دانلود رایگان سوالات کارشناسی ارشد آزاد مهندسی کامپیوتر - هوش مصنوعی 1390
سؤالات کنکور کارشناسی ارشد آزاد ۱۳۹۰ مهندسی کامپیوتر - هوش مصنوعی
این بخش به معرفی و تحلیل موضوعی سؤالات کنکور کارشناسی ارشد دانشگاه آزاد اسلامی سال ۱۳۹۰ در رشته مهندسی کامپیوتر، گرایش هوش مصنوعی اختصاص دارد. هوش مصنوعی یکی از گرایشهای بنیادی مهندسی کامپیوتر است که با استفاده از الگوریتمهای جستوجو، نمایش دانش، استدلال، یادگیری ماشین و پردازش داده، به طراحی سیستمهای هوشمند میپردازد.
در این گرایش، داوطلب باید علاوه بر تسلط بر مبانی ریاضی و الگوریتمی، توانایی تحلیل مسائل محاسباتی و انتخاب روش مناسب برای حل آنها را داشته باشد. مباحثی مانند هوش مصنوعی نمادین، جستوجو، منطق و استنتاج، یادگیری ماشین، شبکههای عصبی و پردازش زبان طبیعی از محورهای مهم این حوزه محسوب میشوند.
مشخصات آزمون کارشناسی ارشد هوش مصنوعی - آزاد ۱۳۹۰
- مقطع تحصیلی: کارشناسی ارشد
- دانشگاه برگزارکننده: دانشگاه آزاد اسلامی
- مجموعه امتحانی: مهندسی کامپیوتر
- گرایش تخصصی: هوش مصنوعی
- سال آزمون: ۱۳۹۰
- حوزههای اصلی هوش مصنوعی: حل مسئله، جستوجوی ناآگاهانه و آگاهانه، بازیها، ارضای محدودیتها و برنامهریزی.
- حوزههای دانش و استدلال: منطق گزارهای و محمولها، نمایش دانش، استنتاج، سیستمهای خبره و عدم قطعیت.
- حوزههای یادگیری: یادگیری نظارتشده و بدون نظارت، طبقهبندی، رگرسیون، درخت تصمیم، شبکههای عصبی و الگوریتمهای تکاملی.
- مهارتهای مورد سنجش: تحلیل پیچیدگی، طراحی تابع ارزیابی، انتخاب الگوریتم مناسب، محاسبه احتمال و تفسیر نتایج مدلهای یادگیری.
مشاهده نمونه دفترچه
سال : 1390
گروه : ---
مشخصات فایل : 393KB / PDF
قیمت : 50,000 ريال
آزمون های برگزار شده
تحلیل محتوایی سؤالات ارشد هوش مصنوعی آزاد ۱۳۹۰
سؤالات گرایش هوش مصنوعی معمولاً ترکیبی از مباحث نظری، تحلیلی و محاسباتی هستند. داوطلب باید بتواند یک مسئله را بهصورت دقیق مدلسازی کند، فضای حالت و محدودیتهای آن را تشخیص دهد و از میان روشهای مختلف، الگوریتمی را انتخاب کند که از نظر کاملبودن، بهینگی و هزینه محاسباتی مناسب باشد.
جستوجو و حل مسئله
- جستوجوی ناآگاهانه: بررسی الگوریتمهای جستوجوی سطحی، عمقی، هزینه یکنواخت و عمقمحدود از نظر کاملبودن، بهینگی و پیچیدگی زمانی و فضایی.
- جستوجوی آگاهانه: تحلیل الگوریتمهای حریصانه و A* و بررسی نقش تابع ارزیابی در انتخاب گره بعدی.
- تابع ابتکاری: تشخیص ابتکاریهای مجاز و سازگار و تحلیل اثر آنها بر تضمین بهینگی الگوریتم A*.
- جستوجوی محلی: آشنایی با صعود تپهای، تبرید شبیهسازیشده و الگوریتمهای تکاملی برای مسائل بهینهسازی.
بازیها و تصمیمگیری رقابتی
- الگوریتم Minimax: انتخاب حرکت مناسب در بازیهای دونفره با فرض عقلانیبودن بازیکنان و بررسی درخت بازی.
- هرس آلفا-بتا: کاهش تعداد گرههای بررسیشده در درخت بازی بدون تغییر نتیجه نهایی الگوریتم Minimax.
- تابع ارزیابی: تخمین مطلوبیت وضعیتهایی که بررسی کامل درخت بازی برای آنها امکانپذیر نیست.
- بازیهای تصادفی: تحلیل تصمیمگیری در شرایطی که نتیجه برخی حرکتها بهصورت احتمالی تعیین میشود.
مسائل ارضای محدودیتها
- مدلسازی CSP: تعریف متغیرها، دامنه مقادیر و محدودیتها برای مسائلی مانند رنگآمیزی گراف، جدول کلمات و زمانبندی.
