معرفی گرایش هوش مصنوعی و رباتیکز

دسته بندی :

تاریخ درج :

حجم فایل :

معرفی گرایش هوش مصنوعی و رباتیکز

گرایش هوش مصنوعی و رباتیکز
هوش مصنوعی یکی از گرایشهای مهندسی کامپیوتر است که در حال حاضر در مقاطع ارشد و دکتری امکان تحصیل در این رشته وجود دارد. به طور کلی میتوان گفت در هوش مصنوعی سعی بر این است سیستمهایی تولید شود که بتوانند مانند انسانها فکر کنند و توانایی یادگیری و تصمیم گیری داشته باشند. در این رشته تکنیکهای مختلفی جهت دستیابی به چنین سیستمهایی تدریس میشود.
هوش مصنوعی یکی از موضوعات مورد توجه دانشگاههای بزرگ جهان نیز میباشد. تقریبا میتوان گفت تمام دانشگاههای بزرگ دارای آزمایشگاههای مجهز و بزرگ برای دانشمندان و دانشجویانی هستند که در زمینه هوش مصنوعی فعالیت میکنند. از این رو میتوان گفت این رشته، بهترین فرصتها را برای ادامه تحصیل در دانشگاههای بزرگ نیز به شما میدهد.
به طور کلی تحصیل در این رشته در مقطع ارشد، علاوه بر اینکه بر علم و تواناییهای دانشجویان میافزاید، فرصتهای شغلی و تحصیلی بسیار خوبی نیز برای افراد به وجود میآورد؛ کیفیت فرصتهای به دست آمده، وابستگی کاملی به میزان تواناییهای علمی و عملی افراد دارد.

کاربرد مهندسی کامپیوتر گرایش هوش مصنوعی
مهندسی کامپیوتر گرایش هوش مصنوعی با هدف خودکار کردن انجام فعالیت‌های ساده توسط ماشین در دهه 1950 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 گرایش هوش مصنوعی فهرست شده‌اند:
استفاده از هوش مصنوعی برای ساخت ابزارهای تشخیص صدا و درک زبان انسان (مانند سیری و الکسا)
کاربرد هوش مصنوعی در طراحی و ساخت ماشین‌های خودران (مانند Waymo)
استفاده از هوش مصنوعی در سرویس‌دهی به مشتریان (ChatGPT و AI art)
کاربرد هوش مصنوعی در سلامت و بهداشت (تشخیص بیماری‌ها و پیدا کردن راه درمان)
ربات‌های پاسخ‌دهنده (ChatBOT)

