روش‌های یادگیری مبتنی بر نمونه (instance-based) (دو جلسه)
    • تخمین چگالی غیر پارامتری (Non-parametric density estimation)
    • دسته‌بند k-نزدیکترین همسایه (k-Nearest Neighbors)
    • رگرسیون خطی وزن‌دار محلی (Locally Weighted Linear Regression)
  9. تئوری یادگیری محاسباتی (۲ جلسه)
    • PAC-learning
    • VC dimension
    • کمینه‌سازی ریسک ساختاری (structural risk minimization)
  10. یادگیری جمعی (ensemble learning) (دو جلسه)
    • Boosting و Bagging
    • AdaBoost
  11. کاهش ابعاد (dimensionality reduction) بدون ناظر (۲ جلسه)
    • تحلیل مولفه اصلی (PCA)
    • تحلیل مولفه مستقل (ICA)
  12. خوشه‌بندی (clustering) (سه جلسه)
    • روش‌های افرازی (EM+GMM، k-means: (partitional
    • روش‌های سلسله مراتبی (hierarchical)
  13. یادگیری تقویتی (reinforcement learning) (دو جلسه)
    • فرایند تصمیم مارکوف (MDP)
    • روش‌های یادگیری مبتنی بر مدل (model-based)
    • روش تکرار مقدار (value iteration) و تکرار سیاست (policy iteration)
    • روش‌های یادگیری بی مدل (model-free)
    • الگوریتم‌های SARSA، Q-learning، تفاضل زمانی (Temporal Difference)
  14. مباحث پیشرفته در یادگیری ماشین

ارزیابی

  • تمرین: ۲۰٪
  • میان‌ترم: ۲۵٪
  • پایان‌ترم: ۳۵٪
  • امتحان‌های کوتاه: ۱۰٪
  • پروژه: ۱۰٪

مراجع

  1. C. Bishop. Pattern Recognition and Machine Learning. Springer, 2006.
  2. T. Mitchell. Machine Learning. MIT Press, 1998.
  3. K. Murphy. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.
  4. T. Hastie, R. Tibshirani, and J. Friedman. The elements of statistical learning. 2nd Edition, 2008.

 

درس: نظریه اطلاعات و کدینگ

Information Theory and Coding

شماره درس: ۴۰۶۷۶تعداد واحد: ۳
مقطع: کارشناسی ارشدنوع درس: نظری
پیش‌نیاز: –هم‌نیاز: –

اهداف درس

هدف از این درس،‌آشنایی دانشجویان با نظریه و مفهوم اطلاعات و آنتروپی و همچنین آشنایی با انواع روشهای فشرده‌سازی اطلاعات و روشهای کدینگ اطلاعات است.

ریز مواد

  1. مفهوم اطلاعات و انتروپی
    • آنتروپی
    • اطلاعات متقابل
    • نامساوی‌های اطلاعات متقابل
    • AEP
  2. الگوریتم‌های فشرده‌سازی منبع
    • نامساوی کرفت
    • کد هافمن
    • کد اریتمتیک
    • کد لمپل -زیف
    • کد کردن اعداد طبیعی
  3. فشرده‌سازی چند منبعی
    • روش اسلپین و ولف
  4. آمار و تئوری اطلاعات
    • روش نوعی
    • فشرده‌سازی جهانی
    • قضیه سانوف
    • آزمون فرض
  5. ظرفیت کانال
    • مفهوم ظرفیت کانال
    • اثبات وجود کد برای نرخهای کمتر از ظرفیت
    • اثبات عدم وجود کد برای نرخهای بالاتر از ظرفیت
  6. کدینگ‌های خطی
    • کد همینگ
    • کد رید و سولمون
    • کد کانولوشنال
    • کد LDPC
  7. تئوری اطلاعات و یادگیری ماشین

ارزیابی

  1. تمرین: ۲۰ درصد
  2. میان‌ترم: ۳۰ درصد
  3. پایان‌ترم: ۵۰ درصد

مراجع

  1. MacKay, David JC. Information theory, inference, and learning algorithms. Vol. 7. Cambridge: Cambridge university press, 2003.
  2. Cover, Thomas M., and Joy A. Thomas. Elements of information theory. John Wiley & Sons, 2012.

 

درس: یادگیری ماشین آماری

Statistical Machine Learning

شماره درس: ۴۰۷۲۹تعداد واحد: ۳
مقطع: کارشناسی ارشدنوع درس: نظری
پیش‌نیاز: یادگیری ماشینهم‌نیاز: –

اهداف درس

هدف اصلی این درس آشنا کردن دانشجویان تحصیلات تکمیلی با مباحث جدید و مسیرهای تحقیقاتی در زمینه یادگیری ماشین آماری می‌باشد. برخی از موضوعات پیشرفته در یادگیری ماشین آماری از جمله مدل‌ها و استنتاج بیزی ناپارامتریک، فرآیندهای نقطه‌ای، یادگیری ماشین تفسیرپذیر، و تحلیل کلان داده‌ها را بر مبنای روش‌های کلاسیک و مدل‌های یادگیری ژرف پوشش می‌دهد. از دانشجویان انتظار می‌رود که پس از ارائه مطالب توسط استاد، مقالات تحقیقاتی جدید را تحلیل کرده و ارائه دهند، در بحث های علمی کلاس و آزمونک‌های هفتگی شرکت کنند و یک پروژه تحقیقاتی را انجام دهند.

ریز مواد

  1. مقدمه و معرفی کلی درس
  2. مدل‌ها و استنتاج بیزی ناپارامتریک (NPB)
  3. یادگیری ژرف و مدل‌های بیزی ناپارامتریک
  4. فرآیندهای گاوسی
  5. یادگیری ژرف و فرآیندهای گاوسی
  6. فرآیند دریکله
  7. یادگیری ژرف و مدل‌های مخلوط دریکله
  8. فرآیند بوفه هندی
  9. یادگیری ژرف و مدل‌های بوفه هندی
  10. فرآیند نقطه‌ای
  11. یادگیری ژرف و مدل‌های فرآیند نقطه‌ای
  12. تحلیل کلان داده‌ها
  13. یادگیری ژرف و تحلیل کلان داده‌ها
  14. شبکه‌های ژرف گرافی
  15. شبکه‌های ژرف گرافی پویا
  16. شبکه‌های ژرف مقاوم
  17. یادگیری ماشین آماری تفسیرپذیر

ارزیابی

  • پروژه: ۵ نمره
  • ارائه مقاله: ۴ نمره
  • آزمون‌‌ پایانی: ۶ نمره
  • آزمونک‌ها: ۵ نمره

مراجع

  1. P. Orbanz, Lecture Notes on Bayesian Nonparametrics, 2014.
  2. Carl E. Rasmussen, Christopher K. I. Williams, Gaussian Processes for Machine Learning, the MIT Press, 2006.
  3. Jakob Gulddahl Rasmussen, Aspects of temporal and spatio-temporal processes, PhD Thesis, Department of Mathematical Science, Aalborg University, 2006.

 

درس: نظریه یادگیری ماشین

Machine Learning Theory

شماره درس: ۴۰۷۱۸تعداد واحد: ۳
مقطع: کارشناسی ارشدنوع درس: نظری
پیش‌نیاز: –هم‌نیاز: –

اهداف درس

هدف از این درس، آشنایی دانش‌جویان با مفاهیم نظری الگوریتم‌های یادگیری ماشین و تحلیل الگوریتم‌ها است. تاکید این درس بیشتر روی روش‌های آماری محاسباتی متمرکز‌ می‌شود. تلاش‌ می‌شود در درس به پرسش‌های زیر پاسخ داده شود. آیا‌ می‌توان الگوریتم یادگیری را طراحی نمود که کران کارایی آن قابل اثبات باشد؟ چگونه‌ می‌توان الگوریتم یادگیری طراحی کرد که خواص ویژه‌ای داشته باشد.

ریز مواد

  1. مقدمه و مدل رسمی یادگیری (۱ جلسه)
  2. مدل‌های یادگیری و محاسبه کران خطا (۴ جلسه)
    • یادگیری در مدل سازگاری
    • یادگیری در مدل احتمالا تقریبا درست و یادگیری به کمک همگرایی یکنواخت
    • یادگیری در مدل احتمالا تقریبا درست بدون پیش فرض
    • یادگیرهای عمومی
    • تحلیل الگوریتم‌های کمینه سازی خطای تجربی
  3. معیار‌های محاسبه غنای فضای فرضیه و محاسبه کران خطا (۲ جلسه)
    • تابع رشد، بعد VC و اعداد پوششی
    • پیچیدگی راداماخر
  4. انتخاب مدل (۲ جلسه)
  5. یادگیری نایکنواخت و تحلیل الگوریتم‌های کمینه سازی خطای ساختاری مانند توصیف با کمترین طول (۲ جلسه)
  6. روش‌های منظم سازی و پایداری الگوریتم‌های یادگیری (۱ جلسه)
  7. پیچیدگی محاسباتی الگوریتم‌های یادگیری (۲ جلسه)
  8. الگوریتم‌های یادگیری برخط (۴ جلسه)
  9. الگوریتم‌های یادگیری رتبه بندی (۲ جلسه)
  10. الگوریتم‌های یادگیری فعال (۱ جلسه)
  11. نظریه PAC-Bayesian (یک جلسه)
  12. مبانی نظری خوشه بندی (۱ جلسه)
  13. مسایل یادگیری محدب (۲ جلسه)
  14. تحلیل الگوریتم‌های یادگیری (۷ جلسه)
    • تحلیل الگوریتم ماشین بردار پشتیبان
    • تحلیل الگوریتم‌های مبتنی بر هسته
    • تحلیل الگوریتم‌های بوستینگ
    • تحلیل الگوریتم‌های رگرسیون

ارزیابی

  • تمرین‌های نظری: ۴ نمره
  • آزمون‌‌های میان‌ترم و پایانی: ۱۲ نمره
  • آزمونک‌ها: ۲ نمره
  • ارائه مقاله و پروژه: ۲ نمره

مراجع

  1. M. Mohri, A. Rostamizadeh, and A. Talwalkar. Foundations of Machine Learning. second edition, MIT Press, 2018.
  2. S. Shalev-Shwartz and S. Ben-David. Understanding Machine Learning : From Theory to Algorithms. Cambridge University Press, 2014.