- پسگردانی: جستوجوی نظاممند در فضای جواب و بازگشت هنگام نقض محدودیتها.
- انتشار محدودیت: کاهش دامنه متغیرها با استفاده از سازگاری گرهای، سازگاری کمانی و روشهای مرتبط.
- ابتکارهای انتخاب متغیر: استفاده از معیارهایی مانند کمترین دامنه باقیمانده و بیشترین محدودیت برای کاهش فضای جستوجو.
منطق و نمایش دانش
- منطق گزارهای: بررسی ارزش صدق، همارزی منطقی، استلزام، فرم نرمال و روشهای اثبات قضیه.
- منطق محمولها: استفاده از متغیرها، محمولها، کمیتگذارهای عمومی و وجودی برای نمایش روابط میان اشیا.
- استنتاج منطقی: تحلیل روشهایی مانند Modus Ponens، رزولوشن و یکسانسازی در استخراج نتیجه از دانش موجود.
- نمایش دانش: مدلسازی مفاهیم و روابط با استفاده از شبکههای معنایی، چارچوبها، هستیشناسیها و قواعد تولید.
سیستمهای خبره و استدلال در شرایط عدم قطعیت
- سیستم خبره: بررسی اجزای پایگاه دانش، موتور استنتاج، حافظه کاری و واسط کاربر.
- استنتاج پیشرو و پسرو: مقایسه حرکت از واقعیتها به نتیجه با حرکت از هدف به واقعیتهای مورد نیاز.
- احتمال شرطی: استفاده از قضیه بیز برای بهروزرسانی احتمال یک فرضیه بر اساس شواهد جدید.
- شبکههای بیزی: نمایش وابستگیهای احتمالی میان متغیرها و انجام استنتاج در محیطهای دارای عدم قطعیت.
- منطق فازی: نمایش درجات عضویت و استفاده از قواعد زبانی برای تصمیمگیری در شرایطی که مرزهای دقیق وجود ندارند.
یادگیری ماشین
- یادگیری نظارتشده: آموزش مدل با استفاده از دادههای برچسبدار برای وظایفی مانند طبقهبندی و پیشبینی.
- یادگیری بدون نظارت: کشف ساختار پنهان دادهها با روشهایی مانند خوشهبندی و کاهش ابعاد.
- درخت تصمیم: انتخاب ویژگی مناسب با معیارهایی مانند آنتروپی، بهره اطلاعاتی و شاخص جینی.
- بیشبرازش و کمبرازش: تحلیل تعادل میان پیچیدگی مدل و توانایی تعمیم آن به دادههای جدید.
- اعتبارسنجی مدل: استفاده از مجموعههای آموزش، اعتبارسنجی و آزمون برای ارزیابی عملکرد واقعی الگوریتم.
شبکههای عصبی مصنوعی
- پرسپترون: بررسی ساختار نورون مصنوعی، وزنها، بایاس و تابع فعالسازی در مسائل طبقهبندی.
- یادگیری پسانتشار: بهروزرسانی وزنها با استفاده از گرادیان خطا و نرخ یادگیری.
- توابع فعالسازی: مقایسه توابعی مانند پلهای، سیگموید، تانژانت هایپربولیک و ReLU از نظر رفتار و کاربرد.
- شبکههای چندلایه: توانایی شبکه در مدلسازی روابط غیرخطی و حل مسائلی که با یک پرسپترون ساده قابل حل نیستند.
الگوریتمهای تکاملی و بهینهسازی هوشمند
- الگوریتم ژنتیک: نمایش جوابها بهصورت کروموزوم و استفاده از انتخاب، تقاطع و جهش برای جستوجوی جواب بهتر.
- تابع برازندگی: ارزیابی کیفیت جوابها و تعیین احتمال انتخاب آنها برای نسل بعد.
- الگوریتمهای جمعیتی: بررسی ایدههای بهینهسازی مبتنی بر جمعیت، مانند جستوجوی جمعی و روشهای الهامگرفته از طبیعت.
- مسائل بهینهسازی: کاربرد روشهای هوشمند در زمانبندی، مسیریابی، تخصیص منابع و انتخاب ترکیب مناسب متغیرها.
پردازش زبان طبیعی و ادراک
- پردازش زبان طبیعی: آشنایی با تحلیل واژهها، ساختار نحوی، معناشناسی و نمایش دانش زبانی.
- تحلیل نحوی: استفاده از گرامرها و درختهای تجزیه برای بررسی ساختار جمله.
- ابهام زبانی: شناسایی ابهام واژگانی، نحوی و معنایی در تفسیر زبان طبیعی.
- ادراک ماشین: بررسی مقدماتی تشخیص الگو، پردازش تصویر و استخراج ویژگی از دادههای دیداری.
راهبرد پیشنهادی برای مطالعه
- مبانی جستوجو را مقایسهای بخوانید: کاملبودن، بهینگی، پیچیدگی زمانی و پیچیدگی فضایی الگوریتمهای جستوجو را در کنار یکدیگر بررسی کنید.