گرایش های ارشد مهندسی کامپیوتر گرایش هوش مصنوعی
دانشجویان مهندسی کامپیوتر گرایش هوش مصنوعی، بنا به علایق خود می‌توانند در شاخه‌های مختلف این گرایش پژوهش تخصصی داشته باشند که در ادامه به آن‌ها اشاره شده است:
سیستم خبره
سیستم‌های خبره (Experts Systems) از ساختار منطقی و استدلال مغز انسان برای تصمیم‌گیری و حل مسائل مختلف الگوبرداری می‌کنند. تصمیم‌گیری در این سیستم‌ها بر اساس دانشی است که به آنها داده می‌شود و هدف اصلی آنها کمک به متخصصین یا جایگزین کردن آن‌ها در زمینه‌های خاص می‌باشد. از جمله کاربردهای سیستم‌های خبره می‌توان به موارد زیر اشاره کرد:
شناسایی عفونت‌های ویروسی در زمینه درمانی
تجزیه و تحلیل وام و سرمایه‌گذاری در حوزه بانکی
تولید ربات‌های جراح در پزشکی
این سیستم‌ها به نوعی نرم‌افزارهای مبتنی بر هوش مصنوعی هستند که با دریافت دانش انسانی، رفتار و تصمیمات انسانی را تقلید می‌کنند. متخصصان معتقدند که سامانه‌های خبره، بیشترین پیشرفت را در هوش مصنوعی ایجاد کرده‌اند.
رباتیک
رباتیک، شاخه‌ای میان‌رشته‌ای است که از تلفیق دانش مهندسی مکانیک، برق و علوم کامپیوتر به وجود آمده و به طراحی، ساخت، و به‌کارگیری ربات‌ها می‌پردازد.ربات‌ها با توانایی‌های یادگیری ماشین می‌توانند از طریق حسگرها و سنسورهای هوشمند با محیط فیزیکی خود ارتباط برقرار کنند، اطلاعات را پردازش کرده و تصمیماتی را اتخاذ کنند.
رباتیک به عنوان یکی از مهم‌ترین شاخه‌های هوش مصنوعی، در جاهایی که حضور انسان خطرناک است، می‌تواند کاربرد فراوانی داشته باشد. امروزه فناوری روباتیک به یکی از موضوعات جذاب تبدیل شده است چون ربات‌ها به نوعی قابل برنامه‌ریزی هستند که بتوانند بسیاری از کارها را بصورت اتوماتیک و بعضاً نیمه اتوماتیک انجام دهند.
یادگیری ماشین
یادگیری ماشین، به سیستم‌ها این قابلیت را می‌دهد که بدون نیاز به برنامه‌نویسی صریح، به طور خودکار یاد بگیرند و پیشرفت کنند. این شاخه، که یکی از مهم‌ترین زمینه‌های تحقیقاتی در هوش مصنوعی است، بر روی توسعه برنامه‌های کامپیوتری متمرکز است که می‌توانند از داده‌ها یاد بگیرند و خود را بهبود بخشند.
الگوریتم‌های یادگیری ماشین بر اساس سبک یادگیری (مانند یادگیری نظارتی، بدون نظارت، و نیمه نظارتی) و شباهت در فرم و عملکرد (مانند طبقه‌بندی، رگرسیون، درخت تصمیم، دسته‌بندی، و یادگیری عمیق) دسته‌بندی می‌شوند.
شبکه عصبی یا یادگیری عمیق
شبکه‌های عصبی با الهام از ساختار نورون‌های مغز انسان، تلاش می‌کنند مسائل پیچیده را حل کنند. این روش‌ها در کاربردهایی نظیر تجزیه و تحلیل ریسک، تحقیقات بازار، کشف تقلب، پیش‌بینی سهام و تأیید چهره به کار رفته‌اند.. شبکه‌های عصبی در کنار یادگیری ماشین، بسیاری از مسائل پیچیده را حل می‌کنند.
یک شبکه عصبی از سه لایه‌ی ورودی، خروجی و پردازش شکل می‌گیرد که نورون‌های عصبی هر لایه با نورون‌های لایه‌های دیگر در ارتباط هستند، مگر اینکه کاربر این ارتباط را قطع کند. اما نورون‌های هر لایه با یکدیگر ارتباط ندارند.
منطق فازی
منطق فازی، که توسط پروفسور لطفعلی عسگرزاده معرفی شد، با در نظر گرفتن درجه‌ای از صحت یک فرضیه، به بازنمایی و اصلاح اطلاعات نامطمئن می‌پردازد. در مقابل سیستم‌های دیجیتال که تنها دو حالت درست یا غلط را می‌شناسند، منطق فازی این امکان را فراهم می‌آورد که بین این دو حالت فقط درست یا غلط، مقادیر متغیر و گرادیانی از “صحت” را تعریف کنیم. این روش به ویژه در شرایطی که با عدم قطعیت و ابهام روبرو هستیم، مفید است.
کاربرد این منطق در علوم نرم‌افزاری را می‌توان به‌طور ساده این‌گونه تعریف کرد: منطق فازی از منطق ارزش‌های «صفر و یک» نرم‌افزارهای کلاسیک فراتر رفته و درگاهی جدید برای دنیای علوم نرم‌افزاری و رایانه‌ها می‌گشاید، زیرا فضای شناور و نامحدود بین اعداد صفر و یک را نیز در منطق و استدلال‌های خود به کار برده و به چالش می‌کشد. منطق فازی از فضای بین دو ارزش «برویم» یا «نرویم»، ارزش‌های جدید «شاید برویم» یا «می‌رویم اگر» یا حتی «احتمال دارد برویم» را استخراج کرده و به کار می‌گیرد.
