رشته هوش مصنوعی چیست؟

با گسترش پژوهش‌های تخصصی در حوزه و رشته علوم کامپیوتر، در سال‌های اخیر شاهد پیشرفت‌های بسیاری درهوش مصنوعی بوده‌ایم. امروزه، بسیاری از سازمان‌ها و شرکت‌ها به منظور خودکارسازی فعالیت‌های مختلف درون سازمانی و خدمات خود، به نیروهای متخصص تحصیل کرده در رشته هوش مصنوعی نیازمند هستند. به‌علاوه، بسیاری از افراد با توجه به کاربردهای جذابی که رشته هوش مصنوعی در جنبه‌های مختلف زندگی انسان دارد، به این رشته جذب می‌شوند و تصمیم می‌گیرند در مسیر این رشته به ادامه تحصیل بپردازند. در این مطلب به این پرسش پاسخ می‌دهیم که رشته هوش مصنوعی چیست و همچنین به سایر مباحث مهم پیرامون این موضوع پرداخته‌ایم.

در مطلب حاضر، علاوه‌بر این که به معرفی جامع رشته هوش مصنوعی و زیرشاخه‌های آن پرداخته می‌شود، مسیر تحصیل در این رشته و نیازمندی‌های آن مورد بررسی قرار خواهند گرفت. همچنین، به توضیحاتی پیرامون بازار کار فارغ‌التحصیلان رشته هوش مصنوعی در ایران و خارج از ایران پرداخته شده و به فرصت‌های شغلی مرتبط با این رشته و مهارت‌های تخصصی مورد نیاز آن‌ها اشاره خواهد شد تا افراد علاقه‌مند با آگاهی بیشتری مسیر شغلی آینده خود را انتخاب کنند.

رشته هوش مصنوعی چیست ؟

رشته «هوش مصنوعی» (Artificial Intelligence) به عنوان یکی از زیرشاخه‌های رشته کامپیوتر محسوب می‌شود. هدف رشته هوش مصنوعی، ساخت سیستم‌های هوشمندی است که بتوانند همانند انسان رفتار کنند و با تجزیه و تحلیل مسائل به تصمیم‌گیری بپردازند.

این رشته، ترکیبی از مباحث علوم کامپیوتر، ریاضیات و آمار و احتمال است. به عبارتی، از مباحث تخصصی علوم کامپیوتر به منظور طراحی و ساخت الگوریتم‌های رشته هوش مصنوعی و از مفاهیم ریاضی و آمار و احتمالات در این رشته، برای مدل‌سازی و بهینه‌سازی مسائل استفاده می‌شود.

افراد فعال در رشته هوش مصنوعی، برای ساخت سیستم‌های هوشمند، به نحوه تفکر و عملکرد انسان در شرایط مواجه شدن با مسئله‌ای خاص توجه می‌کنند. انسان قادر است از تجربیات قبلی خود برای حل مسائل جدید استفاده کند.

به عبارتی، انسان با مغز خود که متشکل از میلیاردها نورون است، به تجزیه و تحلیل اطلاعات و مسئله بپردازد و با شناخت ویژگی‌های مسئله، درباره آن تصمیم بگیرد.

به منظور طراحی و ساخت سیستم‌های هوشمند، متخصصان هوش مصنوعی، از مدل‌های ریاضیاتی استفاده می‌کنند تا بتوانند نحوه یادگیری مسائل مختلف را مشابه مغز انسان شبیه‌سازی کنند و در این مسیر آنقدر موفق بوده‌اند. آن‌ها توانسته‌اند سیستم‌های هوشمندی را بسازند که حجم عظیمی از داده‌ها را در مدت زمان بسیار پایین پردازش کنند و با بالاترین دقت، به تصمیم‌گیری درباره مسائل مختلف بپردازند.

از زمان ظهور هوش مصنوعی، از این شاخه از علم صرفاً در موضوعات مرتبط با کامپیوتر استفاده می‌شد. با این حال، امروزه، کاربردهای هوش مصنوعی را می‌توان تقریباً در تمامی رشته‌های دانشگاهی و حوزه‌های مختلف صنعت مشاهده کرد.

به عبارتی، از هوش مصنوعی برای خودکار کردن بسیاری از فعالیت‌های مختلف در سازمان‌ها، شرکت‌ها و مسائل مختلف تجاری و اجتماعی و حتی فعالیت‌های مرتبط با زندگی روزمره انسان‌ها استفاده می‌شود.‌ در ادامه مطلب، به برخی از رایج‌ترین کاربردهای هوش مصنوعی یا همان کاربردهای رشته هوش مصنوعی اشاره شده است.

کاربرد رشته هوش مصنوعی چیست ؟

رشته هوش مصنوعی با هدف خودکار کردن انجام فعالیت‌های ساده توسط ماشین در دهه ۱۹۵۰ ظهور پیدا کرد و رفته رفته، با پیشرفت در این حوزه و انجام پژوهش‌های مختلف درباره آن و ارائه مدل‌ها و الگوریتم‌های پیچیده و قوی، کاربرد این شاخه از فناوری در زندگی بشر به مراتب پیشرفته‌تر و گسترده‌تر شده است.

در ادامه، برخی از کاربردهای رشته هوش مصنوعی فهرست شده‌اند:

• استفاده از هوش مصنوعی برای ساخت ابزارهای تشخیص صدا و درک زبان انسان: ابزارهای هوشمندی نظیر Siri و Alexa‌ که بر پایه هوش مصنوعی ساخته شده‌اند، قادر هستند صدای انسان را تشخیص دهند و فعالیت‌های مرتبط با نیاز انسان را انجام دهند.
• کاربرد هوش مصنوعی در طراحی و ساخت ماشین‌های خودران: با استفاده از مدل‌های هوش مصنوعی می‌توان ابزارهایی را ساخت که قادر هستند اشیا و محیط اطراف خود را تشخیص دهند. ماشین‌های خودران به این ابزارها مجهز هستند و می‌توانند بدون راننده، در مسیر مشخص شده، حرکت کنند.
• استفاده از هوش مصنوعی در سرویس‌دهی به مشتریان: بسیاری از شرکت‌ها از ابزارهای هوش مصنوعی برای خدمت‌رسانی به مشتریان خود استفاده می‌کنند. «چت‌بات‌» (Chatbot) نمونه‌ای از این نوع ابزارها هستند که به‌صورت شبانه‌روزی می‌توانند پاسخ مشتریان را بدهند و بنا به نیازشان، راهنمایی‌های لازم را به آن‌ها ارائه کنند.

• مزایای هوش مصنوعی در امور فروش و بازاریابی و افزایش سوددهی شرکت‌ها: با گسترش استفاده از فناوری اطلاعات، شاهد تحولات عظیمی در حوزه تجارت الکترونیک، روش‌های جذب مشتریان تبلیغ خدمات و محصولات و بازاریابی به صورت آنلاین هستیم. امروزه، شرکت‌ها و سازمان‌ها از ابزارهای هوش مصنوعی به منظور افزایش میزان سوددهی بیشتر استفاده می‌کنند. مدل‌های مبتنی بر هوش مصنوعی قادر هستند سلایق کاربران اینترنت را تشخیص بدهند و با توجه به فعالیت‌های آن‌ها، محصولات و خدمات مورد نیازشان را به آن‌ها پیشنهاد دهند.
• کاربرد رشته هوش مصنوعی در حیطه پزشکی: امروزه، هوش مصنوعی نقش بسیار مهمی را در ساخت ابزارهای هوشمند مورد نیاز بیمارستان‌ها و مراکز پزشکی ایفا می‌کند. با استفاده از ابزارهای مبتنی بر هوش مصنوعی، می‌توان بیماری‌های مراجعه‌کنندگان را با دقت بیشتری تشخیص داد و وضعیت حال بیمار را به‌طور دقیق کنترل کرد. همچنین، از این ابزارها می‌توان به عنوان دستیار پزشکان و جراحان در حین بررسی حال بیماران و انجام عمل‌های جراحی استفاده کرد.

پژوهشگران رشته هوش مصنوعی به منظور طراحی و ساخت سیستم‌های هوشمند مصنوعی، می‌توانند در شاخه‌های مختلف این رشته پژوهش انجام دهند که در ادامه مطلب، به معرفی زیرشاخه‌های هوش مصنوعی پرداخته خواهد شد.

شاخه های اصلی هوش مصنوعی

همان‌طور که در بخش‌های پیشین این مقاله گفته شد، هدف متخصصان هوش مصنوعی، طراحی و ساخت سیستم‌های مصنوعی هوشمندی است که رفتاری مشابه به رفتار انسان داشته باشند.

دانشجویان رشته هوش مصنوعی به منظور ساخت چنین سیستم‌هایی، بنا به علایق خود می‌توانند در شاخه‌های مختلف این رشته پژوهش تخصصی داشته باشند که در ادامه به آن‌ها اشاره شده است:

• «سیستم‌های خبره» (Experts Systems)
• «رباتیک» (Robotics)
• «یادگیری ماشین» (Machine Learning)
• «شبکه عصبی» (Neural Networks) و «یادگیری عمیق» (Deep Learning)
• «منطق فازی» (Fuzzy Logic)
• «پردازش زبان طبیعی» (Natural Language Processing)

در ادامه مطلب حاضر، به توضیح مختصری پیرامون هر یک از شاخه‌های اصلی رشته هوش مصنوعی پرداخته می‌شود.

سیستم های خبره در رشته هوش مصنوعی چیست ؟

سیستم‌های خبره جزء نخستین سیستم‌های هوشمند در حوزه هوش مصنوعی محسوب می‌شوند که اولین طراحی آن‌ها، به دهه ۱۹۷۰ برمی‌گردد.

سیستم‌های خبره به آن دسته از سیستم‌های کامپیوتری اطلاق می‌شوند که می‌توانند تصمیمات هوشمندانه‌‌ای درباره مسائل مختلف بگیرند. این سیستم‌ها «کوئری» (Query) کاربر را دریافت می‌کنند و آن را به «موتور استنتاج» (Inference Engine) خود ارسال می‌کنند.

موتور استنتاج سیستم‌های خبره حکم مغز انسان را برای آن‌ها دارد که شامل مجموعه‌ای از دستورات مختلف برای بررسی کوئری دریافتی است و با تجزیه و تحلیل کوئری بر اساس دانش اولیه موجود در پایگاه داده خود، در نهایت استنتاجی را انجام می‌دهد. به عبارتی، می‌توان گفت سیستم‌های خبره عمل فکر کردن انسان درباره موضوعی خاص را شبیه‌سازی می‌کنند.

شاخه رباتیک در رشته هوش مصنوعی

متخصصان فعال در حوزه رباتیک به طراحی و ساخت ربات‌هایی می‌پردازند که بر اساس دستورات مشخص شده برای آن‌ها، یک سری وظایف خاص را انجام می‌دهند. از این ربات‌ها می‌توان برای تمیز کردن خانه، انجام عمل جراحی، خاموش کردن آتش، ارسال موشک به فضا و مواردی از این قبیل استفاده کرد.