 

درس: مدل‌های گرافی احتمالی

Probabilistic Graphical Models

شماره درس: ۴۰۷۶۸تعداد واحد: ۳
مقطع: کارشناسی ارشدنوع درس: نظری
پیش‌نیاز: –هم‌نیاز: –

اهداف درس

مدل‌های گرافی احتمالی، چارچوب محاسباتی کلی برای استنتاج و یادگیری در شرایط نایقینی (uncertainty) فراهم می‌آورند. در این مدل‌ها برای نمایش وابستگی‌های شرطی بین متغیرهای تصادفی از یک گراف استفاده شده و توزیع توام مجموعه‌ی متغیرهای تصادفی از این طریق مشخص می‌شود.

در این درس، برای معرفی مدل‌های گرافی احتمالی سه جنبه‌ موردتوجه قرار می‌گیرد: بازنمایی در این مدل‌ها (شبکه‌های بیزین و میدان‌های تصادفی مارکوف)؛ یادگیری (پارامترها و ساختار) این مدل‌ها از روی داده‌ها؛ انجام استنتاج (با روش‌های دقیق و تقریبی) جهت استفاده از مدل‌های گرافی احتمالی برای تصمیم‌گیری در شرایط نایقینی. در شروع این درس لازم است دانشجویان آشنایی با مباحث آمار و احتمال و همچنین مقدمات یادگیری ماشین داشته باشند.

ریز مواد

  1. معرفی مدل‌های گرافی (برای نمایش دانش احتمالی)
    • مدل‌های گرافی جهت‌دار: شبکه‌ی بیزین (Bayesian Networks)
    • مدل‌های گرافی بدون جهت‌: میدان‌های تصادفی مارکوف (Markov Random Fields)
    • دیدگاهی واحد برای مدل‌های گرافی جهت‌دار و بدون‌جهت
  2. استنتاج دقیق در مدل‌های گرافی
    • الگوریتم حذف متغیر (Variable Elimination)
    • انتشار اعتقاد (Belief Propagation) یا انتقال پیام (Message Passing)
    • گراف‌های عامل (Factor Graphs) و الگوریتم جمع-ضرب (Product-Sum)
    • تخمین MAP: الگوریتم بیشینه-ضرب (Product-Max)
    • الگوریتم درخت اتصال (Junction Tree)
  3. یادگیری مدل‌های گرافی
    • یادگیری مدل‌های جهت‌دار کاملاً مشاهده شده
    • یادگیری مدل‌های بدون‌جهت کاملاً مشاهده شده
    • الگوریتم EM برای یادگیری مدل‌های گرافی نیمه مشاهده شده
    • یادگیری ساختار مدل‌های گرافی
  4. مدل‌های گرافی مشهور
    • خانواده نمایی (Exponential Family)
    • مدل‌های گرافی گاوسی
    • مدل‌های Ising (یا MRF دوبه‌دو)
    • میدان تصادفی شرطی (CRF)
    • مدل‌های زمانی و مدل‌های حالت-فضا
    • مدل مخفی مارکوف (HMM)
    • سامانه‌ خطی پویا (LDS)
    • فیلتر کالمن (Kalman Filter)
  5. استنتاج تقریبی رویکرد قطعی
    • انتشار اعتقاد حلقه‌ای (Loopy Belief Propagation)
    • استنتاج وردشی (Variational Inference)
    • تقریب میدان میانگین (Mean-Field)
    • تخمین چگالی مفروض
    • روش‌های وردشی ساختاردار (structured)
  6. استنتاج تقریبی رویکرد تصادفی
    • نمونه‌برداری رد (Rejection Sampling)
    • نمونه‌برداری اهمیت (Importance Sampling)
    • زنجیره‌ی مارکوف مونت کارلو (MCMC)
    • الگوریتم متروپلیس-هیستینگز (Metropolis Hastings)
    • نمونه‌برداری گیبس (Gibbs)

ارزیابی

  • تمرین: ۱۵٪
  • میان‌ترم: ۳۰٪
  • پایان‌ترم: ۴۰٪
  • پروژه یا کار تحقیقاتی: ۱۵٪

مراجع

  1. D. Koller and N. Friedman. Probabilistic Graphical Models: Principles and Techniques. MIT Press, 2009.
  2. M. Wainwright and M.I. Jordan. Graphical Models, Exponential Families, and Variational Inference. Foundations and Trends in Machine Learning, vol. 1, pp. 1-305, 2008.
  3. M.I. Jordan. An Introduction to Probabilistic Graphical Models. In preparation.
  4. C.M. Bishop. Pattern Recognition and Machine Learning. Springer, 2006.
  5. K.P. Murphy. Machine Learning: A Probabilistic Perspective. MIT Press, 2012.

 

درس: یادگیری تقویتی

Reinforcement Learning

شماره درس: ۴۰۹۵۷.۲تعداد واحد: ۳
مقطع: کارشناسی ارشدنوع درس: نظری
پیش‌نیاز: یادگیری ژرفهم‌نیاز: –

اهداف درس

امروزه در طیف وسیعی از مسائل در دنیای واقعی امکان ارائه بازخورد لحظه‌ای و جزئی برای آموزش عامل‌های هوشمند وجود ندارد. رویکرد متداول در این حالات یادگیری تقویتی است. از جمله چالش‌های این حوزه، تنک بودن بازخوردها، زمان و تعداد نمونه‌های بالای مورد نیاز برای آموزش این عامل‌ها، بعد بالای مشاهدات دریافت شده از محیط، و همینطور تطبیق‌پذیری سریع با محیط‌های جدید است. در این درس این موارد را مورد بررسی قرار می‌دهیم.

ریز مواد

  1. مفهوم Multi-armed Bandits
  2. مدل‌های تصمیم مارکف محدود ‌MDP و POMDP
  3. معادلات Bellman، ارزیابی سیاست و بهبود آن
    • برنامه‌ریزی پویا
    • تکرار سیاست
    • تکرار ارزش
    • بهبود سیاست
  4. روش‌های Monte Carlo
    • پیش‌بینی
    • کنترل
    • نمونه‌برداری وزن‌دار (Importance Sampling)
  5. یادگیری اختلاف زمانی (Temporal Difference)
    • یادگیری on-policy و off-policy
    • روش Q-Learning
    • روش SARSA
  6. یادگیری تقویتی معکوس
  7. یادگیری تقلیدی
  8. روش‌های Bootstrap با n گام و لامبدا TD
  9. روش‌های تخمین
    • روش Deep Q-Learning
    • روش Deep Double Q-Learning
  10. روش Policy Gradient
    • روش‌های کاهش واریانس گرادیان
    • الگوریتم REINFORCE
  11. روش‌های نوین بهینه‌سازی
    • روش ناحیه مطمئن TRPO
    • روش بهینه‌سازی سیاست مبدائی PPO
  12. روش‌های نوین Off-Policy
    • روش DDPG
    • روش ‌‌Soft Actor Critic یا SAC
  13. روش‌های مبتنی بر مدل
    • روش‌های برنامه‌ریزی
    • روش Model Predictive Control
    • روش‌ بهینه‌سازی مبتنی بر Cross-entropy
    • درخت جستجوی Monte Carlo
    • روش Backpropagation Through Time
    • روش‌های مبتنی بر Ensemble
  14. یادگیری تقویتی در بینایی ماشین
  15. روش‌های یادگیری نمایش
    • روش CURL
  16. روش‌های فرایادگیری (Meta Learning)
    • روش MAML
    • روش PEARL
    • روش CaDM
    • روش MetaCURE
  17. شکل‌دهی به سود (Reward Shaping)
  18. روش‌های ناتنیده کردن اکتشاف و بهره‌برداری
  19. روش‌های چند عاملی

ارزیابی

  • تمرین‌ها: ۳۵ درصد
  • ارائه مقاله: ۱۰ درصد
  • امتحان کوتاه: ۱۰ درصد
  • امتحان میان‌ ترم: ۲۰ درصد
  • امتحان پایان‌ ترم: ۲۵ درصد

مراجع

  1. Richard S. Sutton, Andrew G. Barto. Reinforcement Learning. 2nd Edition, MIT Press, 2020.
  2. Alexander Zai, Brandon Brown. Deep Reinforcement Learning in Action. Manning, 2020.

 

درس: یادگیری ماشین پیشرفته

Advanced Machine Learning

شماره درس: ۴۰۹۵۹تعداد واحد: ۳
مقطع: کارشناسی ارشدنوع درس: نظری
پیش‌نیاز: –هم‌نیاز: –

اهداف درس

در سال‌های اخیر روش‌های یادگیری ماشین در کاربردهای مختلف به موفقیت‌های چشم‌گیری دست یافته‌اند. این روش‌ها غالبا برای یک وظیفه (task) که در خصوص آن آموزش دیده‌اند تخصصی می‌شوند و با آن‌چه که در خصوص یادگیری در هوش عمومی مصنوعی (Artificial General Intelligence) انتظار می‌رود فاصله زیادی دارند.

در چند سال اخیر حوزه‌های انتقال یادگیری (transfer learning)، یادگیری چندوظیفه‌ای (multi-task)، متایادگیری (meta-learning)، یادگیری مستمر (continual) برای کم کردن این فاصله مورد توجه جدی قرار گرفته است. در این درس دانشجویان توانایی درک و پیاده‌سازی روش‌های یادگیری مذکور را پیدا خواهند کرد.