بدین ترتیب به عنوان مثال مدیر بانک پس از بررسی رایانه‌ای بیلان اقتصادی یک بازرگان می‌تواند فراتر از منطق «وام می‌دهیم» یا «وام نمی‌دهیم» رفته و بگوید: «وام می‌دهیم اگر…» یا «وام نمی‌دهیم ولی…». منطق فازی کاربردهای گسترده‌ای از جمله در سیستم‌های کنترل خودکار، پزشکی و تصمیم‌گیری‌های پیچیده اقتصادی و مهندسی دارد.
پردازش زبان طبیعی
پردازش زبان طبیعی فناوری‌ای است که به رایانه‌ها این توانایی را می‌دهد که زبان انسانی را بفهمند، تحلیل کنند، و حتی آن را تولید کنند. روش کلی کار به این صورت است که NLP زبان شناسی و مدل سازی مبتنی بر قوانین زبان انسانی را با مدل‌های آماری، یادگیری ماشین و یادگیری عمیق ترکیب می‌کند. این فناوری‌ها با هم، رایانه‌ها را قادر می‌سازند تا زبان انسان را در قالب متن پردازش کنند و در نهایت معنای دقیق را با هدف و احساسات نویسنده «درک» کنند.
چالش اصلی و عمده در این زمینه، درک زبان طبیعی و ماشینی کردن فرایند درک و برداشت مفاهیم بیان‌شده با یک زبان طبیعیِ انسانی است. این شاخه در ساخت سیستم‌هایی نظیر دستیاران صوتی هوشمند، ترجمه ماشینی، تحلیل احساسات و خلاصه‌سازی متون کاربرد دارد.
بینایی ماشین
بینایی ماشینی (Machine Vision) یکی از حوزه‌های جدید و در حال توسعه در علوم کامپیوتر است که از مبانی مهندسی اپتیک، مهندسی مکانیک و تکنیک‌های پردازش تصویر استفاده می‌کند.
بینایی ماشین به سیستم‌های کامپیوتری اطلاق می‌شود که قادر به “دیدن” و تحلیل تصاویر هستند. این فناوری از دوربین‌ها و سایر حسگرهای تصویری برای دریافت تصاویر واقعی استفاده می‌کند و سپس با استفاده از الگوریتم‌های پیچیده تصویری، محتوای آن تصاویر را تجزیه و تحلیل می‌کند. کاربردهای بینایی ماشین شامل:
وسایل نقلیه هوایی بدون سرنشین
کنترل کیفیت در خطوط تولید صنعتی
تشخیص پلاک خودر
بازشناسی چهره
بازسازی صحنه جرم
پردازش تصویر
پردازش تصویر شاخه‌ای از پردازش سیگنال است که به بهبود و تجزیه و تحلیل تصاویر دیجیتال می‌پردازد. این فرآیند می‌تواند شامل:
شناسایی اشیاء یا Recognition: در این فعالیت، تلاش می‌شود تا اشیا و اجزای مختلف در تصویر تشخیص داده شود.
بازیابی و افزایش وضوح: این فرایند شامل بهبود کیفیت تصویر و بازیابی اطلاعات از تصویر اصلی است.
تشخیص الگوها: این به معنای تشخیص الگوها و ساختارهای مختلف در تصویر است، مثلاً شناسایی چهره‌ها یا الگوهای دیگر.
بازیابی: در این فرایند، تلاش می‌شود بر اساس ویژگی‌های مشخصی که کاربر تعیین می‌کند، تصاویر مشابه در یک پایگاه داده جستجو و بازیابی شوند.
عملیات پردازش تصویر به صورت پیکسل به پیکسل است: یعنی الگوریتم‌ها با ویژگی‌های پیکسلی تصویر سروکار دارند، مجموعه‌ای از توابع به ترتیب بر هر پیکسل از یک تصویر اعمال می‌شوند و فقط هنگامی که یک تابع عملیاتی به طور کامل انجام شد، برنامه شروع به انجام تابع دوم و… می‌کند. پردازش تصویر در زمینه‌های گوناگونی مانند:
پزشکی: تجزیه و تحلیل تصاویر رادیولوژی
رباتیک: تشخیص و تحلیل محیط برای
امنیت: برای تشخیص چهره
به کار می رود.
پردازش گفتار
پردازش گفتار به فناوری‌هایی اطلاق می‌شود که به رایانه‌ها اجازه می‌دهند گفتار انسانی را به متن تبدیل کنند و بالعکس. این حوزه شامل تشخیص گفتار (تبدیل صوت به متن)، تولید گفتار (تبدیل متن به صوت)، و شناسایی گوینده است.
فناوری پردازش گفتار در دستیاران صوتی، سیستم‌های تلفنی خودکار، و وسایل کمکی برای افراد دارای معلولیت کاربرد فراوانی دارد. این فناوری نه تنها به افزایش قابلیت دسترسی کمک می‌کند بلکه تجربه کاربری را نیز در بسیاری از محصولات دیجیتال بهبود می‌بخشد.