رباتیک حوزه‌ای میان‌رشته‌ای محسوب می‌شود که مباحث رشته‌های مهندسی الکترونیک، مهندسی مکانیک، علوم کامپیوتر و سایر رشته‌های مرتبط را دربر می‌گیرد.

شاخه یادگیری ماشین

افراد فعال در رشته هوش مصنوعی از روش‌های یادگیری ماشین به منظور طراحی سیستم‌های هوشمند استفاده می‌کنند. مدل‌های یادگیری ماشین بر مبنای مفاهیم آمار و احتمالات شکل گرفتند و سیستم به کمک این مدل‌ها می‌تواند بدون دخالت انسان، الگوهای داده‌ها را یاد بگیرد و بر اساس آن‌ها، به حل مسئله بپردازد.

رویکردهای یادگیری مسائل مختلف در یادگیری ماشین را می‌توان به چهار رویکرد اصلی «یادگیری نظارت شده» (Supervised Learning)،‌ «یادگیری نظارت نشده» (Unsupervised Learning)، «یادگیری نیمه نظارت شده» (Semi-Supervised Learning) و «یادگیری تقویتی» (Reinforcement Learning) تقسیم کرد.

در سه رویکرد نخست از یادگیری ماشین، نیاز است داده‌های آموزشی برای مدل فراهم شوند تا مدل به شناسایی الگوهای داده‌ها بپردازد و بر اساس آن‌ها، درباره داده‌های جدید تصمیم بگیرد. در رویکرد یادگیری تقویتی نیازی به فراهم کردن داده‌های اولیه برای آموزش مدل نیست و مدل با انجام آزمون و خطا می‌تواند به یادگیری مسئله بپردازد.

یادگیری عمیق و شبکه عصبی

یادگیری عمیق را می‌توان به عنوان زیرشاخه‌ای از یادگیری ماشین محسوب کرد. با این که هر دو حوزه، از رویکردهای مشابهی برای یادگیری سیستم‌های مصنوعی استفاده می‌کنند، از جنبه‌های مختلف می‌توان به تفاوت یادگیری ماشین و یادگیری عمیق پرداخت. به منظور طراحی ساختار مدل‌های یادگیری عمیق از ساختار مغز انسان الهام گرفته شده است.

مدل‌های یادگیری عمیق از چندین لایه شبکه عصبی برای یادگیری مسئله استفاده می‌کنند. هر لایه در شبکه عصبی، یک سری پردازش‌های ریاضیاتی بر روی داده‌ها اعمال می‌کند تا درنهایت در لایه نهایی، خروجی مدل مشخص شود. زمانی که با حجم زیادی از داده روبه‌رو هستیم، مدل‌های یادگیری عمیق می‌توانند کارایی بهتری نسبت به مدل‌های یادگیری ماشین داشته باشند.

منطق فازی

در دنیای واقعی، گهگاه با شرایطی مواجه شده‌ایم که تصمیم‌گیری قاطعانه درباره مسئله‌ای خاص، برای ما سخت بوده است. هدف از شاخه منطق فازی، طراحی سیستم‌هایی است که درباره چنین مسائلی تصمیم‌گیری می‌کنند. می‌توان برای درک سیستم‌های منطق فازی از یک مثال ساده کمک گرفت. فرض کنید چندین ابر خاکستری در هوای آفتابی در آسمان دیده می‌شوند. آیا می‌توان قاطعانه گفت که در چنین روز آفتابی، بارندگی رخ می‌دهد؟

سیستم‌های منطق فازی در چنین شرایطی می‌توانند برای رسیدن به پاسخ به انسان کمک کنند. البته این نوع سیستم‌ها برای چنین مسائلی، پاسخ قاطعانه ارائه نمی‌دهند، بلکه می‌توانند با بیان میزان احتمال برای رخداد یک رویداد، به حل مسئله بپردازند. بنابراین، در پاسخ به پرسش مثالی که از هوای آفتابی ارائه کردیم، این سیستم‌ها می‌توانند میزان احتمال بارندگی را پیش‌بینی کنند.

پردازش زبان طبیعی

پردازش زبان طبیعی یکی از شاخه‌های رشته هوش مصنوعی است که هدف آن برقراری ارتباط انسان با کامپیوتر بر اساس زبان طبیعی انسان است. افراد فعال در این حوزه، به طراحی سیستم‌هایی می‌پردازند که قادر هستند اطلاعات متنی یا صوتی را از ورودی دریافت کنند و به تجزیه و تحلیل و درک آن‌ها بپردازند و در صورت نیاز، پاسخی در قالب زبان طبیعی انسان ارائه دهند.

برخی از رایج‌ترین برنامه‌های حوزه پردازش زبان طبیعی عبارت‌اند از:

• سیستم‌های ترجمه متن
• سیستم‌های «عقیده‌کاوی و تحلیل احساسات» (Opinion Mining and Sentiment Analysis)
• «سیستم‌های بازشناسی گفتار» (Speech Recognition)
• سیستم‌های تبدیل متن به گفتار یا گفتار به متن
• سیستم‌های خلاصه‌سازی متون و سیستم‌های تشخیص سرقت ادبی

دروس پیش نیاز رشته هوش مصنوعی کدامند ؟

افرادی که قصد دارند در رشته هوش مصنوعی تحصیل کنند و در آینده در این حیطه مشغول به کار شوند، باید دانش تخصصی خود را در مفاهیم پیش‌نیاز این رشته تقویت کنند که در ادامه به آن‌ها اشاره می‌شود:

• ریاضی: مدل‌های هوش مصنوعی بر پایه مفاهیم ریاضیاتی شکل گرفته‌اند. به منظور درک عملکرد مدل‌ها و الگوریتم‌های هوش مصنوعی نیاز است متقاضی این رشته، دروس جبر، جبر خطی، حسابان، ریاضیات گسسته و معادلات ماتریسی را گذرانده باشد.

• برنامه نویسی و طراحی الگوریتم: پیاده‌سازی مدل‌های هوش مصنوعی، لازمه کار افراد فعال در این رشته است. بنابراین، افرادی که قصد دارند در رشته هوش مصنوعی ادامه تحصیل بدهند، باید به اصول برنامه نویسی، ساختمان داده و طراحی الگوریتم مسلط باشند. رایج‌ترین زبان‌های برنامه نویسی مورد استفاده در رشته هوش مصنوعی عبارت‌اند از: زبان برنامه نویسی پایتون، متلب، R ، LISP، جاوا، C++‎ و Prolog.

• آمار و احتمالات: علاوه‌بر مباحث ریاضی، افراد متقاضی در رشته هوش مصنوعی باید با مفاهیم آمار و احتمالات نیز آشنا باشند. این مفاهیم در مرحله جمع‌آوری داده‌ها و درک یادگیری مدل و نحوه پیش‌بینی مدل برای تولید مقدار خروجی لازم هستند.

• پایگاه داده: سیستم‌های هوشمند به منظور یادگیری مسائل مختلف نیاز به یک سری داده‌های ورودی دارند که این داده‌ها باید در قالبی مشخص فراهم شده باشند. بدین ترتیب، شناخت انواع مختلف دادگان و نحوه مدیریت، به‌روزرسانی و استخراج داده‌ها از پایگاه داده‌ها و بانک اطلاعاتی لازمه کار متخصصان هوش مصنوعی است.

ادامه تحصیل در رشته هوش مصنوعی در دانشگاه های ایران چگونه است ؟

رشته هوش مصنوعی یکی از گرایش‌های رشته مهندسی کامپیوتر محسوب می‌شود و متقاضیان می‌توانند در مقطع کارشناسی ارشد به تحصیل در این رشته بپردازند. افرادی که علاقه‌مند هستند در رشته هوش مصنوعی مشغول به تحصیل شوند، بهتر است در مقطع کارشناسی، در رشته‌های مرتبط با کامپیوتر مانند رشته علوم کامپیوتر یا رشته مهندسی کامپیوتر نرم‌افزار تحصیل کنند تا با گذراندن دروس پیش‌نیاز رشته هوش مصنوعی، برای قبولی در مقطع ارشد و تحصیل در این گرایش آماده شوند. در ادامه، به فهرستی از دانشگاه‌های برتری اشاره شده است که رشته هوش مصنوعی را در مقطع کارشناسی ارشد ارائه می‌کنند:

• دانشگاه صنعتی شریف
• دانشگاه تهران
• صنعتی امیر کبیر
• دانشگاه شهید بهشتی
• تربیت مدرس
• دانشگاه علم و صنعت
• خواجه نصیرالدین طوسی
• دانشگاه خوارزمی
• شهید رجایی
• مالک اشتر
• دانشگاه شیراز
• دانشگاه صنعتی اصفهان
• فردوسی مشهد
• صنعتی همدان
• دانشگاه تبریز
• شهید چمران بوشهر
• شهید باهنر کرمان
• دانشگاه سمنان
• صنعتی شاهرود
• دانشگاه یزد

موارد آزمون کنکور ارشد رشته هوش مصنوعی

افرادی که قصد دارند در کنکور ارشد رشته هوش مصنوعی شرکت کنند، باید به سه بخش مختلف از سوالات پاسخ دهند که در ادامه به آن‌ها اشاره شده است:

1. زبان عمومی و تخصصی (انگلیسی)
2. مجموعه سوالات ریاضی شامل:
   1. ریاضی عمومی ۱
   2. ریاضی عمومی ۲
   3. آمار و احتمال مهندسی
   4. ریاضیات گسسته
3. مجموعه سوالات تخصصی رشته کامپیوتر شامل:
   1. نظریه زبان‌ها و ماشین‌ها
   2. سیگنال‌ها و سیستم‌ها
   3. ساختمان داده‌ها
   4. طراحی الگوریتم
   5. هوش مصنوعی
   6. مدار منطقی
   7. معماری کامپیوتر
   8. الکترونیک دیجیتال
   9. سیستم‌های عامل
   10. شبکه‌های کامپیوتری
   11. پایگاه داده‌ها

دروس تخصصی رشته هوش مصنوعی

طول دوره رشته هوش مصنوعی در مقطع کارشناسی ارشد در ایران دو سال است و دانشجویان این رشته باید از مجموعه دروس ارائه شده، تعداد ۲۹ واحد درسی (برای دوره پژوهش محور) و تعداد ۳۲ واحد درسی (برای دوره آموزش محور) را بگذرانند. واحدهای درسی ارائه شده، شامل واحدهای جبرانی، واحدهای دروس اصلی (۹ واحد اجباری) و واحدهای دروس اختیاری است. در ادامه، به فهرستی از این دروس اشاره شده است:

• دروس جبرانی
  • سیگنال‌ها و سیستم‌ها
  • هوش مصنوعی
  • طراحی الگوریتم‌ها
  • ریاضیات مهندسی یا جبر خطی

• دروس اصلی
  • هوش مصنوعی پیشرفته
  • یادگیری ماشین
  • پردازش تصویر
  • فرآیندهای تصادفی
  • پردازش زبان طبیعی
  • پردازش علائم دیجیتال
  • پردازش تکاملی
  • شناسایی آماری الگو
  • سیستم‌های فازی

• دروس اختیاری
  • نظریه یادگیری ماشین
  • مدل‌های احتمالاتی گرافی
  • یادگیری عمیق
  • هوش محاسباتی
  • رباتیک
  • بازشناسی گفتار
  • نظریه الگوریتمی بازی‌ها
  • هوش مصنوعی توزیع شده
  • نظریه یادگیری آماری
  • بینایی پیشرفته سه بعدی کامپیوتر
  • بهینه‌سازی محدب
  • نظریه اطلاعات و کدینگ
• دروس تحقیقاتی
  • سمینار
  • پایان‌نامه

در ادامه مطلب حاضر، به توضیح موضوعات اصلی هر یک از دروس رشته هوش مصنوعی پرداخته شده و منابع مطالعاتی اصلی این دروس معرفی می‌شوند.

