منابع دکتری سراسری نیمه متمرکز مهندسی کامپیوتر - هوش مصنوعی
توضیحات :
راهنمای جامع منابع آزمون دکتری مهندسی کامپیوتر – هوش مصنوعی — ویژه آزمون ۱۴۰۴
مقدمه و نقشه مسیر مطالعه
گرایش هوش مصنوعی (AI) در مهندسی کامپیوتر بر طراحی، تحلیل و توسعه الگوریتمها و سیستمهای هوشمند تمرکز دارد. این رشته شامل مباحثی مانند یادگیری ماشین، شبکههای عصبی، بینایی ماشین، پردازش زبان طبیعی و الگوریتمهای بهینهسازی است.
آزمون دکتری این رشته معمولاً شامل سه بخش اصلی است:
۱. دروس تخصصی رشته (یادگیری ماشین، هوش مصنوعی، الگوریتمهای بهینهسازی، شبکههای عصبی، پردازش داده و بینایی ماشین)
۲. روش تحقیق و تحلیل دادهها، طراحی مدلهای هوشمند و ارزیابی عملکرد
۳. زبان تخصصی و استعداد تحصیلی
تسلط همزمان بر مفاهیم نظری، طراحی و تحلیل الگوریتمها و پیادهسازی مدلها، ستون اصلی برنامه مطالعاتی شما خواهد بود.
ساختار پیشنهادی منابع و روش مطالعه
برای هر درس سه سطح منبع توصیه میشود:
- 
	منبع مرجع پایه: برای درک عمیق اصول هوش مصنوعی و الگوریتمها 
- 
	منبع تکمیلی: برای یادگیری مباحث پیشرفته و روشهای نوین AI 
- 
	منبع تمرینی: حل مسائل عملی، پیادهسازی مدلها و تحلیل دادهها 
توصیه میشود برای هر مبحث، نمودارهای مدل، جداول مقایسه الگوریتمها و خلاصه روابط ریاضی تهیه کنید تا در مرور نهایی به سرعت به اطلاعات دسترسی داشته باشید.
فهرست دروس و منابع پیشنهادی
۱. یادگیری ماشین (Machine Learning)
منبع مرجع پایه:
- 
	Pattern Recognition and Machine Learning – Bishop 
- 
	Machine Learning: A Probabilistic Perspective – Kevin Murphy 
منبع تکمیلی:
- 
	مقالات بهروز IEEE و ACM در زمینه Deep Learning و الگوریتمهای Ensemble 
- 
	Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow – Aurélien Géron 
منبع تمرینی:
- 
	حل مسائل طبقهبندی، رگرسیون، خوشهبندی و کاهش ابعاد 
- 
	پیادهسازی الگوریتمها با پایتون و کتابخانههای رایج 
نکته کاربردی: توانایی تحلیل معیارهای ارزیابی مدلها مانند Accuracy، F1-Score و AUC، در آزمون و مصاحبه علمی اهمیت زیادی دارد.
۲. شبکههای عصبی و یادگیری عمیق (Neural Networks & Deep Learning)
منبع مرجع پایه:
- 
	Deep Learning – Ian Goodfellow, Yoshua Bengio, Aaron Courville 
- 
	Neural Networks and Learning Machines – Simon Haykin 
منبع تکمیلی:
- 
	مقالات اخیر در زمینه CNN, RNN, GAN و Transformers 
- 
	منابع تخصصی پردازش سیگنال و دادههای بزرگ 
منبع تمرینی:
- 
	پیادهسازی شبکههای عصبی با TensorFlow و PyTorch 
- 
	تمرین تحلیل Loss، Overfitting و Regularization 
نکته کاربردی: توانایی طراحی و تحلیل شبکههای عمیق برای مسائل واقعی، امتیاز ویژه دارد.
۳. الگوریتمها و بهینهسازی (Algorithms & Optimization)
منبع مرجع پایه:
- 
	Introduction to Algorithms – Cormen et al. (فصلهای مرتبط با الگوریتمهای پیشرفته) 
- 
	Convex Optimization – Boyd & Vandenberghe 
منبع تکمیلی:
- 
	مقالات تخصصی در زمینه الگوریتمهای تکاملی، ژنتیک و PSO 
- 
	الگوریتمهای بهینهسازی برای شبکههای عصبی و مدلهای یادگیری 
منبع تمرینی:
- 
	تمرین حل مسائل بهینهسازی ترکیبی و پیادهسازی الگوریتمهای Gradient Descent و Adam 
- 
	تحلیل زمان و پیچیدگی الگوریتمها 
نکته کاربردی: توانایی تطبیق الگوریتم بهینهسازی با نوع مسئله هوش مصنوعی، در آزمون و پروژههای عملی مهم است.