- مسائل A* را محاسباتی تمرین کنید: مقدار تابعهای هزینه، ابتکاری و ارزیابی را برای گرههای مختلف محاسبه کرده و ترتیب گسترش آنها را مشخص کنید.
- منطق را با حل مسئله یاد بگیرید: تبدیل عبارتها، ساخت جدول ارزش، انجام رزولوشن و استفاده از قضیه بیز را بهصورت تمرینی مرور کنید.
- یادگیری ماشین را با مثالهای عددی مطالعه کنید: محاسبه آنتروپی، بهره اطلاعاتی، وزنهای پرسپترون و خطای مدل از مباحث مهم محاسباتی هستند.
- تفاوت مفاهیم مشابه را دقیق بدانید: جستوجوی حریصانه و A*، یادگیری نظارتشده و بدون نظارت، منطق کلاسیک و فازی و بیشبرازش و کمبرازش را مقایسه کنید.
- پیچیدگی الگوریتمها را فراموش نکنید: در بسیاری از سؤالات، انتخاب روش مناسب تنها بر اساس یافتن جواب نیست و هزینه زمانی و حافظه نیز اهمیت دارد.
جمعبندی
آزمون کارشناسی ارشد هوش مصنوعی آزاد ۱۳۹۰ مجموعهای از مباحث بنیادی علوم کامپیوتر و روشهای حل مسئله هوشمند را پوشش میدهد. تسلط بر جستوجو، منطق، نمایش دانش، سیستمهای خبره، یادگیری ماشین و شبکههای عصبی برای پاسخگویی موفق به سؤالات این گرایش ضروری است. داوطلب باید علاوه بر حفظ تعاریف، توانایی مدلسازی مسئله، تحلیل پیچیدگی و انجام محاسبات الگوریتمی را نیز به دست آورد.
سؤالات متداول
مهمترین مباحث گرایش هوش مصنوعی در آزمون کارشناسی ارشد کداماند؟
جستوجو و حل مسئله، بازیها، مسائل ارضای محدودیتها، منطق، نمایش دانش، سیستمهای خبره، احتمال و استدلال در شرایط عدم قطعیت، یادگیری ماشین و شبکههای عصبی از مباحث اصلی این گرایش هستند.
تفاوت جستوجوی حریصانه با الگوریتم A* چیست؟
جستوجوی حریصانه معمولاً فقط از مقدار تابع ابتکاری برای انتخاب گره استفاده میکند، درحالیکه الگوریتم A* مجموع هزینه طیشده از مبدأ و هزینه تخمینی تا هدف را در نظر میگیرد. تابع ارزیابی A* بهصورت f(n) = g(n) + h(n) تعریف میشود.
تابع ابتکاری مجاز چه ویژگیای دارد؟
تابع ابتکاری مجاز هیچگاه هزینه واقعی رسیدن از گره فعلی به هدف را بیش از مقدار واقعی تخمین نمیزند. این ویژگی میتواند به حفظ بهینگی الگوریتم A* در شرایط مناسب کمک کند.
تفاوت یادگیری نظارتشده و بدون نظارت چیست؟
در یادگیری نظارتشده، مدل با دادههایی آموزش میبیند که پاسخ یا برچسب آنها مشخص است؛ اما در یادگیری بدون نظارت، الگوریتم باید بدون برچسب صریح، الگوها و ساختارهای موجود در داده را شناسایی کند.
الگوریتم Minimax در چه مسائلی کاربرد دارد؟
الگوریتم Minimax برای تصمیمگیری در بازیهای دونفره و رقابتی با اطلاعات کامل استفاده میشود. این الگوریتم فرض میکند هر بازیکن بهترین حرکت ممکن را برای خود انتخاب میکند.
هرس آلفا-بتا چه اثری بر الگوریتم Minimax دارد؟
هرس آلفا-بتا برخی شاخههای غیرضروری درخت بازی را حذف میکند؛ بنابراین تعداد گرههای بررسیشده کاهش مییابد، اما نتیجه نهایی با نتیجه اجرای کامل الگوریتم Minimax یکسان باقی میماند.
کاربرد قضیه بیز در هوش مصنوعی چیست؟
قضیه بیز برای محاسبه احتمال یک فرضیه پس از مشاهده شواهد جدید به کار میرود. این روش در تشخیص پزشکی، فیلتر هرزنامه، طبقهبندی و سیستمهای تصمیمیار کاربرد دارد.
بیشبرازش در مدلهای یادگیری ماشین به چه معناست؟
بیشبرازش زمانی رخ میدهد که مدل جزئیات و نویز دادههای آموزشی را بیش از حد یاد میگیرد و در نتیجه، با وجود عملکرد مناسب روی دادههای آموزش، روی دادههای جدید عملکرد ضعیفی دارد.
سوالات و پاسخ سوالات کارشناسی ارشد - بخش چهارصد و چهل و نهم ( بیشتر ... )