درس سیگنال ها و سیستم ها

هدف از این درس، ارائه مفاهیمی پیرامون مدل‌سازی سیگنال‌ها، توصیف و تجزیه و تحلیل آن‌ها در دامنه‌های زمانی و فرکانسی است. مطالبی که در این دروس به دانشجویان رشته هوش مصنوعی ارائه می‌شوند، شامل موارد فهرست شده در زیر هستند:

• انواع سیگنال‌ها و ویژگی‌های آن‌ها
• سیستم‌های خطی ناوردا
• سری فوریه سیگنال‌های متناوب
• تبدیل فوریه زمان پیوسته
• تبدیل فوریه زمان گسسته
• توصیف زمان / فرکانس سیگنال‌ها و سیستم‌ها
• نمونه‌برداری
• تبدیل لاپلاس
• تبدیل z

منبع اصلی این درس، کتاب Signals and Systems است که اطلاعات دقیق آن در ادامه ذکر شده است:

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

درس هوش مصنوعی

هدف از درس هوش مصنوعی، آشنایی دانشجویان با روش‌های مختلف سیستم برای تصمیم‌گیری درباره مسائل مختلف است. این درس بر روی مفاهیم مختلفی نظیر روش‌های جستجو، حل مسئله، نمایش دانش و استنتاج تمرکز دارد.

موضوعات اصلی ارائه شده در این درس را می‌توان به صورت زیر فهرست کرد:

• تاریخچه هوش مصنوعی و مفهوم و کاربرد آن
• انواع مختلف عامل‌ها
• روش‌های جستجوی ناآگاهانه
• روش‌های جستجوی آگاهانه
• روش‌های جستجوی محلی
• مسئله ارضای محدودیت
• روش‌های جستجوی مقابله‌ای
• فرآیند تصمیم مارکوف
• یادگیری تقویتی
• انواع منطق
• شبکه‌های بیزین
• مقدمه‌ای بر یادگیری ماشین

منبع مطالعاتی اصلی این درس کتاب Artificial Intelligence: A Modern Approach است که اطلاعات کامل آن را در ادامه ملاحظه می‌کنید:

• Stuart Russell and Peter Norvig. Artificial Intelligence: A Modern Approach.​ ۳rd Edition, ۲۰۰۹

درس طراحی الگوریتم

در این درس، روش‌های مختلف طراحی الگوریتم‌ها و ویژگی‌ها و پیچیدگی‌های محاسباتی آن‌ها برای مسائل مختلف به دانشجویان آموزش داده می‌شوند.

مهم‌ترین موضوعات مطرح شده در این درس به شرح زیر هستند:

• الگوریتم‌های مبتنی بر استقرا
• تقسیم و حل
• الگوریتم‌های حریصانه
• برنامه‌ریزی پویا
• جستجوی فضای حالت
• الگوریتم‌های گراف
• تطابق رشته‌ها
• شبکه‌های شار
• برنامه‌ریزی خطی
• پیچیدگی محاسبات
• الگوریتم‌های تقریبی

مهم‌ترین منابع مطالعاتی این درس در ادامه فهرست شده‌اند:

• J. Kleinberg and E. Tardos. Algorithm Design. Addison Wesley, ۲۰۰۵
• T. Cormen, C. Leiserson, R. Riverst, and C. Stein. Introduction to Algorithms. 3rd Edition, MIT Press, 2009
• U. Manber. Introduction to Algorithms: A Creative Approach. Addison-Wesley, ۱۹۸۹
• G. Brassard, P. Bratley. Algorithmics: Theory and Practice. Prentice-Hall, ۱۹۸۸

درس جبر خطی

درس جبر خطی مفاهیم مختلفی پیرامون تحلیل نگاشت‌ها و سیستم‌های خطی با استفاده از ماتریس‌ها را پوشش می‌دهد.

مهم‌ترین موضوعات این درس در ادامه فهرست شده‌اند:

• فضاهای برداری
• نگاشت خطی و ماتریس
• چندجمله‌ای‌ها
• مقادیر ویژه و بردارهای ویژه
• فضاهای ضرب داخلی
• انواع عملگرها و تجزیه‌ها

منابع اصلی مطالعاتی درس جبر خطی برای دانشجویان رشته هوش مصنوعی در ادامه فهرست شده‌اند:

• Right Sheldon Axler. Linear Algebra. Springer, ۲۰۱۵
• Gilbert Strang. Linear Algebra and Its Application. 4th Edition, Cengage Learning, ۲۰۰۶
• David Clay. Linear Algebra and Its Application. 4th Edition, Pearson, ۲۰۱۱

درس هوش مصنوعی پیشرفته

درس هوش مصنوعی پیشرفته شامل مباحث تکمیلی درس هوش مصنوعی در مقطع کارشناسی رشته مهندسی کامپیوتر است. در این درس به سه موضوع کلی نمایش دانش، روش‌های خودکارسازی استدلال و برنامه نویسی محدودیت (Constraint Programming) پرداخته می‌شود.

سرفصل‌های اصلی این درس را در ادامه ملاحظه می‌کنید:

• نمایش دانش
• استدلال در منطق مرتبه اول
• روش‌های ساخت‌یافته و شی گرایی برای نمایش دانش
• منطق‌های توصیف
• استدلال ناهمگن
• استدلال در شرایط ابهام، عدم قطعیت و درجه‌بندی سطح باور
• نمایش دانش و استدلال در دامنه‌های معنایی خاص

دانشجویان رشته هوش مصنوعی می‌توانند از منابع ذکر شده در زیر برای مطالعه این درس استفاده کنند:

• R. J. Brachman and Hector J. Levesque (eds.), Knowledge Representation and Reasoning, Morgan Kaufman, ۲۰۰۴
• F. van Harmelen, V. Lifschitz, B. Porter (eds.), Handbook of Knowledge Representation, Elsevier, ۲۰۰۸
• M. Fisher, D. Gabbay, L. Villa (eds.), Handbook of Temporal Reasoning in Artificial Intelligence, Elsevier, ۲۰۰۵
• F. Rossi, P. Van Beek, T. Walsh (eds.), Handbook of Constraint Programming, Elsevier, ۲۰۰۶
• G. Brewka (ed.), Principles of Knowledge Representation, CSLI Publications, ۱۹۹۶
• G. Lakemeyer and B. Nebel (eds.), Foundations of Knowledge Representation and Reasoning, Springer-Verlag, ۱۹۹۴
• S. Russell, P. Norvig, Artificial Intelligence: A Modern Approach, 3ed ed., Prentice Hall, ۲۰۱۰
• J. Harrison, Handbook of Practical Logic and Automated Reasoning, Cambridge University Press, ۲۰۰۹

درس یادگیری ماشین

در این درس، دانشجویان رشته هوش مصنوعی با انواع رویکردها و الگوریتم‌های یادگیری ماشین آشنا می‌شوند و نحوه کاربرد آن‌ها را برای انواع مسائل مختلف فرا می‌گیرند.

مهم‌ترین موضوعات مطرح شده در این درس به شرح زیر هستند:

• مقدمه‌ای بر یادگیری ماشین و مباحث احتمال و جبر خطی
• رگرسیون
• ارزیابی و تنظیم کردن مدل‌ها
• انواع روش‌های دسته‌بندی
• دسته‌بندی با استفاده از توابع جداساز
• درخت تصمیم
• روش‌های یادگیری مبتنی بر نمونه
• تئوری یادگیری محاسباتی
• یادگیری جمعی
• کاهش ابعاد
• انواع روش‌های خوشه‌بندی
• یادگیری تقویتی

به منظور مطالعه مباحث ذکر شده در این واحد درسی، می‌توان از منابع مهم زیر استفاده کرد:

• C. Bishop. Pattern Recognition and Machine Learning. Springer, ۲۰۰۶
• T. Mitchell. Machine Learning. MIT Press, ۱۹۹۸
• K. Murphy. Machine Learning: A Probabilistic Perspective. MIT Press, ۲۰۱۲
• T. Hastie, R. Tibshirani, and J. Friedman. The elements of statistical learning. 2nd Edition, ۲۰۰۸

درس پردازش تصویر

در این درس به مباحث تئوری الگوریتم‌های رایج در حوزه پردازش تصویر و بینایی ماشین پرداخته می‌شود که در ادامه به فهرستی از مهم‌ترین موضوعات این درس اشاره شده است:

• مبانی تصاویر دیجیتال
• تجزیه و تحلیل تصاویر باینری
• روش‌های آستانه‌یابی در نور یکنواخت و غیریکنواخت
• روش‌های قطعه‌بندی تصویر
• مفاهیم مدل‌های رنگ
• روش‌های آماری پایداری رنگ
• روش‌های تجزیه و تحلیل بافت
• توصیف‌کننده‌های تصویر
• روش‌های شناسایی اشیاء در تصاویر
• توصیف‌کننده‌های فوریه
• کدهای زنجیره‌ای، امضا، مرز
• روش‌های استخراج بردار ویژگی از تصاویر
• روش‌های بازیابی تصاویر و معیارهای ارزیابی کارایی آن‌ها
• تشخیص حرک در ویدئو، بردارهای حرکت و محاسبه جریان در تصاویر
• مدل دوربین و کالیبراسیون
• معادلات لنز و اصلاح اعوجاج لنز
• مفاهیم مرتبط با عمق در تصاویر و پرسپکتیو
• انواع ردگیری

منابع مطالعاتی مهم برای درس بینایی ماشین در ادامه فهرست شده‌اند:

• Computer vision, by Linda G.Shapiro, George C.Stockman, Prentice Hall, ۲۰۰۱
• Digital Image Processing, 3rd edition, by R.C.Gonzalez, R.E.Woods, Prentice Hall, ۲۰۰۸
• Learning OpenCV, Computer vision with the OpenCV, by G.Bradski, A.Kaebler, O’REILLT, ۲۰۰۸

درس فرآیندهای تصادفی

موضوعات مطرح شده در درس فرآیندهای تصادفی به بررسی پدیده‌هایی می پردازند که در آن ها دو مولفه تصادفی بودن و دارای مرحله یا زمان بودن مطرح است. در این درس، دانشجویان با مدل‌های تصادفی اندیس شده با زمان یا مکان آشنا می‌شوند و با استفاده از آن‌ها برای مسائل مختلف به توصیف و استنتاج و تخمین پارامترهای ناشناخته می‌پردازند.