ریز مواد

  1. مقدمه و معرفی کلی درس
  2. انتقال یادگیری و یادگیری چندوظیفه‌ای
  3. متایادگیری
    • متایادگیری جعبه سیاه
    • متایادگیری مبتنی بر بهینه‌سازی
    • یادگیری چند-نمونه‌ای (few-shot) از طریق یادگیری متر (metric)
    • ساخت وظیفه (task construction)
  4. یادگیری تقویتی چندوظیفه‌ای و متایادگیری تقویتی
    • مقدمه ای بر یادگیری تقویتی و یادگیری تقویتی ژرف
    • انواع روشهای یادگیری تقویتی
    • یادگیری تقویتی چندوظیفه‌ای و یادگیری تقویتی شرطی شده با هدف (goal conditioned)
    • یادگیری تقویتی مبتنی بر مدل (model-based)
    • متایادگیری تقویتی و مدلها و سیاستهای قابل تطبیق (adaptable)
    • متایادگیری تقویتی و یادگیری کاوش (exploration)
    • متایادگیری تقویتی برون خط (offline)
    • یادگیری تقویتی سلسله‌مراتبی (hierarchical)
  5. نگاه احتمالاتی
    • مدلسازی و استنتاج احتمالاتی
    • متایادگیری بیزی (Bayesian)
    • رویکرد احتمالاتی به یادگیری تقویتی و متایادگیری تقویتی
  6. یادگیری مستمر (continual) و تمام‌عمر
    • انتقال جلورو (forward) و عقب‌رو (backward) مثبت و منفی
    • روشهای مبتنی بر بازپخش (replay) نظیر روشهای تمرینی (rehearsal)
    • روشهای مبتنی بر منظم‌سازی (regularization)
    • روشهای انزوای پارامتری (parameter isolation)
    • سناریوهای یادگیری مستمر و محک‌ها (benchmarks)
    • رویکرد بیزی در یادگیری مستمر
  7. مباحث پیشرفته در متایادگیری و یادگیری مستمر
  8. متایادگیری و یادگیری مستمر در علوم اعصاب
  9. تعمیم‌پذیری خارج از توزیع (out-of-distribution)
  10. تاثیر ساختار و نحوه بازنمایی در بهبود تعمیم‌پذیری: ماژولاریتی (modularity) و علیت (causality)

ارزیابی

  • تمرین‌ و پروژه: ۴۵ درصد
  • آزمون‌‌ میان‌ترم : ۲۰ درصد
  • آزمون پایان‌ترم: ۲۵ درصد
  • ارائه مقاله : ۱۰ درصد

مراجع

  • Lan Zou. Meta Learning: Theory, Algorithms and Applications. Academic Press, 2023.
  • Aske Plaat. Deep Reinforcement Learning. Springer, 2022.

 

درس: مباحث پیشرفته در یادگیری ژرف

Advanced Topics in Deep Learning

شماره درس: ۴۰۹۵۹.۲تعداد واحد: ۳
مقطع: کارشناسی ارشدنوع درس: نظری
پیش‌نیاز: یادگیری ژرفهم‌نیاز: –

اهداف درس

با پیشرفت زمینه یادگیری ژرف و گسترش کاربردهای آن در حوزه‌های مختلف، در چند سال اخیر بهبودهای متعددی در معماری‌ها و رویکردهای یادگیری ایجاد شده است. در این درس از یک جهت معماری‌های اخیر مورد بررسی قرار خواهند گرفت و شبکه‌های مرزدانش در تعدادی از کاربردهای مهم معرفی خواهد شد. از سمت دیگر رویکردهای مختلف یادگیری و چگونگی به کارگیری موثر در مدل‌های ژرف بحث خواهد شد و مواردی نظیر یادگیری بازنمایی در شرایط نظارتی مختلف و انواع تعمیم‌پذیری بحث خواهد شد.

ریز مواد

  1. مقدمه (۱ جلسه)
  2. مباحث نظری در یادگیری ژرف (۲ جلسه)
    • بهینه‌سازی در یادگیری ژرف
    • تعمیم‌پذیری در شبکه‌های ژرف
  3. شبکه‌های عصبی بیزی (Bayesian) و استنتاج (۳ جلسه)
    • شبکه‌های عصبی تصادفی (stochastic)
    • شبکه‌های عصبی بیزی
    • روش‌های استنتاج بیزی
  4. شبکه‌های مولد (generative) (سه جلسه)
    • انواع شبکه‌های GAN
    • انواع شبکه‌های VAE
    • شبکه‌های مبتنی بر جریان (flow-based)
  5. شبکه‌های مبدل (Transformer) (دو جلسه)
    • Transformer
    • انواع BERT و GPT
    • شبکه‌های مبتنی بر Transformer در حوزه تصویر
  6. شبکه‌های عصبی گرافی (۲ جلسه)
    • فیلتر گرافی
    • شبکه‌های گرافی پیچشی (GCNs)
    • GraphSAGE
    • شبکه توجه گرافی (GAT)
  7. تقطیر دانش (knowledge distillation) (یک جلسه)
  8. شبکه‌های ژرف برای یادگیری چندوظیفه‌ای (multi-task) (یک جلسه)
  9. یادگیری شباهت (similarity) ژرف (۱ جلسه)
  10. خوشه‌بندی ژرف (۱ جلسه)
    • ODC، Deep Cluster و …
  11. یادگیری خودنظارتی (self-supervised) (دو جلسه)
    • وظایف pretext
    • یادگیری خودنظارتی چندوجهی (multi-modal)
    • یادگیری تمایزی (contrastive) و بانک حافظه، کدگذار تکانه‌ای (momentum encoder)
    • شبکه‌هایی نظیر SimCLR و SWaV
  12. یادگیری نیمه-نظارتی ژرف (semi-supervised) (یک جلسه)
    • رویکرد مبتنی بر سازگاری (consistency)
    • رویکرد مبتنی بر یادگیری تمایزی (contrastive)
    • داده‌افزایی (data augmentation)
  13. مدل‌های ژرف در ایجاد تعمیم‌پذیری فراتر از معمول (۲ جلسه)
    • تطبیق دامنه (domain adaptation)
    • تعمیم دامنه (domain generalization)
    • تعمیم‌پذیری خارج از دامنه (Out-of-Domain)
  14. معماری عصبی (neural architecture) (دو جلسه)
    • جستجوی معماری عصبی
    • هرس شبکه (network pruning)
    • شبکه‌های تنک (sparse)
  15. سخت‌افزارها و سیستم‌ها برای مدل‌های ژرف (یک جلسه)
    • CPU در برابر GPU در برابر سخت‌افزارهای اختصاصی برای مدل‌های ژرف
    • پردازش سری، پردازش موازی و پردازش توزیع شده
    • تسریع (speed up)
    • فشرده‌سازی مدل (model compression)
  16. بصری‌سازی (visualization) و تفسیرپذیری (interpretability) شبکه‌های ژرف (۲ جلسه)
  17. شبکه‌های مرز دانش در حوزه‌های بینایی ماشین، پردازش زبان طبیعی و پردازش گفتار (۲ جلسه)
  18. مباحث پیشرفته (۱ جلسه)
    • به‌کارگیری ساختارهای پیمانه‌ای (modular)، ارتباطات تنک (sparse) و بازنمایی علی (causal representation)

ارزیابی

  • تمرین‌: ۲۰٪
  • میان‌ترم: ۲۰٪
  • پایان‌ترم: ۲۰٪
  • پروژه و کار تحقیقاتی: ۴۰٪

مراجع

  • Simon J.D. Prince. Understanding Deep Learning. MIT Press, 2023.

 

درس: نظریه‌ الگوریتمی بازی‌ها

Algorithmic Game Theory

شماره درس: ۴۰۸۳۵تعداد واحد: ۳
مقطع: کارشناسی ارشدنوع درس: نظری
پیش‌نیاز: –هم‌نیاز: –

اهداف درس

نظریه بازی‌ها کاربردهای وسیعی در بسیاری از حوزه‌ها دارد که مهم‌ترین آن‌ها حوزه‌های اقتصادی، کسب‌وکار، و علوم اجتماعی است. به طور کلی در نظریه بازی‌ها با سیستم‌هایی شامل عامل‌های هوشمند و خودخواه سروکار داریم که هر کدام از آن‌ها بنا به مصالح خویش وضعیت سیستم را تغییر می‌دهند. نظریه بازی‌ها ابزار تحلیل این‌گونه از سیستم‌ها را در اختیار ما قرار می‌دهد و کمک می‌کند تا بتوانیم آن‌ها را به شیوه‌ای درست و منطقی کنترل کنیم.

با توجه به رشد بازارهای دیجیتال و گسترده‌‌تر‌شدن و بزرگ‌شدن سیستم‌های کاربردی چندعامله با عامل‌های هوشمند، نیاز به توسعه روش‌ها و الگو‌های محاسباتی و الگوریتمی بیشتر و بیشتر شده است. در بسیاری از موارد بدون این روش‌ها امکان تحلیل و طراحی استراتژی‌های کارا وجود ندارد. هدف از این درس آشنایی با این روش‌ها و الگوریتم‌هاست که با توجه به ماهیت آن، در اصل کاربرد برخی تئوری‌های اصیل علوم کامپیوتر در این حوزه است.