۴. پردازش زبان طبیعی و بینایی ماشین (NLP & Computer Vision)
منبع مرجع پایه:
- 
	Speech and Language Processing – Jurafsky & Martin 
- 
	Computer Vision: Algorithms and Applications – Richard Szeliski 
منبع تکمیلی:
- 
	مقالات پیشرفته در زمینه Transformer، BERT، GPT و تشخیص تصویر 
- 
	منابع پردازش و تحلیل دادههای چندرسانهای 
منبع تمرینی:
- 
	تمرین پیادهسازی مدلهای NLP و CV با دادههای واقعی 
- 
	تحلیل نتایج مدلها، اندازهگیری دقت و کارایی 
نکته کاربردی: توانایی تلفیق الگوریتمها برای حل مسئله واقعی، از مهارتهای کلیدی در مصاحبه علمی است.
۵. روش تحقیق و تحلیل دادهها (Research Methods & Data Analysis)
منبع مرجع پایه:
- 
	Research Methods in Computer Science – Creswell & Creswell 
- 
	جزوههای روش تحقیق دانشگاههای معتبر ایران 
منبع تکمیلی:
- 
	منابع آماری و مدلسازی تجربی در AI و یادگیری ماشین 
- 
	طراحی و شبیهسازی Benchmarks و Performance Metrics 
منبع تمرینی:
- 
	تمرین تحلیل دادهها و مقایسه مدلها با معیارهای آماری 
- 
	طراحی آزمایش برای ارزیابی کارایی الگوریتمها 
نکته کاربردی: تهیه جدول معیارهای مقایسه مدلها (Accuracy, Loss, Efficiency) برای تحلیل دقیق عملکرد، بسیار کاربردی است.
۶. زبان تخصصی و استعداد تحصیلی
منبع مرجع پایه:
- 
	واژگان تخصصی AI, Machine Learning, Deep Learning 
- 
	کتابهای آمادگی زبان دکتری وزارت علوم 
منبع تکمیلی:
- 
	مطالعه Abstract مقالات IEEE, ACM و ژورنالهای تخصصی AI 
منبع تمرینی:
- 
	تمرین درک مطلب زماندار، ترجمه متون تخصصی و خلاصهنویسی مقاله 
- 
	تمرین واژگان مرتبط با الگوریتمها، مدلها و دادهها 
نکته کاربردی: یادگیری واژگان در متن مقاله، بسیار مؤثرتر از حفظ منفرد است.
منابع تمرینی و تحلیل دفترچههای سازمان سنجش
تحلیل دفترچههای سالهای گذشته نشان میدهد:
- 
	بیشترین تمرکز سؤالات روی یادگیری ماشین، شبکههای عصبی و الگوریتمهای بهینهسازی است 
- 
	حل مسائل عملی و تحلیل مدلها بخش مهمی از آزمون را تشکیل میدهد 
- 
	تمرین با دفترچههای گذشته، سرعت و دقت پاسخدهی را بهبود میبخشد 
برنامه مطالعاتی فشرده ۹۰ روزه پیشنهادی
روزهای ۱–۳۰:
مطالعه مبانی یادگیری ماشین و شبکههای عصبی + خلاصهنویسی مفاهیم
روزهای ۳۱–۶۰:
تمرکز بر الگوریتمها، بهینهسازی و پیادهسازی مدلها + تمرین مسائل عملی
روزهای ۶۱–۸۰:
تستزنی هدفمند، مرور فصول پرتکرار و تحلیل دفترچههای سالهای گذشته
روزهای ۸۱–۹۰:
مرور نهایی، حل آزمون شبیهسازی، جمعبندی نمودارها و روابط کلیدی
الگوی هفتگی:
۵ روز مطالعه تخصصی، ۱ روز تست زماندار، ۱ روز مرور و رفع اشکال
تکنیکهای رتبهساز و نکات کلیدی
- 
	رسم نمودار مدلها، جریان دادهها و ساختار شبکههای عصبی. 
- 
	تهیه جدول مقایسه الگوریتمها و معیارهای عملکرد. 
- 
	تمرین پیادهسازی مدلها با دادههای واقعی و تحلیل نتایج. 
- 
	مرور روزانه زبان تخصصی با مطالعه Abstract مقالات IEEE و ACM. 
- 
	تمرین تلفیق الگوریتمها برای حل مسائل واقعی هوش مصنوعی. 
جمعبندی و چکلیست نهایی تا روز آزمون
- 
	مرور کامل خلاصهها و نمودارها حداقل سه بار 
- 
	انجام دو آزمون شبیهسازی با زمانبندی واقعی 
- 
	مرور فلشکارتها و جدول مقایسه الگوریتمها در دو هفته آخر 
- 
	حفظ آرامش ذهنی، تنظیم خواب و تغذیه مناسب در سه روز پایانی 
تاریخ : 1404-07-12