فهرستی از مباحث اصلی این درس در ادامه ملاحظه می‌شود:

• نظریه احتمالات
• فرآیندهای تصادفی
• فرآیند پواسن
• بردارهای گاوسی و فرآیندهای گاوسی
• زنجیره مارکف
• تئوری تخمین
• تخمین‌گرهای نقطه‌ای

منابع مطالعاتی اصلی و مهم این درس برای دانشجویان رشته هوش مصنوعی در ادامه فهرست شده‌اند:

• Athanasios Papoulis and S. Unnikrishna Pillai, “Probability, Random Variables and Stochastic Processes,” McGraw-Hill Europe, 4th edition, Jan., ۲۰۰۲
• Robert G. Gallager, “Stochastic Processes: Theory for Applications,” Cambridge University Press, 1st edition, Feb., ۲۰۱۴
• George Casella and Roger L. Berger, “Statistical Inference,” Wadsworth Press, 2nd edition, Jun., ۲۰۰۱

درس پردازش زبان طبیعی

دانشجویان رشته هوش مصنوعی در درس پردازش زبان طبیعی با روش‌های پردازش زبان انسان و آموزش مدل‌های هوش مصنوعی به منظور یادگیری زبان طبیعی آشنا می‌شوند.

مباحثی که در این درس تدریس می‌شوند، در ادامه فهرست شده‌اند:

• روش‌های پیش‌پردازش و آماده‌سازی داده‌ها
• مدل‌های زبانی
• روش‌های دسته‌بندی متون
• روش‌های خوشه‌بندی متون
• انواع شبکه‌های عصبی در حوزه پردازش زبان طبیعی
• کاربردهای پردازش زبان طبیعی

مهم‌ترین منابع مطالعاتی درس پردازش زبان طبیعی برای دانشجویان ارشد رشته هوش مصنوعی در ادامه ملاحظه می‌شوند:

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

درس پردازش علائم دیجیتال

در این درس، دانشجویان با انواع روش‌های پردازش علائم دیجیتال و طراحی فیلترهای مختلف آشنا می‌شوند.

مباحث اصلی این دروس را می‌توان به شکل زیر فهرست کرد:

• پردازش سیگنال‌ها و سیستم‌های پیوسته خطی
• سیستم‌ها و سیگنال‌های گسسته
• تبدیل فوریه گسسته در زمان
• تبدیل Z
• انواع فیلترهای دیجیتال
• تبدیل فوریه گسسته
• تبدیل سریع فوریه FFT
• طراحی انواع فیلترهای مختلف
• پردازش سیگنال آماری

منابع مطالعاتی این درس در ادامه فهرست شده‌اند:

• Oppenheim, Alan V., Ronald W. Schafer, and John R. Buck. Discrete-Time Signal Processing. 2nd ed. Upper Saddle River, NJ: Prentice Hall, ۱۹۹۹
• Proakis, John G., and Dmitris K. Manolakis. Digital Signal Processing. 4th ed. Upper Saddle River, NJ: Prentice Hall, ۲۰۰۶

درس پردازش تکاملی

دانشجویان رشته هوش مصنوعی در درس پردازش تکاملی، با انواع الگوریتم‌های تکاملی و ویژگی‌ها و کاربردهای آن‌ها برای حل مسائل مختلف آشنا می‌شوند.

مباحثی که این درس پوشش می‌دهد، به شرح زیر هستند:

• مفهوم روش‌های تکاملی
• الگوریتم ژنتیک و برنامه نویسی ژنتیک
• انواع عملگرهای انتخاب، ترکیب و جهش
• روش‌های ارضای محدودیت شامل تابع جریمه، نمایش خاص کروموزوم‌ها، روش‌های اصلاح کردن جواب‌ها
• روش‌های بهینه‌سازی چندهدفه
• الگوریتم‌های تکاملی چندهدفه
• متریک‌های مقایسه

منابع مطالعاتی اصلی این درس عبارت‌اند از:

• Genetic Algorithms + Data Structures = Evolution Programs, Zbigniew Michalewicz, ۱۹۹۶
• Multi-Objective Optimization Using Evolutionary Algorithms, Kalynmoy Deb, ۲۰۰۱
• Evolutionary Algorithms for Solving Multi-Objective Problems, Carlos A. Coello Coello, Gary B. Lamont and David A. Van Veldhuizen, ۲۰۰۷

درس شناسایی آماری الگو

در درس شناسایی آماری الگوها، دانشجویان با انواع روش‌های استخراج ویژگی از داده‌ها آشنا می‌شوند. استخراج ویژگی یکی از گام‌های مهم برای آموزش مدل های یادگیری ماشین به شمار می‌رود.

همچنین، این درس مباحث مختلفی پیرامون انواع روش‌های کاهش بعد ویژگی ها را نیز پوشش می‌دهد.

مهم‌ترین موضوعات ارائه شده در این درس در ادامه فهرست شده‌اند:

• طبقه‌بندی الگوهای آماری
• تئوری تخمین و آموزش ماشین
• توابع تمایز خطی و خوشه‌بندی
• تئوری استخراج ویژگی‌ها
• تقریب آماری و شناسایی الگوها
• روش‌های کاهش ابعاد ویژگی‌ها

مهم‌ترین و اصلی‌ترین منابع مطالعاتی درس شناسایی الگوها در ادامه ذکر شده‌اند:

• A. R. Webb and K. D. Copsey , Statistical pattern Recognition john wiley & sons ۲۰۱۱
• G. J. Melachian, Discrinminant Analysis and statical pattern Recognition , john wiley & sons, ۲۰۰۴
• D. J. Marchette, Random Graphs for Statistical pattern Recognition, John wiley& sons, ۲۰۰۵
• D. Y. Yeung, J. T. Kwok. A. Fred, F. Roli and D. D. Ridder. Structural. Syntactic, and statistical pattern recognition, springer, ۲۰۰۶
• J. T. Tou and R. C. Gonzales, pattern Recogntion prenciples, Addison- Wesley, ۱۹۸۱
• P. A. Devijver and J. kittler, pattern Recognition: Theory and application, springer, ۱۹۸۶

درس منطق فازی

دانشجویان رشته هوش مصنوعی با درس منطق فازی، با عامل‌های منطقی و منطق گزاره‌ای آشنا می‌شوند و روش تفکر و استنتاج عامل‌های هوشمند را فرا می‌گیرند.

مهم‌ترین مباحث این درس پیرامون موارد فهرست شده در زیر هستند:

• عامل‌های هوشمند
• انواع روش‌های جستجوی هوشمند و غیرهوشمند
• عامل‌های منطقی، منطق گزاره‌ای، رزولوشن، زنجیر جلورو و عقب‌رو
• منطق مرتبه اول و انواع استنتاج در آن
• سیستم‌های مبتنی بر استنتاج منطقی
• عدم قطعیت و سیستم‌های مبتنی بر استنتاج احتمالی
• انواع سیستم‌های تصمیم‌گیری
• پایگاه دانش، ساخت پایگاه دانش و روش‌های بازنمایی دانش

منبع مطالعاتی درس منطق فازی برای دانشجویان رشته هوش مصنوعی در ادامه ملاحظه می‌شود:

• H. J. Zimmermann, “Fuzzy Set Theory and Its Applications,” ۲nd Edition, Kluwer Academic Publishers, Boston, ۱۹۹۱
• Fuzzy Sets, Uncertainty, and Information. Capa. Costas Papa, George J. Klir, Tina A. Folger. Prentice Hall, ۱۹۸۸ – ۳۵۵ págin

درس نظریه یادگیری ماشین

در درس نظریه یادگیری ماشین به مباحث نظری الگوریتم‌های یادگیری ماشین و تحلیل آن‌ها پرداخته می‌شود. تمرکز این درس بر روی روش‌های آماری محاسباتی است.

مهم‌ترین موضوعاتی که این درس شامل می‌شود، در ادامه فهرست شده‌اند:

• مدل‌های یادگیری و محاسبه کران خطا
• معیارهای محاسبه فضای فرضیه
• یادگیری غیریکنواخت
• تحلیل الگوریتم‌های کمینه‌سازی خطا
• روش‌های منظم‌سازی و پایداری الگوریتم‌های یادگیری
• پیچیدگی محاسباتی الگوریتم‌های یادگیری
• الگوریتم‌های یادگیری برخط
• الگوریتم‌های یادگیری رتبه‌بندی
• الگوریتم‌های یادگیری فعال
• نظریه PAC-Bayesian
• مبانی نظری خوشه‌بندی
• یادگیری محدب
• تحلیل الگوریتم‌های یادگیری

مهم‌ترین منابع مطالعاتی درس نظریه یادگیری ماشین در ادامه ملاحظه می‌شوند:

• M. Mohri, A. Rostamizadeh, and A. Talwalkar, Foundations of Machine Learning, second edition ed. MIT Press, ۲۰۱۸
• S. Shalev-Shwartz and S. Ben-David, Understanding Machine Learning : From Theory to Algorithms. Cambridge University Press, ۲۰۱۴

مدل های گرافی احتمالاتی

درس مدل‌های گرافی احتمالی شامل مباحث محاسباتی برای استنتاج و تصمیم‌گیری در شرایطی است که درباره موضوعی خاص قطعیت کامل وجود ندارد. از مدل‌های گرافی برای نمایش وابستگی بین متغیرهای تصادفی درون گراف استفاده می‌شود. لازمه مطالعه و درک مفاهیم این درس، درس آمار و احتمالات مهندسی و مقدمات یادگیری ماشین است. در ادامه، فهرستی از سرفصل‌های اصلی این درس برای دانشجویان هوش مصنوعی ملاحظه می‌شود:

• انواع مدل‌های گرافی
• استنتاج دقیق در مدل‌های گرافی
• انواع استنتاج تقریبی
• یادگیری مدل‌های گرافی

منابع مطالعاتی ذکر شده در زیر، مهم‌ترین و اصلی‌ترین منابع این درس محسوب می‌شوند:

• D. Koller and N. Friedman, “Probabilistic Graphical Models: Principles and Techniques”, MIT Press, ۲۰۰۹
• M. Wainwright and M.I. Jordan, “Graphical Models, Exponential Families, and Variational Inference”, Foundations and Trends in Machine Learning, vol. 1, pp. ۱-۳۰۵, ۲۰۰۸
• M.I. Jordan, “An Introduction to Probabilistic Graphical Models”, In preparation
• C.M. Bishop, “Pattern Recognition and Machine Learning”, Springer, ۲۰۰۶
• K.P. Murphy, “Machine Learning: A Probabilistic Perspective”, MIT Press, ۲۰۱۲

درس یادگیری عمیق

دانشجویان رشته هوش مصنوعی در درس یادگیری عمیق با مفهوم این اصطلاح و شبکه‌های عصبی و کاربردهای آن آشنا می‌شوند. همچنین، در این درس، به موضوعات بهینه‌سازی، تعمیم‌پذیری و نحوه یادگیری مدل‌های عمیق پرداخته خواهد شد.