ریز مواد

  • آشنایی با مقدمات نظریه بازی‌ها – یادآوری (۸ جلسه)
  • محاسبه نقاط تعادل و مسائل مربوطه (۶ جلسه)
    • بازی‌های صفرجمع دونفره (Zero-sum Games)‌ و قضیه MinMax
    • بازی‌های صفرجمع چندنفره
    • قضیه نش (Nash Theorem)‌،‌ لم اسپرنر (Sperner’s Lemma) و قضیه بروور (Brouwer’s Theorem)
    • الگوریتم لمکه هاوسون (Lemke Howson Algorithm)
    • مسائل جستجوی تام (Total Search Problems) و کلاس‌های پیچیدگی PPAD، PPP، PPA، و PLS
    • کلاس پیچیدگی مسائل یافتن نقاط تعادل نش
  • منطق، اتوماتا و بازی‌های بی‌نهایت (۷ جلسه)
    • گراف بازی‌ (Game Graph) و شرایط برد
    • شرایط برد در حالت غیرقطعی (شرایط بوخی، مولر، رابین و …) و تبدیلات آن‌ها
    • بازی‌های بی‌نهایت و تشخص (Determinacy)‌ و تشخص بی‌حافظه (Memoryless Determinacy)‌
    • ‌شرایط برد منطقی (Logical Winning Conditions)‌
    • اتوماتای درختی
    • بازی‌های زوجیت (Parity Games)‌ و بازی‌های نیمه بازپرداخت (Mean Payoff) و حل آن‌‌ها
    • بازی‌های قابلیت رسیدن (Reachability Games)‌
    • بازی‌های تکرار‌شونده (Repeated Games)
    • فرآیند تصمیم‌گیری مارکف و بازی‌های تصادفی
    • شبیه‌سازی، دوتشابهی (Bisimulation)‌ و بازی‌های ارنفوشت-فریز (Ehrenfeucht-Fraïssé)
  • طراحی مکانیزم الگوریتمی (۷ جلسه)
    • آشنایی با مقدمات طراحی مکانیزم و لم مایرسون (Myerson’s Lemma)
    • مثال‌های مختلف از جمله مزایده‌های کوله پشتی (Knapsack Auctions)
    • مزایده‌های بیشینه‌کننده سود (Revenue Maximizing Auctions) و قیمت رزروشده (Reserved Price)
    • مزایده‌های نزدیک بهینه ساده (Near Optimal Auctions)، نامساوی پیامبر (‌‌Prophet Inequality)‌ و قضیه بولو کلمپرر ( Bulow Klemperer Theorem)‌
    • طراحی مکانیزم چند پارامتره و مکانیزم‌های VCG
    • مزایده‌های ترکیبیاتی (Combinatorial Auctions)‌ و مزایده‌ طیف‌های بی‌سیم (Wireless Spectrum)‌
    • طراحی مکانیزم‌ برای حالت‌های غیرخطی – حالت‌های بودجه محدود و مزایده‌های پرچی (Clinching Auctions) و مکانیزم‌های بدون پول‌
    • بازارهای تطابق و تطابق‌های پایدار، بازارهای تبادل کلیه (Kidney Exchange Markets)
  • دینامیک بازی‌ها و مسائل یادگیری (۶ جلسه)‌
    • هزینه آشوب (Price of Anarchy) و هزینه ثبات (Price of Stability)
    • بازی‌های پتانسیلی (Potential Games)
    • بازی‌های نرم (Smooth Games)‌ و هزینه آشوب مستحکم
    • تعادل‌های نش قوی (Strong Nash Equilibria)
    • دینامیک‌های بهترین پاسخ (Best Response Dynamics) و نقاط تعادل تقریبی
    • یادگیری، دینامیک‌های بازی ساختگی (Fictitious Play)‌ و دینامیک‌های بدون حسرت (No-Regret Dynamics)‌ و یادگیری تقویتی

ارزیابی

  • آزمون (۶۰ درصد نمره)
  • تمرین (۲۰ درصد نمره)
  • سمینار (۲۰ درصد نمره)

مراجع

  1. T. Roughgarden. Twenty Lectures on Algorithmic Game Theory. Cambridge University Press, 2016.
  2. K.R. Apt and E. Grädel (Eds.). Lectures in game theory for computer scientists. Cambridge University Press, 2011.
  3. Y. Shoham and K. Leyton-Brown. Multiagent systems: Algorithmic, game-theoretic, and logical foundations. Cambridge University Press, 2008.
  4. N. Nisan, T. Roughgarden, E. Tardos, and V.V. Vazirani. Algorithmic game theory. Cambridge University Press, 2007.

 

درس: هوش محاسباتی

Computational Intelligence

شماره درس: ۴۰۷۷۷تعداد واحد: ۳
مقطع: کارشناسی ارشدنوع درس: نظری
پیش‌نیاز: –هم‌نیاز: –

اهداف درس

هوش محاسباتی زیرشاخه ای از هوش مصنوعی است که به بررسی مکانیزم های تطبیقی می پردازد که قابلیت رفتارهای هوشمند را در محیط های پویا و پیچیده فراهم می سازد. این مکانیزم ها شامل پارادیم هایی از هوش مصنوعی هستند که دارای قابلیت یادگیری، تعمیم، انتزاع، کشف و انجمنی را فراهم می سازند. هوش محاسباتی شامل مجموعه وسیعی از روشها از قبیل پردازش تکاملی، هوش جمعی، سیستم های ایمنی مصنوعی، شبکه های عصبی و سیستم های فازی می باشند. این درس تنها به بررسی روشهای فرا مکاشفه ای مبتنی بر جمعیت می پردازد.

ریز مواد

  1. مقدمه ای بر هوش محاسباتی و مرور کلی بر روشهای آن
  2. پردازش تکاملی(Evolutionary Computation)
    • الگوریتم های تکاملی(Evolutionary Algorithms)
    • الگوریتم های ژنتیکی (Genetic Algorithms)
    • برنامه ریزی تکاملی (Evolutionary Programming )
    • استراتژی های تکاملی (Evolution Strategies)
    • برنامه ریزی ژنتیکی (Genetic Programming) و نسخه های مختلف آن از قبیل برنامه ریزی ژنتیکی خطی و کارتزین
    • الگوریتم های تکاملی ترکیبی (Hybrid Evolutionary Algorithms )
    • الگوریتم های فرهنگی (Cultural Algorithms )
    • الگوریتم های تکامل تفاضلی (Differential Evolution)
    • یادگیری سامانه دسته بند (Learning Classifier Systems) و توسعه های آن از قبیل ZCS و XCS
    • مبانی نظری الگوریتم های تکاملی از قبیل طرحواره ها (Schema)
    • تنظیم و کنترل پارامترهای الگوریتم های تکاملی
    • حل مسائل ارضاء قیود توسط الگوریتم های تکاملی
    • هم تکاملی (Co-evolution)
    • مسئله پیوند، مدلسازی احتمالاتی والگوریتم های بهینه سازی بیزی
    • بهینه سازی چند قله ای و چند هدفه
    • الگوریتمهای تکاملی موازی
  3. جستجوی هارمونی، مبانی نظری و کاربردهای آن
  4. هوش جمعی (Swarm Intelligence)
    • الگوریتم های بهینه سازی مبتنی بر ذرات (Particle Swarm Optimization) و نسخه های آن
    • الگوریتم مورچگان (Ant Algorithms) و نسخه های مختلف آن
    • شبکه مورچگان
    • الگوریتم های مبتنی بر زندگی زنبور عسل
    • مبانی نظری الگوریتم های هوش جمعی و بررسی همگرایی آن‌ها
    • کاربردهای مختلفی از الگوریتم های بهینه سازی ذرات و الگوریتم مورچگان
  5. سیستم ایمنی مصنوعی (Artificial Immunity System)
    • سیستم ایمنی طبیعی
    • سیستم ایمنی مصنوعی
    • شبکه های ایمنی مصنوعی
  1. اشاره ای به روشهای دیگر جستجوی مکاشفه ای از قبیل جستجوی Tabu
  2. سنتز پدیده های طبیعی
    • زندگی مصنوعی
    • هندسه فراکتالی (Fractal Geometry)
  3. محاسبات با مواد طبیعی
    • محاسبات مولکولی و مبتنی بر DNA
    • محاسبات کوانتومی

ارزیابی

  1. تمرین: ۲۰ درصد
  2. میان‌ترم: ۳۰ درصد
  3. پایان‌ترم: ۵۰ درصد

مراجع

  1. A. P. Engelbrecht, Computational Intelligence: An Introduction, John Wiley & Sons, 2007.
  2. A. E. Eiben and J. E. Smith, Introduction to Evolutionary Computing, Springer Verlag, 2003.
  3. M. Dorigo and T. Stutzle, Ant Colony Optimization, MIT Press, 2004.
  4. J. Kennedy, R. C. Eberhart, and Y. Shi, Swarm Intelligence, Morgan Kaufmann Publishers, 2001.
  5. L. N. de Castro. Fundamentals of Natural Computing: An Overview. Physics of Life Reviews, Vol. 4, No. 1, pp. 1-36, 2007.
  6. L. N. de Castro, Fundamentals of Natural Computing: Basic Concepts, Algorithms, and Applications, Chapman & Hall/CRC Computer and Information Sciences, 2006.

 

درس: هوش مصنوعی توزیع‌شده

Distributed Artificial Intelligence

شماره درس: ۴۰۶۲۷تعداد واحد: ۳
مقطع: کارشناسی ارشدنوع درس: نظری
پیش‌نیاز: –هم‌نیاز: –

اهداف درس

در این درس مفاهیم، مسائل، ابزار و تکنیک‌های یکی از شاخه‌های مبحث هوش‌مصنوعی به نام هوش‌مصنوعی توزیع شده معرفی می‌گردد. با به وجود آمدن سیستم‌های توزیع شده، امکان بررسی و بسط تکنیک‌های هوش‌مصنوعی برای بهره‌گیری از محیط‌های توزیع شده به وجود آمد. کاربرد هوش‌مصنوعی توزیع شده در حل مسائلی است که بنا به دلایل مختلفی نظیر پیچیدگی، توزیع شدگی دانش، پراکندگی امکانات و … قابل حل به وسیله یک سیستم هوشمند متمرکز نیستند، و حل آن‌ها نیاز به همکاری و هماهنگی چندین مامور (سیستم) هوشمند دارد.

