دانلود رایگان سوالات دکتری مهندسی کامپیوتر - هوش مصنوعی 1398

تحلیل محتوایی و سرفصل‌های تخصصی آزمون دکتری هوش مصنوعی؛ مرور کنکور ۱۳۹۸

سؤالات آزمون دکتری هوش مصنوعی در سال ۱۳۹۸ تلفیقی از نظریه‌های ریاضی، تحلیل الگوریتمی و استنتاج آماری بوده است. داوطلبان برای پاسخگویی بهینه به سوالات این مقطع باید بر سرفصل‌های کلیدی زیر احاطه عمیق داشته باشند:

• مبانی هوش مصنوعی و سیستم‌های خبره: الگوریتم‌های جستجوی ناآگاهانه و آگاهانه ($A^*$, IDA*, RBFS)، تئوری بازی‌ها و جستجوی رقابتی (Alpha-Beta Pruning)، مسائل ارضای محدودیت (CSP)، استنتاج منطقی در منطق گزاره‌ای و مرتبه اول (First-Order Logic)، و روش‌های اثبات به شیوه رزولوشن.
• یادگیری ماشین و یادگیری آماری (Machine Learning): تئوری یادگیری بیزی، تحلیل مولفه‌های اصلی (PCA) و کاهش بعد، رگرسیون خطی و لجستیک، ماشین‌های بردار پشتیبان (SVM) با توابع هسته (Kernel Trick)، روش‌های خوشه‌بندی، مدل‌های مخلوط گوسی (GMM) و الگوریتم EM، و ساختارهای درخت تصمیم و جنگل تصادفی (Random Forest).
• شبکه‌های عصبی و یادگیری عمیق (Deep Learning): معماری پرسپترون چندلایه (MLP)، الگوریتم پس‌انتشار خطا (Backpropagation)، شبکه‌های پیچشی (CNN) برای داده‌های تصویری، شبکه‌های بازگشتی (RNN, LSTM, GRU) برای تحلیل توالی‌ها، و تکنیک‌های نرمال‌سازی و منظم‌سازی (Dropout, L1/L2 Regularization).
• الگوریتم‌های طراحی و تحلیل سیستم‌ها: طراحی الگوریتم‌های پیشرفته، آنالیز مجانبی پیچیدگی زمانی و مکانی، نظریه پیچیدگی (کلاس‌های P، NP، NP-Complete و NP-Hard)، تکنیک‌های حریصانه، برنامه‌نویسی پویا و الگوریتم‌های تقسیم و حل.
• ساختمان داده‌ها و ساختارهای پیشرفته: درخت‌های متوازن (AVL, Red-Black Trees)، جداول درهم‌سازی و مدیریت تصادم، ساختارهای مبتنی بر هیپ، و الگوریتم‌های بهینه‌سازی گراف (کوتاه‌ترین مسیر، درخت پوشای کمینه و جریان بیشینه).

جدول مواد امتحانی و ضرایب کنکور دکتری مهندسی کامپیوتر - هوش مصنوعی

ترکیب و ضرایب دروس آزمون دکتری مهندسی کامپیوتر بر اساس مصوبات شورای سنجش و پذیرش دانشجو در مقطع تحصیلات تکمیلی به شرح زیر است:

محورهای راهبردی مصاحبه علمی دکتری هوش مصنوعی

مرحله مصاحبه تخصصی در دانشگاه‌های برتر (نظیر شریف، تهران، امیرکبیر، علم و صنعت و شهید بهشتی) متمرکز بر ارزیابی استدلال الگوریتمی، تسلط بر ابزارهای پیاده‌سازی و همسویی با مرزهای پژوهشی نوین است:

1. تسلط بر مبانی ریاضیات هوش مصنوعی: استادان مصاحبه‌کننده به طور متداول به بررسی عمق درک داوطلب در جبر خطی (تجزیه مقادیر منفرد - SVD، بردارها و مقادیر ویژه)، حساب دیفرانسیل چندمتغیره، بهینه‌سازی محدب و نظریه احتمال و فرآیندهای تصادفی می‌پردازند.
2. توسعه و تبیین پروپوزال در روندهای نوظهور: تمرکز بر موضوعات پرطرفدار و روز مانند مدل‌های زبانی بزرگ (LLMs)، معماری ترنسفورمرها، یادگیری چندوجهی (Multimodal AI)، هوش مصنوعی قابل توضیح (XAI)، یادگیری تقویتی از بازخورد انسانی (RLHF) و بینایی سه‌بعدی.
3. توانایی فنی در پیاده‌سازی کدهای پژوهشی: تسلط بر فریم‌ورک‌های استاندارد نظیر PyTorch، TensorFlow، HuggingFace و ابزارهای بهینه‌سازی محاسباتی روی پردازنده‌های گرافیکی (CUDA).
4. دفاع ساختاریافته از رساله کارشناسی ارشد: تشریح شفاف مسئله پژوهشی، نوآوری روش پیشنهادی، توجیه پارامترهای ارزیابی (Ablation Studies) و مقایسه عملکرد با State-of-the-Artهای جهانی.

پرسش‌های متداول (FAQ)