مهمترین مباحث این درس پیرامون موضوعات فهرست شده در زیر هستند:

• معرفی شبکه‌های عصبی مصنوعی
• مدل پرسپترون چند لایه
• الگوریتم انتشار رو به عقب
• بهینه‌سازی عملکر شبکه‌های عمیق
• روش‌های آموزش، طراحی و تعمیم‌پذیری شبکه‌های عمیق
• شبکه‌های عصبی پیچشی
• شبکه‌های عصبی بازگشتی
• مدل‌های تبدیل‌کننده
• شبکه‌های جمع-ضرب
• مدل‌های مولد
• یادگیری تقویتی عمیق

دانشجویان رشته هوش مصنوعی می‌توانند برای درس یادگیری عمیق، از منابع مطالعاتی زیر استفاده کنند:

• Ian Goodfellow, Yoshua Bengio and Aaron Courville, Deep Learning, Book in preparation for MIT Press, ۲۰۱۶
• Michael Nielsen, Neural networks and deep learning, Preprint, ۲۰۱۶

درس هوش محاسباتی

دانشجویان رشته هوش مصنوعی در درس هوش محاسباتی با روش‌های مختلفی نظیر پردازش‌های تکاملی، هوش جمعی، سیستم‌های ایمنی مصنوعی، شبکه‌های عصبی و سیستم‌های فازی آشنا می‌شوند تا بتوانند به طراحی سیستم‌های هوشمند در محیط پویا و پیچیده بپردازند. مهمترین مباحثی که در این درس ارائه می‌شوند، در ادامه فهرست شده‌اند:

• روش‌های هوش محاسباتی
• انواع مختلف الگوریتم‌های پردازش‌های تکاملی
• مبانی نظری جستجوی هارمونی و کاربردهای آن
• انواع الگوریتم‌های هوش جمعی
• سیستم‌های ایمنی طبیعی و مصنوعی
• سنتز پدیده‌های طبیعی
• انواع محاسبات با مواد طبیعی

منابع مهم مطالعاتی درس هوش محاسباتی به شرح زیر هستند:

• A. P. Engelbrecht, Computational Intelligence: An Introduction, John Wiley & Sons, ۲۰۰۷
• A. E. Eiben and J. E. Smith, Introduction to Evolutionary Computing, Springer Verlag, ۲۰۰۳
• M. Dorigo and T. Stutzle, Ant Colony Optimization, MIT Press, ۲۰۰۴
• J. Kennedy, R. C. Eberhart, and Y. Shi, Swarm Intelligence, Morgan Kaufmann Publishers, ۲۰۰۱
• L. N. de Castro, “Fundamentals of Natural Computing: An Overview”, Physics of Life Reviews, Vol. ۴, No. ۱, pp. ۱-۳۶, ۲۰۰۷
• L. N. de Castro, Fundamentals of Natural Computing: Basic Concepts, Algorithms, and Applications, Chapman & Hall/CRC Computer and Information Sciences, ۲۰۰۶

درس رباتیک

هدف از درس رباتیک در رشته هوش مصنوعی، آشنایی دانشجویان این رشته با مباحث و موضوعاتی پیرامون ساخت و طراحی سخت‌افزاری و نرم‌افزاری ربات‌های هوشمند است تا از آن‌ها در فعالیت‌های مختلف استفاده شوند.

اصلی‌ترین موضوعاتی که این درس پوشش می‌دهد، در ادامه ذکر شده‌اند:

• سینماتیک
• دینامیک
• مکان‌یابی
• ناوبری
• برنامه‌ریزی رفتار سیستم

مراجع مطالعاتی درس رباتیک برای دانشجویان رشته هوش مصنوعی در ادامه ملاحظه می‌شوند:

• Computational Principles of Mobile Robotics. Gregory Dudek and Michael Jenkin. 2nd ed. Cambridge University Press, ۲۰۱۰
• Introduction to Autonomous Mobile Robots R. Siegwart, and I. Nourbakhsh, MIT Press, ۲۰۰۴
• Autonomous Robots: From Biological Inspiration to Implementation and Control G.A. Bekey, MIT Press, ۲۰۰۵

درس بازشناسی گفتار

درس بازشناسی گفتار یکی از دروس اختیاری در رشته هوش مصنوعی محسوب می‌شود که مباحثی را پیرامون روش‌های پیش‌پردازش سیگنال‌های گفتاری و مدل‌ها و روش‌های تشخیص گفتار را دربر می‌گیرد. در ابتدای این درس، دانشجویان با نحوه تولید و درک گفتار در انسان و حوزه واج‌شناسی و آواشناسی آشنا خواهند شد.

فهرستی از مباحث اصلی این درس در ادامه ملاحظه می‌شود:

• تولید و درک گفتار
• پیش‌پردازش گفتار
• مقایسه الگوها
• پیچش زمانی پویا
• مدل پنهان مارکوف
• بازشناسی کلمات متصل
• بازشناسی پیوسته با واژگان بزرگ
• روش‌های جستجو در بازشناسی گفتار
• شبکه‌های عصبی عمیق در بازشناسی گفتار

دانشجویان می‌توانند از مراجع اصلی این درس که در ادامه به آن‌ها اشاره شده است، برای مطالعه مفاهیم استفاده کنند:

• Rabiner & Juang, Fundamentals of Speech Recognition, Prentice-Hall, ۱۹۹۳
• Huang, Acero & Hon, Spoken Language Processing, Prentice Hall, ۲۰۰۱
• Dong Yu & Li Deng, Automatic Speech Recognition, A Deep Learning Approach, Springer-Verlag, ۲۰۱۵
• Deller, Proakis & Hansen. Discrete-time processing of speech signals, Prentice Hall, ۱۹۹۹

نظریه الگوریتمی بازی‌ها

درس نظریه الگوریتمی بازی‌ها شامل طراحی و مدل‌سازی سیستم‌های هوشمندی است که بر اساس تصمیمات خود بر مبنای پارامترها و ویژگی‌های مختلف، وضعیت سیستم را تغییر می‌دهند. از این الگوریتم‌ها بیشتر در حوزه‌ها اقتصادی و تجاری استفاده می‌شوند.

در ادامه، به فهرستی از مهم‌ترین مباحث در این درس اشاره شده است:

• معرفی نظریه بازی‌ها
• نقاط تعادل
• منطق، اتوماتا و بازی‌های بی‌نهایت
• طراحی مکانیزم الگوریتمی
• دینامیک بازی‌ها و مسائل یادگیری

مراجع اصلی درس نظریه الگوریتمی بازی‌ها برای مطالعه دانشجویان رشته هوش مصنوعی در ادامه ذکر شده‌اند:

• T. Roughgarden. Twenty Lectures on Algorithmic Game Theory. Cambridge University Press, ۲۰۱۶
• K.R. Apt and E. Grädel (Eds.). Lectures in game theory for computer scientists. Cambridge University Press, ۲۰۱۱
• Y. Shoham and K. Leyton-Brown. Multiagent systems: Algorithmic, game-theoretic, and logical foundations. Cambridge University Press, ۲۰۰۸
• N. Nisan, T. Roughgarden, E. Tardos, and V.V. Vazirani. Algorithmic game theory. Cambridge University Press, ۲۰۰۷

هوش مصنوعی توزیع شده

برخی از مسائل هوش مصنوعی را نمی‌توان توسط یک سیستم هوشمند منفرد حل کرد و چنین مسائلی به دلیل پیچیدگی زیاد، دانش توزیع شده بر روی سیستم‌های مختلف و پراکندگی امکانات باید با هماهنگی چندین سیستم هوشمند حل شوند. هوش مصنوعی توزیع شده شامل مباحث و موضوعاتی است که به حل چنین مسائلی کمک می‌کنند.

موضوعاتی که در این درس به آن‌ها پرداخته می‌شود، در ادامه فهرست شده‌اند:

• معرفی مسائل و کاربرد هوش مصنوعی توزیع شده
• انواع سیستم‌های هوشمند توزیع شده
• مسئله ارتباط سیستم‌ها، زبان‌ها و قراردادهای تعاملی
• هماهنگی و انسجام بین سیستم‌ها
• مدل کردن و نمایش دانش سیستم‌ها
• تشخیص تداخل‌ها و روش‌ها حل آن‌ها
• ابزارها و روش‌های پیاده‌سازی سیستم‌های هوشمد توزیع شده

منابع مطالعاتی درس هوش مصنوعی توزیع شده برای دانشجویان رشته هوش مصنوعی در ادامه ملاحظه می‌شوند:

• G. O’Hare and N. Jennings (eds.), Foundations of Distributed Artificial Intelligence, John Wiley and Sons, ۱۹۹۶
• A.H. Bond and L. Gasser (eds.), Readings in Distributed artificial Intelligence, Morgan Kaufman, ۱۹۸۸
• N. Avouris and L. Gasser (eds.), Distributed Artificial Intelligence,: Theory and Praxis, Kluwer, ۱۹۹۲
• F. Martial, Coordinating Plan of Autonomous Agents, Speringer-Verlag, ۱۹۹۱

نظریه یادگیری ماشین آماری

دانشجویان رشته هوش مصنوعی در درس نظریه یادگیری ماشین آماری با روش‌های پیشرفته یادگیری ماشین آشنا می‌شوند که این روش‌ها بر مبنای مفاهیم آماری شکل گرفته‌اند. اصلی‌ترین مباحثی که در این درس به آن‌ها پرداخته می‌شوند، در ادامه فهرست شده‌اند:

• مدل‌ها و استنتاج بیزی ناپارامتریک
• فرآیندهای گاوسی
• فرآیند دریکله
• یادگیری عمیق و مدل‌های مخلوط دریکله
• یادگیری عمیق و فرآیندها و مدل‌های بوفه هندی
• یادگیری عمیق و فرآیندها و مدل‌های نقطه‌ای
• یادگیری عمیق و تحلیل کلان داده‌ها
• شبکه‌های عمیق گرافی
• شبکه‌های عمیق گرافی پویا
• شبکه‌های عمیق مقاوم
• یادگیری ماشین آماری تفسیرپذیر

منابع اصلی مطالعاتی این درس در ادامه ملاحظه می‌شوند:

• P. Orbanz, Lecture Notes on Bayesian Nonparametrics, ۲۰۱۴
• Carl E. Rasmussen, Christopher K. I. Williams, Gaussian Processes for Machine Learning, the MIT Press, ۲۰۰۶
• Jakob Gulddahl Rasmussen, Aspects of temporal and spatio-temporal processes, PhD Thesis, Department of Mathematical Science, Aalborg University, ۲۰۰۶

بینایی پیشرفته سه بعدی کامپیوتر

در درس بینایی پیشرفته سه‌بعدی، دانشجویان با مباحث پیشرفته‌تر حوزه بینایی ماشین آشنا می‌شوند. در این درس به روش‌های تحلیل تصاویر سه‌بعدی و استخراج ویژگی از آن‌ها و یادگیری این تصاویر توسط مدل‌های عمیق پرداخته خواهد شد.