ریز مواد

  1. معرفی و تجزیه و تحلیل مسائل هوش‌مصنوعی توزیع شده
  2. انگیزه ایجاد و کاربردهای هوش‌مصنوعی توزیع شده
  3. دسته‌بندی سیستم‌های هوشمند توزیع شده
  4. توصیف، تجزیه، توزیع و تخصیص مسائل
  5. مسئله ارتباط مامورین، زبان‌ها و قراردادهای تعامل
  6. همکاری، هماهنگی، و انسجام مامورین
  7. مدل کردن و نمایش دانش مامورین
  8. کشف و حل تداخل‌ها
  9. ابزار و چارچوب‌های پیاده‌سازی سیستم‌های هوشمند توزیع شده
  10. بررسی چند نمونه از سیستم‌های پیاده‌سازی شده موجود

ارزیابی

  • آزمون میان‌ترم: ۵ نمره
  • آزمون‌های پایانی: ۵ نمره
  • ارائه کتبی و شفاهی یک مقاله علمی در یکی از زمینه‌های هوش‌مصنوعی توزیع شده: ۵ نمره
  • پیاده‌سازی یک سیستم هوشمند توزیع شده با کمک یک بستر آزمایش و یا یکی از زبان‌های پرولوگ یا لیسپ: ۵ نمره

مراجع

  1. G. O’Hare and N. Jennings (eds.). Foundations of Distributed Artificial Intelligence. John Wiley and Sons, 1996.
  2. A.H. Bond and L. Gasser (eds.). Readings in Distributed artificial Intelligence. Morgan Kaufman, 1988.
  3. N. Avouris and L. Gasser (eds.). Distributed Artificial Intelligence: Theory and Praxis. Kluwer, 1992.
  4. F. Martial. Coordinating Plan of Autonomous Agents. Springer-Verlag, 1991.

 

درس: شبکه‌های دینامیکی پیچیده

Complex Dynamical Networks

شماره درس: ۴۰۶۳۹تعداد واحد: ۳
مقطع: کارشناسی ارشدنوع درس: نظری
پیش‌نیاز: آمار و احتمال مهندسیهم‌نیاز: –

اهداف درس

در این درس کلیات شبکه‌های پیچیده بررسی می‌شود. ابتدا به صورت خلاصه مفاهیم اصلی تئوری گراف که برای تحلیل شبکه‌های پیچیده نیز کارایی دارند مورد بررسی قرار می‌گیرد. سپس، مدلهای مختلف برای ایجاد ساختار شبکه که خواصی شبیه به شبکه‌های واقعی داشته باشند، بررسی‌ می‌شود. در ادامه درس، نحوه تکامل پدیده‌های دینامیکی بر روی شبکه تدریس می‌شود. چندین مدل شناخته‌شده در زمینه پخش اطلاعات بر روی شبکه‌ها بررسی شده و روش‌های موجود برای بیشینه کردن تاثیر در شبکه‌ها مطالعه‌ می‌گردد. در انتها، روشهای استخراج ساختارهای گروهی در شبکه‌ها بررسی می‌گردد.

ریز مواد

  1. مقدمه‌ای بر تئوری شبکه‌های پیچیده
  2. اندازه گیری شبکه
  3. شاخص‌های اندازه‌گیری شبکه‌ها
    • کوتاهترین مسیرها
    • ضریب کلاسترینگ
    • پل
    • ایجاد یال
    • همسان بودن
  4. تحلیل طیف شبکه
  5. ساختار motifها در شبکه‌ها
  6. اندازه‌گیری مرکزیت در شبکه‌ها
  7. ساختار سلسله مراتبی و خوشه‌بندی شبکه‌ها
  8. گشت تصادفی و شبکه‌های تصادفی
  9. شبکه‌های small-world
  10. شبکه‌های scale-free
  11. تکامل شبکه‌ها
  12. جستجو در شبکه‌ها
  13. شبکه‌های علامت‌دار
  14. هم‌ارزی اجتماعی
  15. دینامیک اجتماعی
  16. همکاری در شبکه‌ها
  17. قوام و قابلیت اطمینان در شبکه‌ها
  18. رفتار آبشاری در شبکه‌ها
  19. انتشار اطلاعات در شبکه‌ها
  20. انتشار اپیدمی در شبکه‌ها
  21. مقدمه‌ای بر سیستم‌های دینامیکی
  22. سنکرونی و همگامی در شبکه‌ها

ارزیابی

  1. تمرین: ۲۰ درصد
  2. میان‌ترم: ۳۰ درصد
  3. پایان‌ترم: ۵۰ درصد

مراجع

  1. Newman, M., A.-L. Barabasi, et al. The Structure and Dynamics of Networks. Princeton University Press, 2006.
  2. Osipov, G. V., J. Kurths, et al. Synchronization in Oscillatory Networks. Springer, 2007.
  3. Albert, R. and A.-L. Barabasi. Statistical Mechanics of Complex Networks. Reviews of Modern Physics 74(1): 47-97, 2002.
  4. Boccaletti, S., V. Latora, et al. Complex Networks: Structure and Dynamics. Physics Reports 424: 175-308, 2006.
  5. Newman, M. E. J. The Structure and Function of Complex Networks. SIAM Review 45(2): 167-256, 2003.

 

درس: پردازش پیشرفته علائم دیجیتال

Advanced Digital Signal Processing

شماره درس: ۴۰۷۹۳تعداد واحد: ۳
مقطع: کارشناسی ارشدنوع درس: نظری
پیش‌نیاز: پردازش علائم دیجیتالهم‌نیاز: –

اهداف درس

هدف از این درس، آشنایی دانش‌جویان با روش‌های پیشرفته تحلیل علائم دیجیتال است. از جمله این روش‌ها می‌توان به نمایش‌های چندفازی، بانک‌های فیلتر، تحلیل‌های چنددقته و تبدیل موجک اشاره کرد.

ریز مواد

  1. یادآوری
    • مروری بر تبدیلات فوریه
    • فیلترهای دیجیتال
    • تغییر نرخ نمونه برداری: افزایش و یا کاهش نرخ نمونه برداری، نمونه برداری کسری
    • فیلترهای نیمه باند
  2. مدولاسیون و نمایش‌های چند فازی (polyphase)
    • تساوی های نوبل
    • مثالهایی از نمایش پلی فیز
  3. بانکهای فیلتر (Filter Banks)
    • نمایش در حوه زمان و مکان
    • شرایط لازم و کافی برای حذف تداخل فرکانس و از بین بردن اعوجاج
    • بازسازی کامل
  4. بانکهای فیلتر متعامد
    • ماتریس های Paraunitary
    • شرط تعامد در حوزه های زمان، فرکانس، مدولاسیون و پلی فیز
  5. بانکهای فیلتر Maxflat
    • فرمول های Daubechies و Meyer
    • فاکتوریل طیفی
  6. تجزیه و تحلیل چند دقته (MRA)
    • شرایط مورد نیاز برای MRA
    • فضاهای تو در تو و فضاهای مکمل
    • توابع مقیاس و موجک
  7. معادله پالایش
    • تکنیک های مبتنی بر تکرار و راه حل بازگشتی
    • فرمول حاصل ضرب بی نهایت
    • رویکرد بانک فیلتر برای محاسبه توابع مقیاس و موجک
  8. توابع موجک متعامد
    • نسبت توابع موجک متعامد با بانکهای فیلترمتعامد
    • تعامد در حوزه فرکانس.
    • توابع موجک دو-متعامد
  9. الگوریتم هرمی Mallat
  10. دقت تقریب موجک
    • Vanishing Moments
    • Polynomial Cancellation
  11. نرمی پایه های موجک
    • همگرایی الگوریتم سریال
    • مقایسه ها پایه ها در مقابل فریم ها
  12. فیلترهای مرزی و موجک‌های مرزی
  13. روش بالابردن (Lifting)
    • ساختار نردبانd برای بانکهای فیلترهای
    • فاکتورسازی ماتریس پلی فاز به مراحل بالابری
    • فرم بالابر معادله پالایش
  14. موجکهای چند باندی (M-band)
    • بانکهای فیلتر DFT
    • بانک های فیلتر مدولاسیون کسینوسی
    • چند موجکها
    • بانکهای فیلتر جهت دار
    • کرولت، کانتورلت، ریجلت
  15. کاربردهای تبدیل موجک
    • در فیلترینگ و حذف نویز از سیگنال‌ها
    • در شناسایی الگو
    • در فشرده‌سازی سیگنال و تصویر
    • در بهبود تصویر
    • در تشخیص لبه و تقطیع تصویر
  16. عناوین برگزیده: سمینارهای دانشجویان

مراجع

  1. G. Strang, and T. Nguyen. Wavelets and Filter Banks
  2. M. Vetterli and J. Kovacevic, Wavelets and subband coding
  3. S. G. Mallat, A wavelet tour of signal processing

 

درس: پردازش سیگنال‌های ویدئویی

Digital Video Processing

شماره درس: ۴۰۷۱۲تعداد واحد: ۳
مقطع: کارشناسی ارشدنوع درس: نظری
پیش‌نیاز: –هم‌نیاز: –

اهداف درس

هدف از این درس، آشنایی دانش‌جویان با مفاهیم پردازش ویدئوی رقمی و پیش‌نیازهای آن است.به صورت خلاصه اهداف زیر در این درس پیگیری می‌شود: تشکیل و نمایش ویدئو، تحلیل سری فوریه سیگنال‌های ویدیوئی، خواص سامانه بینائی چشم انسان، نمونه‌برداری و تغییر نرخ سیگنال‌های ویدیوئی، مدل‌سازی ویدیو، تخمین حرکت، ناحیه‌بندی ویدئو، ردیابی حرکت، پردازش دنباله‌های دودیدی و چنددیدی، سامانه‌های استاندارد ویدیوئی، تنظیم خطا در ارتباطات ویدیوئی، جاری‌سازی اطلاعات ویدیوئی برروی اینترنت و شبکه‌های بی‌سیم، یادگیری ژرف در پردازش ویدئو.