چارت درسی و دروس گرایش هوش مصنوعی
دروس این گرایش :
جبرانی : مبانی هوش محاسبانی – مبانی رباتیکز – سیگنال – مبانی بینایی ماشین – هوش مصنوعی – مبانی پردازش زبان و گفتار – الگوریتم
الزامی : شناسایی الگو – رایانش تکاملی – رباتیک – یادگیری ماشین – هوش پیشرفته – فرآیند تصادفی – شبکه عصبی – سیستم های چندعامله
اختیاری : برنامه ریزی در هوش – الگوریتم های هوش جمعی – سیستم های فازی – یادگیری نقویتی – یادگیری ماشین آماری – مدل های احتمالاتی گرافی – پردازش تصویر – بینایی ماشین – پردازش زبان های طبیعی – ترجمه ماشینی – پردازش سیگنال دیجیتال/پیشرفته – شناسایی/بازشناسی گفتار – علوم شناختی و دروس مربوطه -بهینه سازی محدب – داده کاوی پیشرفته – تئوری یادگیری ماشین

بازار کار کارشناسی ارشد هوش مصنوعی
گرایش هوش مصنوعی در کنار گرایش نرم افزار بیشترین رشد را در بازار کا رداشته اند. هیچ مرزی بین بازار کار این دو وجود ندارد و یک متخصص هوش مصنوعی نیز می تواند با یادگیری زبانهای برنامه نویسی و کسب مهارت در آنها نقش یک برنامه نویس خبره و مدیری پروژه قوی را ایفا کند. هوش مصنوعی به دلیل جنبه تحقیقاتی بودن و به روز بودنش، بسیار مورد توجه کسانیسیت که تمایل دارند تا در حوزه های جدید تحقی قو اکتشاف داشته باشند. بسیاری از آنها سودای کار د رآزمایشگاههای بزرگ را دارند که در ایران به هیچ عنوان چنین بستری فراهم نیست.
با توجه به پیشرفت تکنولوژی و نیاز به سیستمهای هوشمند، رشته هوش مصنوعی در بازار کار، بسیار مورد توجه قرار گرفته است. یکی از مواردی که در حال حاضر در بازار کار فرصتهای شغلی زیادی برای آن موجود است، حوزه داده کاوی است. طراحی و تولید سیستمهایی که توانایی یادگیری داشته باشند نیز یکی دیگر از حوزههای پرکاربرد و بحثهای داغ این رشته در بازار کار است.