سرفصل‌های اصلی و مهم این درس در ادامه ملاحظه می‌شوند:

• پردازش سیگنال و تصویر
• هندسه سه‌بعدی
• دوربین‌ها و افکنش‌ها
• بازسازی سه‌بعدی
• بازسازی سطح و اجرا
• چند دوربینی
• استخراج نقاط کلیدی
• برازش مدل مقاوم
• بازشناسی اشیاء
• خوشه‌بندی و دسته‌بندی
• نزدیک‌ترین همسایه‌ها
• یادگیری عمیق در بینایی ماشین

منابع مطالعاتی این درس برای دانشجویان رشته هوش مصنوعی در ادامه فهرست شده‌اند:

• Stefan Carlsson. Geometric Computing in Image Analysis and Visualization. Lecture Notes, KTH University, ۲۰۰۷
• Richard Szeliski. Computer Vision: Algorithms and Applications. 1st Edition, Springer, ۲۰۱۰

درس بهینه سازی محدب

دانشجویان رشته هوش مصنوعی در درس بهینه‌سازی محدب با انواع روش‌های بهینه‌سازی الگوریتم‌ها و کاربردهای آن‌ها آشنا می‌شوند.

مهم‌ترین مباحث این درس در فهرست زیر ذکر شده‌اند:

• مجموعه‌های محدب
• توابع محدب
• مسائل بهینه‌سازی محدب
• دوگانگی
• الگوریتم‌های بهینه‌سازی نامقید
• الگوریتم‌های بهینه‌سازی با قیود تساوی و ناتساوی
• بهینه‌سازی تصادفی

منابع مطالعاتی مهم این درس در ادامه ملاحظه می‌شوند:

• Stephen Boyd and Lieven Vandenberghe, “Convex optimization,” Cambridge university press, ۲۰۰۴
• Jorge Nocedal and Stephen Wright, “Numerical optimization,” Springer Series in Operations Research and Financial Engineering, 2nd edition, ۲۰۰۶
• “Convex Optimization” taught by Ryan Tibshirani at CMU from ۲۰۱۳ to ۲۰۱۹

نظریه اطلاعات و کدینگ

درس نظریه اطلاعات و کدینگ مفاهیم سنجش، بازنمایی و انتقال اطلاعات را شامل می‌شود. در این درس به این موضوع پرداخته خواهد شد که چرا بیت‌ها برای انتقال اطلاعات مورد استفاده قرار می‌گیرند و چطور می‌توان از مفاهیم تئوری اطلاعات در طراحی و ساخت سیستم‌های مدرن امروزی نظیر گوشی‌های هوشمند و اینترنت استفاده کرد. مباحث این درس، بخش مهمی از دروس آمار و احتمالات، یادگیری ماشین، شبکه‌های عصبی، بلاک‌چین و اطلاعات کوانتوم را دربر می‌گیرند.

در ادامه، به اصلی‌ترین سرفصل‌های درس تئوری اطلاعات و کدینگ اشاره می‌شود:

• مفهوم اطلاعات و آنتروپی
• الگوریتم‌های فشرده‌سازی منبع
• فشرده‌سازی چندمبنعی
• آمار و تئوری اطلاعات
• ظرفیت کانال
• کدینگ‌های خطی

مهم‌ترین و اصلی‌ترین منابع مطالعاتی این درس در ادامه فهرست شده‌اند:

• MacKay, David JC. Information theory, inference, and learning algorithms. Vol. 7. Cambridge: Cambridge university press, ۲۰۰۳
• Cover, Thomas M., and Joy A. Thomas. Elements of information theory. John Wiley & Sons, ۲۰۱۲

مهارت های تخصصی فارغ التحصیلان رشته هوش مصنوعی

افرادی که در رشته هوش مصنوعی فارغ‌التحصیل شده‌اند، با کسب مهارت‌های تخصصی این حوزه قادر هستند مسئولیت‌های مختلفی را برعهده بگیرند که در ادامه به مهم‌‌ترین آن‌ها اشاره شده است:

• افراد فارغ‌التحصیل رشته هوش مصنوعی می‌توانند برای حل مسائل مختلف با استفاده از رویکرد‌های یادگیری ماشین و هوش مصنوعی، ابزارها و سیستم‌های هوشمندی را طراحی کنند.
• متخصصان رشته هوش مصنوعی می‌توانند ابزارهای هوشمندی را برای تحلیل «کلان داده» (Big Data) تهیه کنند که با استفاده از این ابزارها می‌توان گزارشات مختلفی را از حجم بسیار زیادی از داده تهیه کرد.

• تهیه داده‌های حجیم و آماده‌سازی آن‌ها برای آموزش مدل‌های یادگیری ماشین و یادگیری عمیق از وظایف دیگر افراد متخصص در رشته هوش مصنوعی هستند. پیش از شروع آموزش مدل، باید پیش‌پردازشی روی داده‌ها انجام شود که می‌تواند شامل عملیاتی نظیر تشخیص داده‌های «پرت یا ناهنجار» (Outliers)، استانداردسازی و نرمال‌سازی داده، «پاکسازی کردن داده» (Data Cleaning)، تشخیص مقادیر «تهی» (Null) و مقداردهی و حذف آن‌ها باشند.
• پس از آموزش مدل، نیاز است که عملکرد مدل بر روی داده‌های جدید سنجیده شود و اشتباهات مدل مورد بررسی قرار گیرند. متخصص هوش مصنوعی با بررسی اشتباهات عملکرد مدل، باید به دنبال روش بهینه کردن مدل و بهبود عملکرد آن باشد.
• افرادی که در حوزه هوش مصنوعی مشغول به کار هستند، باید برای حل مسائل، روش‌های مختلف را مطالعه کنند و با آگاهی از نقاط ضعف و قوت روش‌ها، مناسب‌ترین روش‌ها را انتخاب و آن‌ها را پیاده‌سازی کنند. سپس، با مقایسه نتایج روش‌های پیاده‌سازی شده، بهترین روش را برای حل مسئله تعریف شده نهایی‌ کنند.
• پیاده‌سازی الگوریتم‌ها و مدل‌های یادگیری ماشین و یادگیری عمیق برعهده افراد فعال در رشته هوش مصنوعی است. آن‌ها با مهارت‌های برنامه نویسی خود در حوزه هوش مصنوعی قادر هستند برای خودکارسازی وظایف مختلف، به نوشتن قطعه کدهای برنامه نویسی برای توسعه مدل بپردازند.
• مصورسازی داده‌ها یکی دیگر از مهارت‌هایی است که پژوهشگران هوش مصنوعی با آن سر و کار دارند. استفاده از ابزارهای مصورسازی به متخصصان رشته هوش مصنوعی کمک می‌کند تا درک بهتری از داده‌های مسئله داشته باشند و درباره عملیات پیش‌پردازش آن‌ها تصمیم‌گیری کنند. همچنین، با مشاهده داده‌ها در قالب نمودارهای مختلف، می‌توان مناسب‌ترین الگوریتم‌های هوش مصنوعی را برای پیاده‌سازی روش حل مسئله انتخاب کرد. به‌علاوه، مهندسان هوش مصنوعی می‌توانند با کمک ابزارهای مصورسازی، ویژگی‌های مختلف داده‌ها را بررسی و گزارشات مهمی را از تحلیل آن‌ها تهیه کنند.
• افرادی که در رشته هوش مصنوعی تحصیل کرده‌اند، می‌توانند مدیریت تیم برنامه نویسی و توسعه نرم‌افزار را برعهده بگیرند. به عبارتی، این افراد با شناخت مفاهیم تخصصی و مراحل مختلف طراحی و ساخت سیستم‌های هوشمند، قادر هستند وظایف مختلفی را برای هر یک از اعضای تیم تعریف و در پیشبرد هدف نهایی تیم، به عنوان راهنما به آن‌ها راهنمایی‌های لازم را ارائه کنند.

در ادامه مطلب، به بازار کار رشته هوش مصنوعی در ایران و خارج از ایران پرداخته و فرصت‌های شغلی پرمتقاضی موجود برای فارغ‌التحصیلان این رشته و مهارت‌های مورد نیاز آن‌ها معرفی می‌شوند.

بازار کار و درآمد رشته هوش مصنوعی در ایران چگونه است ؟

در حال حاضر، رشته هوش مصنوعی به عنوان یکی از رشته‌های پردرآمد در جهان محسوب می‌شود. معمولاً افراد فعال در این حوزه، از میانگین درآمد بیشتری در مقایسه با افراد شاغل در سایر گرایش‌های علوم کامپیوتر برخوردار هستند.

امروزه، تقریباً در تمامی سازمان‌ها و شرکت‌ها به افرادی نیاز است که بتوانند به منظور کسب سوددهی بیشتر، از داده‌های سازمان استفاده کنند تا با تحلیل آن‌ها، گزارشات دقیقی از عملکرد قوی و ضعیف سازمان تهیه و با پیاده‌سازی مدل‌های هوش مصنوعی، به طراحی سیستم‌های هوشمندی بپردازند که در تصمیم‌گیری به مدیران کمک کنند.

به عبارتی، می‌توان گفت زمانی که حرف از داده به میان می‌آید، به فردی احتیاج است که بتواند با استفاده از این داده‌ها، مدیران را به اهداف اصلی خود برسانند. امروزه، چه در ایران و چه در کشورهای خارجی، مشاغل داده‌محور مختلفی برای افراد فارغ‌التحصیل رشته هوش مصنوعی در سازمان‌ها و شرکت‌ها تعریف شده‌اند که هر یک از آن‌ها به مهارت‌های خاصی احتیاج دارند. در ادامه، به برخی از پرتقاضاترین فرصت‌های شغلی رشته هوش مصنوعی اشاره شده و مهارت‌های تخصصی مورد نیاز این جایگاه‌های شغلی شرح داده می‌شوند.