ریز مواد

  1. مقدمه
    • سیلابس
    • انگیزه‌ها
    • سرفصل‌های اصلی درس
  2. تشکیل، درک، و نمایش ویدئو
    • درک رنگ و خصوصیات آن
    • تهیه و نمایش ویدئو
    • جاروب ویدئوی آنالوگ
    • سامانه ویدئوی رنگی آنالوگ
    • ویدئوی رقمی
  3. تحلیل سری فوریه سیگنال‌های ویدیوئی
    • سیگنال‌ها و سیستم‌های چندبعدی در فضای پیوسته
    • سیگنال‌ها و سیستم‌های چندبعدی در فضای گسسته
    • مشخصات سیگنال‌های ویدیوئی در میدان فرکانس
    • پاسخ فرکانسی سامانه بینائی انسان
  4. نمونه‌برداری سیگنال‌های ویدیوئی
    • تئوری شبکه
    • نمونه‌برداری برروی شبکه
    • نمونه‌برداری سیگنال‌های ویدیوئی
    • عملیات پالایش در قطعات دوربین و نمایش
  5. تغییر نرخ نمونه‌برداری سیگنال‌های ویدیوئی
    • تبدیل سیگنال‌های نمونه‌برداری شده روی شبکه‌های متقاوت
    • تبدیل نرخ نمونه‌برداری سیگنا‌ل‌های ویدیوئی
  6. مدل‌سازی سیگنال‌های ویدیوئی
    • مدل دوربین
    • مدل روشنائی
    • مدل شیء
    • مدل صحنه
    • مدل‌های حرکت دوبعدی
  7. ‌ تخمین حرکت دوبعدی
  8. شار نوری
  9. روش‌شناسی کلی
  10. تخمین حرکت پیکسل‌گرا
  11. تطابق بلوکی
  12. تطابق بلوکی انعطاف‌پذیر
  13. تخمین حرکت مش‌گرا
  14. تخمین حرکت کلی
  15. تخمین حرکت ناحیه‌گرا
  16. تخمین حرکت چنددقتی
  17. ناحیه‌بندی ویدئو
    • آشکارسازی تغییر صحنه
    • آشکارسازی تغییر زمانی-مکانی
    • ناحیه‌بندی حرکت
    • تحمین و ناحیه‌بندی هم‌زمان حرکت
    • ناحیه‌بندی معنائی شیء
  18. ردیابی حرکت
    • ردیابی شیء صلب
    • ردیابی شیء بندبند
    • فیلتر کالمن
    • فیلتر پاره‌ای
  19. روش‌های بنیادین فشرده‌سازی ویدیوئی
    • بررسی اجمالی سامانه‌های ویدیوئی
    • تئوری احتمالات و اطلاعات
    • تئوری اطلاعات فشرده‌سازی منشاء
    • فشرده‌سازی دودوئی
    • چندی‌سازی عددی
    • چندی‌سازی برداری
  20. فشرده‌سازی ویدیوئی موج‌گرا
    • فشرده‌سازی فضای تبدیل بلوک‌گرا
    • فشرده‌سازی پیش‌بینانه
    • فشرده‌سازی با استفاده از پیش‌بینی زمانی و فشرده‌سازی فضای تبدیل
  21. فشرده‌سازی ویدیوئی محتوائی
    • فشرده‌سازی ویدیوئی ناحیه‌گرا
    • فشرده‌سازی ویدیوئی شیء‌گرا
    • فشرده‌سازی ویدیوئی دانش‌گرا
    • فشرده‌سازی ویدیوئی معنائی
    • سامانه‌های ویدیوئی لایه‌ای
  22. فشرده‌سازی ویدیوئی مقیاس‌پذیر
    • حالت‌های بنیانی مقیاس‌پذیری
    • مقیاس‌پذیری شیء‌گرا
    • مقیاس‌پذیری در فضای موجک
  23. پردازش دنباله‌های دودیدی و چنددیدی
    • درک عمق
    • قاعده تصویر دودیدی
    • تخمین اختلاف
    • دید ساختگی میانی
    • فشرده‌سازی دنباله دودیدی
  24. استانداردهای ویدیو
    • متعارف‌سازی
    • ویدئوی تلفنی با H.261 و H.263
    • استانداردهای سامانه‌های ارتباطات دیداری
    • سامانه‌های ویدیوئی مشتری‌مدار با MPEG-1
    • تلویزیون رقمی با MPEG-2
    • فشرده‌سازی اشیاء دیداری-شنیداری با MPEG-4
    • فشرده‌سازی پیشرفته ویدیوئی با H.264
    • نحو جریان بیت ویدیوئی
    • توصیف محتوای چندرسانه‌ای با MPEG-7
    • چارچوب چندرسانه‌ای برای توزیع و مصرف با MPEG-21
  25. تنظیم خطا در ارتباطات ویدیوئی
    • انگیزه‌ها و بررسی اجمالی رویکردها
    • کاربردهای ویدیوئی و شبکه‌های ارتباطاتی نوعی
    • فشرده‌سازی خطا در سطح حمل
    • فشرده‌سازی مقاوم در برابر خطا
    • گیرنده دارای اختقای خطا
    • تنظیم خطا با فرستنده-گیرنده متعامل
    • افزار مقاومت در برابر خطا در H.263 و MPEG-4
  26. جاری‌سازی اطلاعات ویدیوئی برروی اینترنت و شبکه‌های بی‌سیم
    • ساختار سامانه‌های جاری‌سازی ویدئو
    • تنظیم کیفی لایه کاربرد برای جاری‌سازی ویدئو
    • خدمت‌رسانی توزیع‌شده پیوسته رسانه
    • خدمت‌رسانی جاری‌سازی
    • هم‌زمان‌سازی رسانه
    • قواعد جاری‌سازی ویدئو
    • جاری‌سازی ویدئو برروی شبکه‌های بی‌سیم
  27. یادگیری ژرف در پردازش ویدیو
    • شبکه‌های عصبی و پس‌انتشار
    • معماری‌های CNN: ایده‌های جدید، مزایا، و معابب
    • شبکه‌های عصبی ژرف مکانی-زمانی
    • آموزش شبکه‌های عصبی ژرف با جریان تنسور

ارزیابی

  • امتحان پایان‌ترم ۴۰ درصد
  • امتحان میان‌ترم ۱۵ درصد
  • کوئیز ۱۰ درصد
  • تکالیف ۱۵ درصد
  • پروژه نهایی ۱۵ درصد
  • گزارش پروژه ۲/۵ درصد
  • ارایه پروژه ۲/۵ درصد

مراجع

  1. Video Processing & Communications, by Yao Wang, Jom Ostermann, & Ya-Oin Zhang. Prentice Hall, 1st edition, 2001.
  2. The Essential Guide to Video Processing, by Alan C. Bovik, Academic Press Elsevier Inc., 2009.
  3. Digital Video Processing, by A. Murat Tekalp, Prentice Hall, 1995.
  4. Probability, Random Variables, & Stochastic Processes, by Athanasios Papoulis, McGraw-Hill, 1991.
  5. Probability, Random Variables, & Random Signal Principles, by Peyton Z. Peebles, JR., McGraw-Hill, 3rd Edition, 1993.

 

درس: بازشناسی گفتار

Speech Recognition

شماره درس: ۴۰۸۳۳تعداد واحد: ۳
مقطع: کارشناسی ارشدنوع درس: نظری
پیش‌نیاز: پردازش علائم دیجیتالهم‌نیاز: –

اهداف درس

هدف این درس آشنایی دانشجویان کارشناسی ارشد و دکترا با مفاهیم مطرح در بازشناسی گفتار و ابزارهای مورد استفاده به صورت کلاسیک و نیز ابزارهای جدید برای بازشناسی گفتار می‌باشد. در ابتدا مقدماتی در مورد تولید و درک گفتار و نیز واج‌شناسی تکلمی و صوتی ارائه می‌شود. سپس روش‌های پیش‌پردازش سیگنال گفتاری به منظور بازشناسی گفتار اعم از فیلتر بانک‌های مختلف و روش‌های مرسوم دیگر مورد بحث قرار می‌گیرد.

معیارهای مختلف مقایسه الگو، روش پیچش زمانی پویا، مدل پنهان مارکوف و روش‌های آموزش و بازشناسی با آن نیز مطرح می‌شود. سپس وظایف سامانه‌های بازشناسی در سه بخش بازشناسی کلمات گسسته، کلمات متصل و گفتار پیوسته مورد بحث قرار می‌گیرد و نیز ساختار شبکه‌های عصبی ژرف و نحوه کاربرد و نتایج حاصل از آن‌ها در بازشناسی گفتار پیوسته مطرح می‌گردد.

ریز مواد

  1. مقدمات
    • مقدمه ای بر بازشناسی گفتار
    • تولید گفتار، اکوستیک-فونتیک، مدل گویایی
    • درک گفتار، مدل‌های گوش، مدل‌های شنیداری
    • خواندن طیف‌نگار (spectrogram)
  2. پیش‌پردازش گفتار
    • بانک فیلترها
    • چندی سازی برداری
    • ضرایب پیشگویی خطی
    • ضرایب مل کپسترال
  3. مقایسه الگو
    • انواع معیارهای فاصله
    • فواصل کپسترال
    • فواصل درستنمایی
    • فواصل باند بحرانی
    • ویژگیهای پویا در معیارهای فاصله
  4. پیچش زمانی پویا
    • ترازبندی و هنجارسازی زمانی
    • ملاحظات برنامه‌ریزی پویا
    • محدودیت‌های هنجارسازی زمانی
  5. مدل پنهان مارکوف
    • زنجیره مارکوف گسسته
    • مدل پنهان مارکوف
    • الگوریتم ویتربی
    • حل سه مسئله اساسی HMM
    • انواع HMM
    • بازشناسی کلمات گسسته با HMM
  6. بازشناسی کلمات متصل
    • الگوریتم دوسطحی برنامه‌ریزی پویا
    • الگوریتم سطح سازی
    • به‌کارگیری شبکه دستوری
    • الگوریتم one-pass
  7. بازشناسی پیوسته با واژگان بزرگ
    • واحدهای گفتاری زیرواژه
    • مدل‌های زبانی برای LVCSR
    • سرگشتگی
    • گرامر زوج کلمه
    • گره‌زدن حالات و درخت تصمیم‌گیری
  8. راهبردهای جستجو در بازشناسی گفتار
    • جستجوی شعاعی
    • جستجوی A*
    • جستجوی گرامری
    • جستجوی درختی
    • جستجوی برخط
    • ایجاد تعادل بین خطاهای درج و حذف
    • تشخیص کلمات خارج از واژگان
  9. شبکه‌های ژرف در بازشناسی گفتار
    • سامانه‌های بازشناسی مرسوم: HMM/DNN
    • جایگزینی GMMها با ANN
    • شبکه‌های باور ژرف، شبکه‌های عصبی ژرف، ماشین محدود بولتزمان
    • جایگزینی HMMها با ANN
    • سامانه‌های بازشناسی گفتار ابتدا به انتها

ارزیابی

  • تکالیف تئوری و عملی: ۲۰٪
  • کوییزها: ۱۵٪
  • پروژه درسی: ۱۰٪
  • امتحان نیم‌ترم: ۲۵٪
  • امتحان پایان ترم: ۳۰٪

مراجع

  1. Rabiner & Juang, Fundamentals of Speech Recognition, Prentice-Hall, 1993.
  2. Huang, Acero & Hon, Spoken Language Processing, Prentice Hall, 2001.
  3. Dong Yu & Li Deng, Automatic Speech Recognition, A Deep Learning Approach, Springer-Verlag, 2015.
  4. Deller, Proakis & Hansen. Discrete-time processing of speech signals, Prentice Hall, 1999.

 

درس: بینایی ماشین

Machine Vision

شماره درس: ۴۰۶۸۷تعداد واحد: ۳
مقطع: کارشناسی ارشدنوع درس: نظری
پیش‌نیاز: –هم‌نیاز: –

اهداف درس

معرفی مفاهیم پایه، تئوری و به علاوه الگوریتم‌های متداول بینایی ماشین با روی‌کرد کاربرد‌های عملی. برای پیاده سازی الگوریتم‌ها از زبان پایتون و نرم‌افزار OpenCV استفاده می‌شود. در انتهای درس انتظار می‌رود دانشجویان دانش کافی تئوری و عملی برای طراحی و پیاده سازی پروژه‌های صنعتی بینایی ماشین را به دست آورند.

ریز مواد

  1. مقدمه و کلیات درس
    • مبانی تصاویر دیجیتال، مفاهیم پایه‌ای درک دیداری، نور و اسپکتروم الکترومغناطیس
  2. آنالیز تصاویر باینری، اپراتورهای مورفولوژی
  3. روشهای آستانه یابی در نور یکنواخت و غیر یکنواخت
  4. روشهای قطعه بندی تصویر، استفاده از حرکت در قطعه بندی
  5. مفاهیم و مدل‌های رنگ. معرفی روش‌های آماری پایداری رنگ
  6. روشهای تجزیه تحلیل بافت و قطعه بندی مبتنی بر بافت
  7. توصیف کننده‌های تصویر
  8. کدهای زنجیره‌ای، امضا، مرز، توصیف کننده‌های فوریه
  9. روشهای شناسایی اشیا مبتنی بر دسته بند‌ها
  10. بازیابی تصویر مبتنی بر محتوا، برچسب گذاری تصویر
  11. معرفی و استخراج انواع بردار‌های ویژگی و روش‌های مقایسه مشابهت تصاویر با استفاده از آن‌ها
  12. معیار‌های ارزیابی کارآیی روشهای بازیابی تصاویر
  13. تشخیص حرکت در ویدیو، بردار‌های حرکت، محاسبه جریان در تصویر
  14. مدل دوربین و کالیبراسیون
  15. معادلات لنز و اصلاح اعوجاج لنز
  16. تشخیص عمق از تصاویر دو بعدی. مدل پرسپکتیو، بینایی استریو و محاسبه عمق
  17. نور ساخت یافته، محاسبات عمق و استخراج مدل سه بعدی اجسام با استفاده از آن
  18. ردگیری
    • تصویر مرجع و کاربردهای کنترل ترافیک
    • ردگیری مبتنی بر روش شیفت میانگین
    • ردگیری مبتنی بر Cam-Shift. فیلتر کالمن و کالمن توسعه یافته
  19. سیستم بینایی همه جهته: مبانی طراحی، کالیبراسیون و کاربرد‌های آن در صنعت و روبات‌های متحرک
  20. معرفی چندین کاربرد صنعتی بینایی ماشین

ارزیابی

  • پایان‌ترم ۶ نمره
  • میان‌ترم اول ۳ نمره
  • میان‌ترم دوم ۳ نمره
  • تمرین‌های برنامه‌نویسی ۵ نمره
  • ارایه شفاهی یک مقاله ۱ نمره
  • پروژه نهائی ۱/۵ نمره
  • گزارش مکتوب پروژه ۰/۵ نمره

مراجع

  1. Computer vision, by Linda G.Shapiro, George C.Stockman, Prentice Hall, 2001.
  2. Digital Image Processing, 3rd edition, by R.C.Gonzalez, R.E.Woods, Prentice Hall, 2008.
  3. Learning OpenCV, Computer vision with the OpenCV, by G.Bradski, A.Kaebler, O’REILLT, 2008.
  4. مقالات مرتبط با مطالب درسی

 

درس: بینایی پیشرفته سه‌بعدی کامپیوتر

Advanced 3D Computer Vision

شماره درس: ۴۰۶۱۶تعداد واحد: ۳
مقطع: کارشناسی ارشدنوع درس: نظری
پیش‌نیاز: –هم‌نیاز: –

اهداف درس

هدف از این درس، آشنایی دانش‌جویان با درک بینایی، هندسه تک‌دیدی و چنددیدی، بازسازی و تجسم سه‌بعدی، توصیف، تطبیق، و تنظیم نقاط کلیدی، ردیابی سه‌بعدی بر مبنای ویژگی‌های طبیعی، بهینه‌سازی عددی و تخمین مقاوم، و یادگیری ژرف در بینائی کامپیوتری است.

ریز مواد

  1. مقدمه
  2. هندسه تک‌دیدی
    • فضای ۳-بعدی اقلیدسی و حرکت جسم صلب
    • مدل‌های هندسی تشکیل تصویر
  3. هندسه دودیدی
    • ابتدائیات تصویر و انطباق‌ها
    • بازسازی به‌وسیله دو دید تنظیم‌شده
  4. هندسه تنظیم‌نشده و مستقیم‌سازی
    • دوربین تنظیم‌نشده
    • هندسه اپیپول تنظیم‌نشده
    • ابهامات و قیود در تشکیل تصویر
    • بازسازی مستقیم‌سازی‌شده
    • تنظیم خودکار با دانش پاره‌ای صحنه
  5. بازسازی چنددیدی از دانش صحنه
    • تشابه و هندسه چنددیدی
    • تنظیم چندشی‌ای چنددیدی
    • الگوریتم‌ها و مثال‌ها
  6. بهینه‌سازی عددی
    • روش‌های عمومی بهینه‌سازی
    • بهینه‌سازی کمترین-مربعات غیرخطی
    • تخمین خطا
    • تخمین مقاوم
  7. مدل‌سازی قدم به قدم ۳-بعدی
    • چارچوب کلی
    • انتخاب ویژگی
    • تطبیق ویژگی
    • بازسازی پروجکتیو و ارتقا اقلیدسی
    • بینائی‌گری
  8. بخش‌بندی صحنه‌های پویا
    • انگیزه و شرح مسئله
    • روش‌های خوشه‌بندی
    • بخش‌بندی حرکت ۳-بعدی
  9. توصیف و انطباق نقاط کلیدی
    • توصیف‌کننده‌های نقاط کلیدی
    • انطباق نقاط کلیدی
    • سنجنده‌های فاصله
  10. ردیابی ۳-بعدی بینائی‌گرا
    • آشکارسازهای فدوشال
    • مدل‌های فعال شکل
    • مدل‌های فعال ظاهر
    • انطباق کلیشه
  11. ردیابی ۳-بعدی بر مبنای ویژگی‌های طبیعی
    • استخراج نقاط ویژگی
    • ردیابی نقاط ویژگی
    • ردیابی نقاط موردنظرگرا
    • ردیابی قاب مرجع‌گرا
    • ردیابی پایدار
    • آشکارسازی شی نقاط ویژگی‌گرا
    • نزدیکترین نقاط تکراری
  12. یادگیری ژرف در بینائی کامپیوتری
    • شبکه‌های عصبی و پس‌انتشار
    • معماری‌های CNN: ایده‌های جدید، مزایا، و معایب
    • شبکه‌های عصبی ژرف مکانی-زمانی
    • آموزش شبکه‌های عصبی ژرف با جریان تنسور

ارزیابی

  • امتحان پایان‌ترم ۴۰٪
  • امتحان میان‌ترم ۱۵٪
  • کوئیز ۱۰٪
  • تکالیف ۱۵٪
  • پروژه نهایی ۱۵٪
  • گزارش پروژه ۲/۵٪
  • ارائه پروژه ۲/۵٪

مراجع

  1. An Invitation to 3-D Vision, from Images to Geometric Models, Yi Ma, Stefano Soatto, Jana Kosecka, & Shankar Sastry, Springer, 2010.
  2. Computer Vision – A Modern Approach, David A. Forsyth & Jean Ponce, Prentice Hall, 2nd edition, 2002.
  3. Probability, Random Variables, & Stochastic Processes, by Athanasios Papoulis, McGraw-Hill, 1991.
  4. Probability, Random Variables, & Random Signal Principles, by Peyton Z. Peebles, JR., McGraw-Hill, 3rd Edition, 1993.

 

درس: فناوری روباتیک

Robotics Technology

شماره درس: ۴۰۵۱۶تعداد واحد: ۳
مقطع: کارشناسی ارشدنوع درس: نظری
پیش‌نیاز: –هم‌نیاز: –

اهداف درس

در این درس مفاهیم اولیه روبات‌های متحرک در زمینه سخت‌افزار و نرم‌افزار از جمله سینماتیک و دینامیک روبات‌های متحرک، کنترل، مکان‌یابی، برنامه ریزی مسیر، ناوبری و پیکربندی معمول در سیستم‌های روبات‌های متحرک پوشش داده می‌شود.