مسیر شغلی مهندسان هوش مصنوعی در ایران

افرادی که علاقه‌مند هستند در رشته هوش مصنوعی ادامه تحصیل بدهند، می‌توانند پس از اتمام دوره تحصیلی خود در سمت‌های شغلی مختلفی در سازمان‌ها و شرکت‌ها مشغول به کار شوند.

در ادامه، به فهرستی از پرتقاضاترین مشاغل این رشته اشاره شده است:

• «دانشمند داده» (Data Scientist)
• «تحلیلگر داده» (Data Analyzer)
• مهندس «کلان داده» (Big Data)
• متخصص پردازش زبان طبیعی
• مهندس یادگیری ماشین
• مهندس رباتیک
• مهندس بینایی ماشین

در ادامه مطلب، به توضیح هر یک از مشاغل ذکر شده در بالا اشاره می‌شود و مهارت‌های لازم و تخصصی این مشاغل مورد بررسی قرار می‌گیرند.

دانشمند داده

دانشمند داده به عنوان یکی از مشاغل تخصصی برای فارغ‌التحصیلان رشته هوش مصنوعی محسوب می‌شود.

دانشمند داده با استفاده از مهارت‌های خود، به تحلیل آماری حجم عظیمی از داده می‌پردازد و با تفسیر داده‌های خام و استخراج اطلاعات ارزشمند از آن‌ها، راه‌حل‌هایی را برای رفع نیازهای سازمان ارائه می‌دهد.

دانشمند داده با استفاده از روش‌ها و الگوریتم‌های هوش مصنوعی، ابزارهای هوشمندی را برای حل کردن مسئله‌ای خاص طراحی می‌کند. ارائه گزارشات از نتایج مدل و ارائه راه‌حل‌ها برای حل چالش‌های کسب و کار و همکاری با تیم‌های فناوری اطلاعات و تجاری سازمان نیز از دیگر مسئولیت‌های دانشمند داده محسوب می‌شود.

افرادی که در رشته هوش مصنوعی تحصیل می‌کنند و قصد دارند در آینده در سمت شغلی دانشمند داده مشغول به کار شوند، باید مهارت‌های تخصصی مرتبط با این فرصت شغلی را در خود تقویت کنند که در ادامه به آن‌ها اشاره شده است:

• مهارت‌های برنامه نویسی: زبان‌های برنامه نویسی مورد نیاز دانشمند داده برای تحلیل آماری داده‌ها و پیاده‌سازی مدل‌های هوش مصنوعی عبارت‌ند از: زبان R، پایتون، SQL، جاوا و C++‎.
• علم آمار: دانشمند داده برای انجام تحلیل‌های آماری بر روی داده‌ها نیاز به دانش تخصصی در حوزه آمار دارد.
• یادگیری ماشین و یادگیری عمیق: درک عمیق از انواع الگوریتم‌های هوش مصنوعی و شناخت مزایا و معایب هر یک از آن‌ها، لازمه کار دانشمند داده است تا با کمک چنین اطلاعاتی، برای حل مسائل مطرح شده، مناسب‌ترین مدل را انتخاب کند.
• ریاضیات: درک مدل‌های هوش مصنوعی و بهینه‌سازی آن‌ها نیازمند درک مفاهیم ریاضیاتی است. به این ترتیب، دانشمند داده باید به مباحثی نظیر جبر، حسابان، جبر خطی و ریاضیات گسسته تسلط داشته باشد.
• ابزارهای مصورسازی داده: به منظور انجام تحلیل و بررسی داده‌ها، ابزارهای مصورسازی داده نظیر matplotlib ،ggplot ،d۳.js و Tableau می‌توانند کمک به‌سزایی به دانشمند داده کنند.

تحلیلگر داده

تحلیلگر داده مسئولیت جمع‌آوری و سازمان‌دهی داده‌های مورد نیاز سازمان را با حجم مشخص شده بر عهده دارد. داده‌های فراهم شده باید به لحاظ کیفی مناسب مسئله تعریف شده باشند.

تحلیلگر داده موظف است کیفیت و صحیح بودن داده‌ها را بسنجد و اطلاعات لازم و اضافی نظیر اطلاعات زبانشناختی و منطقی را به داده‌ها اضافه کند. اطلاعات فراهم شده توسط تحلیلگر داده در اختیار سایر اشخاص در سازمان قرار می‌گیرند تا بر اساس آن‌ها تصمیمات لازم را در خصوص پیشبرد اهداف اتخاذ کنند.

تحلیلگر داده از ابزارهای خودکار برای استخراج اطلاعات از منابع مختلف استفاده می‌کند. پس از جمع‌آوری داده‌ها، تحلیلگر داده باید مشکلات آن‌ها را بررسی کرده و داده‌ها را در قالبی مناسب در پایگاه داده ذخیره کند.

بدین ترتیب، تحلیلگر داده باید با مفاهیم پایگاه داده آشنا باشد و توانمندی خود را برای کار با ابزارهای تحلیل آماری، مصورسازی داده، گزارش‌گیری و ابزارهای پیش‌پردازش داده و تمیز کردن داده بالا ببرد.

مهندس کلان داده

فارغ‌التحصیلان رشته هوش مصنوعی می‌توانند در سمت شغلی مهندسی کلان داده نیز در سازمان‌ها مشغول به کار شوند. مهندس کلان داده باید داده‌های مورد نیاز سازمان را فراهم کند.

معمولاً داده‌ها، در حجم بسیار عظیمی هستند و ساختار آن‌ها غیرساختاریافته است. مهندس کلان داده موظف است داده‌های غیرساختاریافته را به داده‌های ساختاریافته تبدیل کند تا برای مراحل بعدی کار به شکل مناسبی در اختیار سایر افراد تیم قرار گیرند.

مهندسان کلان داده باید از مهارت برنامه نویسی خوبی برخوردار باشند و دانش خود را در حوزه مدل‌های هوش مصنوعی، گزارش‌گیری و مصورسازی داده‌ها بالا ببرند. همچنین، این افراد باید با ابزارهایی نظیر Hadoop ،Apache Spark ،SQL و مفاهیم «استخراج، تغییر، بارگذاری» (Extract, Transform, Load | ETL) تجربه کار داشته باشند.

متخصص پردازش زبان طبیعی

افراد فعال در حوزه رشته هوش مصنوعی می‌توانند در حوزه پردازش زبان به عنوان متخصص پردازش زبان طبیعی مشغول به کار شوند.

متخصص پردازش زبان طبیعی به توسعه و طراحی سیستم‌های هوشمندی می‌پردازد که قادر هستند زبان انسان را درک و با انسان ارتباط گفتاری یا نوشتاری برقرار کنند.

این افراد باید به روش‌های یادگیری ماشین و یادگیری عمیق آشنا باشند و با فراهم کردن داده‌های مورد نیاز مدل و اعمال پیش‌پردازش‌های مناسب، مدل‌های هوش مصنوعی را برای انجام مسئولیتی خاص آموزش دهند.

لازم به ذکر است افرادی که در حوزه پردازش زبان طبیعی فعالیت می‌کنند، باید دانش تخصصی در حوزه زبان و ساختار آن داشته باشند تا بتوانند خطاهای مدل را به لحاظ زبانی تحلیل کنند و راه‌حل‌های مناسبی را برای بهبود عملکرد مدل ارائه دهند. بدین ترتیب، مطالعه و پژوهش در حوزه زبانشناسی لازمه کار متخصص پردازش زبان است.

مهندس یادگیری ماشین

سمت شغلی مهندس یادگیری ماشین یکی دیگر از فرصت‌های شغلی برای فارغ‌التحصیلان رشته هوش مصنوعی محسوب می‌شود. مهندسان یادگیری ماشین بر روی پیاده‌سازی مدل‌های هوش مصنوعی و بهینه کردن عملکرد آن‌ها تمرکز دارند. این افراد باید مهارت تخصصی در زمینه برنامه نویسی داشته باشند و دانش خود را در زمینه مدل‌ها و مباحث ریاضی و آمار مرتبط با یادگیری ماشین بالا ببرند. همچنین، مهندسان یادگیری ماشین باید با انواع ساختار داده‌ها و معماری‌های نرم‌افزاری آشنا باشند و نحوه استفاده از کتابخانه‌ها و فریم‌ورک‌های یادگیری ماشین و یادگیری عمیق نظیر Keras ،PyTorch و Scikit-Learn را بدانند.

مهندس رباتیک

مهندس رباتیک با کمک دانش تخصصی رشته هوش مصنوعی، به طراحی، توسعه و پیاده‌سازی ربات‌هایی می‌پردازد که قادر هستند وظایف مختلفی را به‌طور خودکار انجام دهند.

این افراد باید به خطایابی مشکلات مربوط به عملکرد ربات‌های موجود بپردازند و سیستم‌هایی را طراحی کنند که با استفاده از آن‌ها بتوان ربات‌ها را کنترل کرد. همچنین، مهندسان رباتیک باید محیط‌هایی را با استفاده از کامپیوتر شبیه‌سازی کنند و عملکرد ربات‌های طراحی شده را در این محیط‌ها بسنجند تا استفاده از آن‌‌ها در دنیای واقعی مورد تایید قرار بگیرد.

افرادی که قصد دارند در حوزه مهندسی رباتیک مشغول به کار شوند، علاوه‌بر دانش تخصصی هوش مصنوعی نظیر برنامه نویسی و مباحث مرتبط با مدل‌های یادگیری ماشین و یادگیری عمیق، باید به حوزه مهندسی مکانیک نیز اشراف داشته باشند تا بتوانند دستگاه‌ها و ماشین‌های سخت‌افزاری مورد نیاز ربات را نیز بسازند.

همچنین، این افراد باید با برنامه‌های «طراحی با کمک کامپیوتر» (Computer-Aided Design | CAD) آشنا باشند و محیط‌های اولیه‌ای را برای ربات شبیه‌سازی کنند تا عملکرد ربات در آن محیط سنجیده شود.

مهندس بینایی ماشین

بینایی ماشین یکی از حوزه‌های رشته هوش مصنوعی است که متخصصان فعال در این حیطه، با داده‌های تصویری سر و کار دارند.

هدف از بینایی ماشین پردازش تصاویر ویدئویی، سیگنال‌های دیجیتالی و تصاور آنالوگ به منظور استخراج اطلاعات مورد نیاز است. دستگاه‌های بارکدخوان یکی از دستگاه‌هایی محسوب می‌شوند که از سیستم هوشمند بینایی ماشین برخوردار هستند.