ریز مواد

  1. مقدمه
    • کلیات درس
    • مقدمه‌ای بر روبات‌های متحرک
    • تبدیل‌های متعامد
  2. سینماتیک
    • سینماتیک مکانیزم روبات‌های متحرک
    • سینماتیک مدل‌های سنسور‌ها و محرک‌ها
  3. دینامیک
    • کاربرد قاعده بیز
    • تکنیک‌های مونت کارلو
    • سیستم‌های خطی
    • تئوری و فرایند‌های حساب دیفرانسیل و انتگرال
    • دینامیک وسایل نقلیه زمینی
    • پیکربندی معمول مکانیکی برای سیستم‌های روبات‌های متحرک
  4. مکان‌یابی
    • سنسور‌های اندازه‌گیری فاصله و تقریب موقعیت
  5. کنترل
    • سلسله مراتب کنترل
    • سینماتیک موبایل‌های متحرک چرخ‌دار
    • تولید خط سیر
    • دنبال کردن مسیر و خط سیر
  6. ناوبری
    • مقدمه‌ای بر نقشه‌ها و توصیف آن‌ها
    • مکان‌یابی مارکف
    • فیلتر بیزین
    • مکان یابی مونت کارلو
    • فیلتر کالمن
    • نقشه‌یابی نامتناقض جهانی
    • SLAM
    • پیشگیری برخورد با موانع
  7. برنامه‌ریزی
    • مقدمه‌ای بر برنامه‌ریزی حرکت
    • برنامه‌ریزی بلادرنگ مسیر
    • برنامه‌ریزی حرکت خودمختار
  8. چالش‌های اخیر در روبات‌های متحرک

ارزیابی

  1. تمرین: ۲۰ درصد
  2. میان‌ترم: ۳۰ درصد
  3. پایان‌ترم: ۵۰ درصد

مراجع

  1. Computational Principles of Mobile Robotics. Gregory Dudek and Michael Jenkin. 2nd ed. Cambridge University Press, 2010.
  2. Introduction to Autonomous Mobile Robots R. Siegwart, and I. Nourbakhsh, MIT Press, 2004.
  3. Autonomous Robots: From Biological Inspiration to Implementation and Control G.A. Bekey, MIT Press, 2005.

 

جمع بندی

کارشناسی ارشد هوش مصنوعی، مسیری هیجان‌انگیز برای ورود به دنیای پیچیده و جذاب هوش مصنوعی است. در این دوره، دانشجویان با آخرین پیشرفت‌های این حوزه آشنا شده و مهارت‌های لازم برای طراحی، توسعه و پیاده‌سازی سیستم‌های هوشمند را کسب می‌کنند. از یادگیری ماشین و شبکه‌های عصبی گرفته تا پردازش زبان طبیعی و بینایی ماشین، طیف گسترده‌ای از موضوعات در این دوره پوشش داده می‌شود. دانش آموختگان این رشته می‌توانند در صنایع مختلف از جمله فناوری اطلاعات، خودروسازی، پزشکی و مالی مشغول به کار شوند و به عنوان مهندس هوش مصنوعی، دانشمند داده یا پژوهشگر فعالیت کنند.

در طول تحصیل در مقطع کارشناسی ارشد هوش مصنوعی، دانشجویان با انجام پروژه‌های تحقیقاتی، شرکت در سمینارها و کارگاه‌های آموزشی، و تعامل با اساتید و پژوهشگران برجسته، به صورت عملی با چالش‌های دنیای واقعی هوش مصنوعی روبرو می‌شوند. همچنین، آن‌ها فرصت خواهند داشت تا در پروژه‌های تحقیقاتی دانشگاهی یا صنعتی مشارکت کرده و به توسعه مرزهای دانش هوش مصنوعی کمک کنند. با توجه به اهمیت روزافزون هوش مصنوعی در زندگی روزمره، فارغ‌التحصیلان این رشته از آینده شغلی بسیار روشنی برخوردار خواهند بود.

در این مقاله، معرفی ارشد هوش مصنوعی به صورت جامع و کاربردی انجام شود. گروه بابان برای شما آرزوی موفقیت می‌کند.

مشاوره کنکور ارشد کامپیوتر

سوالات متداول

بازار کار هوش مصنوعی در سطح جهانی با رشد چشمگیری روبرو است و به عنوان یکی از جذاب‌ترین و پرطرفدارترین حوزه‌های فناوری شناخته می‌شود. با توجه به تنوع شاخه‌های هوش مصنوعی و کاربردهای گسترده آن در صنایع مختلف، آینده جهان به طور فزاینده‌ای به هوش مصنوعی وابسته خواهد شد. متخصصان هوش مصنوعی فرصت‌های شغلی بسیار خوبی در شرکت‌های پیشرو دنیا خواهند داشت.

انشگاه‌های تهران و صنعتی شریف دو قطب علمی برجسته کشور محسوب می‌شوند که هر یک در حوزه‌های مختلفی از دانش، پیشرفت‌های چشمگیری داشته‌اند. اگرچه هر دو دانشگاه از جایگاه ویژه‌ای برخوردارند، اما نمی‌توان یک دانشگاه را به طور مطلق بر دیگری ترجیح داد. هر یک از این دانشگاه‌ها در رشته‌ها و گرایش‌های خاصی تخصص و برتری دارند. به عنوان مثال، در حوزه یادگیری ماشین و علوم شناختی، دانشگاه تهران از شهرت بیشتری برخوردار است، در حالی که در زمینه پردازش سیگنال، دانشگاه صنعتی شریف پیشرو است.

بی شک دروس مدار منطقی، معماری کامپیوتر، ساختمان داده، هوش مصنوعی، سیستم عامل، شبکه های کامپیوتری، نظریه زبان ها و ماشین ها و سیگنال و سیستم مهم ترین دروس کنکور ارشد هوش مصنوعی است

همچنین هر گونه سوالی در مورد کلاس‌های آنلاین و آفلاین کنکور کامپیوتر ، آی تی و علوم کامپیوتر در مقاطع ارشد و دکتری و یا رزرو مشاوره تک جلسه‌ای حضوری یا تلفنی با استاد خلیلی فر دارید می‌توانید به روش‌های زیر از تیم پشتیبانی بابان بپرسید:

آی دی تلگرام تیم پشتیبانی بابان:  Baban_Support@

تلفن موسسه بابان:  02177973459

در شبکه های اجتماعی به اشتراک بگذارید

جدیدترین مقالات
بهترین گرایش ارشد کامپیوتر

بهترین گرایش ارشد کامپیوتر

آموزش ریاضیات گسسته به زبان ساده از 0 تا 100

آموزش ریاضیات گسسته به زبان ساده از 0 تا 100

کنکور ارشد هوش مصنوعی

 آموزش هوش مصنوعی به زبان ساده از 0 تا 100

 آموزش هوش مصنوعی به زبان ساده از 0 تا 100

آموزش پایگاه داده به زبان ساده از 0 تا 100

آموزش پایگاه داده به زبان ساده از 0 تا 100

جدیدترین محصولات
کلاس آفلاین آموزش پایگاه داده

کلاس آفلاین آموزش پایگاه داده‌ (درس + نکته و تست)

قیمت اصلی: ۱,۴۰۰,۰۰۰ تومان بود.قیمت فعلی: ۷۰۰,۰۰۰ تومان.
50%
کلاس آفلاین آموزش ریاضیات گسسته (درس)

کلاس آفلاین آموزش ریاضیات گسسته (درس)

قیمت اصلی: ۱,۴۰۰,۰۰۰ تومان بود.قیمت فعلی: ۷۰۰,۰۰۰ تومان.
50%
آموزش مدار منطقی

کلاس آفلاین آموزش مدار منطقی (درس)

قیمت اصلی: ۱,۴۰۰,۰۰۰ تومان بود.قیمت فعلی: ۷۰۰,۰۰۰ تومان.
50%
مقالات مرتبط
بهترین گرایش ارشد کامپیوتر

بهترین گرایش ارشد کامپیوتر

موسسه بابان
0 دیدگاه
ادامه خواندن

کنکور ارشد هوش مصنوعی

موسسه بابان
0 دیدگاه
ادامه خواندن
رشته های مجاز برای ارشد هوش مصنوعی

رشته های مجاز برای ارشد هوش مصنوعی

موسسه بابان
0 دیدگاه
ادامه خواندن
معرفی گرایش های علوم کامپیوتر

معرفی گرایش های علوم کامپیوتر

موسسه بابان
0 دیدگاه
ادامه خواندن
ضرایب دروس کنکور ارشد علوم کامپیوتر

ضرایب دروس کنکور ارشد علوم کامپیوتر

موسسه بابان
0 دیدگاه
ادامه خواندن
دروس کنکور ارشد علوم کامپیوتر

دروس کنکور ارشد علوم کامپیوتر

موسسه بابان
0 دیدگاه
ادامه خواندن
نقد و بررسی
0 0 رای ها
امتیاز کل
guest
0 نظرات
بیشترین رأی
تازه‌ترین قدیمی‌ترین
بازخورد (Feedback) های اینلاین
مشاهده همه دیدگاه ها
موسسه بابان آکادمی
ضمانت نتیجه‌گرایی کلاس‌ها
بروزترین پلتفرم آموزش آنلاین
7 روز هفته، 24 ساعته
پرداخت امن از درگاه بانکی
دانلود سریع از سراسر دنیا

021-77973459

7 روز هفته 24 ساعته پاسخگوی شما عزیزان هستیم.

تمامی حقوق این سایت برای گروه بابان محفوظ می‌باشد.

روز مانده به کنکور ارشد
0
افکار شما را دوست داریم، لطفا نظر دهید.x