همچنین، افراد فعال در حوزه بینایی ماشین می‌توانند سیستم‌هایی را طرحی کنند که کیفیت حجم تصاویر را بالا ببرند. علاوه‌براین، قابلیت تشخیص چهره در گوشی‌های تلفن همراه نیز حاصل پژوهش‌های حوزه بینایی ماشین محسوب می‌شود. ماشین‌های خودران از دیگر مثال‌های شاخه بینایی ماشین هستند که می‌توانند مسیر و اشیای موجود در اطراف خود را با دقت بالایی تشخیص دهند.

افرادی که قصد دارند در حوزه بینایی ماشین مشغول به کار شوند، باید با مدل‌های هوش مصنوعی آشنا باشند و با استفاده از زبان‌های برنامه نویسی این حوزه نظیر C++‎ و پایتون به پیاده‌سازی مدل‌ها بپردازند.

بازار کار هوش مصنوعی در خارج از ایران

رشته هوش مصنوعی و مشاغل زیرشاخه این رشته به عنوان یکی از پرمخاطب‌ترین سمت‌های شغلی در جهان در سال ۲۰۲۲ محسوب می‌شوند. همچنین، در حوزه فناوری اطلاعات، رشته هوش مصنوعی به عنوان یکی از پردرآمدترین مشاغل به شمار می‌رود. با توجه به فرصت‌های شغلی زیاد این حوزه، بسیاری از مراکز و پلتفرم‌های آموزشی، دوره‌های تخصصی هوش مصنوعی را به افرادی ارائه می‌کنند که پیشینه تحصیلی مرتبطی با این حوزه نداشتند و به دنبال کسب مهارت تخصصی در این حیطه هستند تا بتوانند به موقعیت‌های شغلی بسیار خوبی دست پیدا کنند.

در حال حاضر، کشورهایی که در فهرست زیر به آن‌ها اشاره شده است، در حوزه هوش مصنوعی، بیشترین موقعیت‌های شغلی با درآمد بالا را برای متقاضیان حوزه فراهم می‌کنند:

• ایالات متحده آمریکا
• چین
• ژاپن
• کره جنوبی
• آلمان
• کانادا
• سوئد
• انگلیس

در ادامه مطلب، به توضیح مختصری پیرامون موقعیت‌های شغلی مرتبط با رشته هوش مصنوعی در هر یک از این کشورها اشاره شده و به میانگین درآمد سالیانه افراد شاغل در این حوزه در سال‌های اخیر پرداخته می‌شود.

بازار کار هوش مصنوعی در آمریکا

ایالات متحده آمریکا به عنوان یکی از پیشرفته‌ترین کشورهای جهان در حوزه هوش مصنوعی شناخته می‌شود و دوره‌های تخصصی و پیشرفته مختلفی را برای علاقه‌مندان به این حیطه ارائه می‌کند. هوش مصنوعی نقشی کلیدی در تمامی حوزه‌های صنعت در آمریکا دارد و دولت آمریکا سالانه کمک هزینه‌های قابل توجهی صرف پژوهش‌های نوین و ساخت ابزارها و سیستم‌های مبتنی بر هوش مصنوعی مصنوعی می‌کند.

شرکت‌های بزرگی در این کشور نظیر آمازون، گوگل، مایکروسافت، فیس‌بوک و IBM به پیشرفته‌ترین ابزارها و سیستم‌های هوش مصنوعی مجهز هستند و محققان آن‌ها، پژوهش‌های مختلفی را در این حیطه انجام می‌دهند. میانگین درآمد سالانه افراد فعال در حوزه هوش مصنوعی در آمریکا برابر با ۱۴۵ هزار دلار است.

بازار کار فارغ‌التحصیلان رشته هوش مصنوعی در چین

چین به عنوان یکی از کشورهایی شناخته می‌شود که در بسیاری از حوزه‌ها، از هوش مصنوعی بهره گرفته است. این کشور در تولید گوشی‌های هوشمند، کامپیوترها و ابزارهای هوشمند به عنوان یکی از کشورهای پیشرو محسوب می‌شود.

همچنین، در این کشور سالانه، بودجه‌های بسیاری به انجام پژوهش‌های حوزه هوش مصنوعی تخصیص می‌یابد و پژوهشگران چینی حجم بسیاری از مقالات سالیانه این رشته را منتشر می‌کنند. فرصت‌های شغلی بسیاری در حوزه هوش مصنوعی در این کشور وجود دارند و میانگین درآمد سالیانه افراد فعال در این حیطه ۴۵۰ هزار یوآن است.

هوش مصنوعی در ژاپن

کشور ژاپن چندین سال است که در حوزه فناوری اطلاعات و مخصوصاً هوش مصنوعی به عنوان یکی از کشورهای پیشرو محسوب می‌شود. در این کشور، بسیاری از فعالیت‌ها در حوزه‌های مختلف با استفاده از سیستم‌های هوشمند، خودکار شده‌اند و تمرکز این کشور بر گسترش حوزه رباتیک در تمامی جنبه‌ها و اهداف تجاری و اجتماعی است. موقعیت‌های شغلی بسیاری برای افراد علاقه‌مند به حیطه هوش مصنوعی و زیرشاخه رباتیک در این کشور وجود دارند و میانگین درآمد سالیانه افراد فعال در این حوزه از فناوری اطلاعات، ۶ میلیون یوآن گزارش شده است.

بازار کار رشته هوش مصنوعی در کره جنوبی

کشور کره جنوبی نیز همانند ژاپن به عنوان یکی از کشورهای پیشرو در حوزه رباتیک محسوب می‌شود. در این کشور بسیاری از فعالیت‌های مختلف در منازل، کارخانه‌ها، محیط‌های آموزشکی و دانشگاهی با استفاده از ابزارهای هوشمند انجام می‌شوند. موقعیت‌های شغلی بسیاری در حوزه هوش مصنوعی برای فارغ‌التحصیلان این حیطه در این کشور وجود دارند و میانگین درآمد سالیانه افراد متخصص در این حیطه حدود ۶۰ میلیون وون گزارش شده است.

بازار کار فارغ‌التحصیلان رشته هوش مصنوعی در آلمان

آلمان به عنوان یکی از پیشرفته‌ترین کشورهای اروپایی در حوزه فناوری اطلاعات شناخته می‌شود و بسیاری از دانشگاه‌های این کشور مقاطع تخصصی مختلفی را برای زیرشاخه‌های رشته هوش مصنوعی نظیر تحلیل داده، علوم داده، یادگیری ماشین، رباتیک و سایر رشته‌های مرتبط ارائه می‌دهند. در آلمان، موقعیت‌های شغلی بسیاری در رشته هوش مصنوعی در محیط آکادمیکی و در صنعت وجود دارند و میانگین درآمد سالیانه افراد فعال در این حوزه حدود ۷۵ هزار یورو اعلام شده است.

فرصت شغلی هوش مصنوعی در کانادا چگونه است؟

کانادا یکی از کشورهای پیشرفته در حوزه هوش مصنوعی محسوب می‌شود و به دلیل مهاجرپذیر بودن، سالیانه متقاضیان بسیاری برای مهاجرت به این کشور اقدام می‌کنند که می‌توانند با تقویت مهارت‌های تخصصی خود در حوزه هوش مصنوعی، به مشاغل خوبی در این کشور دست پیدا کنند. سه شهر تورونتو، مونترال و ادمونتون در کانادا دانشگاه‌های بسیار خوبی برای تحصیل در رشته هوش مصنوعی دارند و افراد علاقه‌مند به این رشته می‌توانند با تحصیل در این دانشگاه‌ها از مهارت‌های تخصصی با سطح کیفی بالایی برخوردار شوند.

شرکت‌هایی نظیر فیس‌بوک در سال‌های اخیر در کانادا برای پروژه‌های هوش مصنوعی سرمایه‌گذاری‌های کلانی کرده است. بر اساس گزارشات اعلام شده، افراد متخصص هوش مصنوعی در سمت‌های شغلی مرتبط با این رشته به‌طور میانگین حقوق ۸۵ هزار دلار در سال دریافت می‌کنند.

رشته هوش مصنوعی در سوئد

سوئد به عنوان یکی از کشورهای اسکاندیناوی، موقعیت‌های شغلی مختلفی را برای علاقه‌مندان و فارغ‌التحصیلان رشته هوش مصنوعی فراهم کرده است. دولت سوئد سالانه بودجه‌های قابل‌توجهی را برای پژوهش‌های مرتبط با این حوزه درنظر می‌گیرد. متخصصان هوش مصنوعی در این کشور از درآمد خوبی برخوردار هستند و میانگین حقوق سالیانه این افراد حدود ۴۶۰ هزار کرون گزارش شده است.

هوش مصنوعی در انگلیس

دانشگاه‌های انگلیس دوره‌های تحصیلی کارشناسی ارشد و دکتری مختلفی را در حوزه هوش مصنوعی برای علاقه‌مندان به این رشته ارائه می‌کنند و افراد می‌توانند در پروژه‌های متنوع و جدید این حوزه نظیر علوم داده، پردازش زبان طبیعی، تحلیل داده و سایر موارد مرتبط مشغول به پژوهش شوند. همچنین، موقعیت‌های شغلی بسیاری در صنعت نیز وجود دارند که لازمه دستیابی به آن‌ها، داشتن مهارت‌های تخصصی در رشته هوش مصنوعی است. افرادی که در حیطه هوش مصنوعی در انگلیس مشغول به کار هستند، از میانگین درآمد سالیانه ۵۰ هزار پوند برخوردارند.

جمع‌بندی

هوش مصنوعی یکی از رشته‌های جذابی است که در سال‌های اخیر توجه بسیاری از افراد را به خود جلب کرده است. بسیاری از فعالیت‌های سازمان‌ها و شرکت‌ها با استفاده از ابزارهای هوشمند، به‌طور خودکار انجام می‌شوند. همین امر سبب شده است فرصت‌های شغلی بسیاری برای فارغ‌التحصیلان این رشته تحصیلی به وجود آید. در مطلب حاضر سعی بر این بود به پرسش «رشته هوش مصنوعی چیست» پاسخ داده شود تا علاقه‌مندان به این رشته بتوانند با آگاهی بیشتری در این مسیر قدم بگذارند.

در این مقاله به نیازمندی‌های لازم برای تحصیل در رشته هوش مصنوعی و دروس تخصصی این رشته پرداخته شد. همچنین، فرصت‌های شغلی مختلفی که برای فارغ‌التحصیلان این رشته وجود دارند، بررسی گردید و مهارت‌های تخصصی لازم برای هر یک از این مشاغل شرح داده شد. به‌علاوه، آن دسته از افرادی که قصد دارند با داشتن تخصص در رشته هوش مصنوعی مهاجرت کنند، می‌توانند با مطالعه مطلب حاضر، به فهرستی از کشورهای پیشرو در هوش مصنوعی دست پیدا کنند و از درآمدهای سالیانه این مشاغل در آن کشورها آگاه شوند.