دانلود رایگان سوالات دکتری مهندسی کامپیوتر - هوش مصنوعی 1399
دانلود دفترچه سوالات کنکور دکتری مهندسی کامپیوتر - هوش مصنوعی سال ۱۳۹۹ به همراه کلید سازمان سنجش
دوره دکتری تخصصی مهندسی کامپیوتر گرایش هوش مصنوعی (Computer Engineering - Artificial Intelligence) بالاترین مقطع پژوهشمحور در توسعه زیرساختهای محاسباتی هوشمند، استنتاج ریاضی دادهمحور، یادگیری بازنمایی عمیق، و بهینهسازی مدلهای تصمیمگیری چندعامله است. هدف غایی این دوره، تربیت پژوهشگران و معماران سیستمی است که بتوانند در حوزههای پردازش متن و گفتار، بینایی رایانهای، یادگیری تقویتی پیشرفته و سامانههای تصمیمیار مستقل، مرزهای دانش نظری و عملیاتی را توسعه دهند.
دفترچه سوالات کنکور دکتری هوش مصنوعی سال ۱۳۹۹ به عنوان یک منبع استاندارد، عمق ارزیابی سازمان سنجش را در سنجش توان تفکر الگوریتمی و تسلط بر مبانی استنباط آماری نشان میدهد. در جدول زیر، فایل رسمی دفترچه سوالات تخصصی به همراه کلید نهایی جهت تحلیل تستها، بودجهبندی مباحث و آمادگی جامع برای آزمون پیشرو بارگذاری شده است.
مشاهده نمونه دفترچه
سال : 1399
گروه : ---
مشخصات فایل : 1.39MB / PDF
قیمت : 50,000 ريال
آزمون های برگزار شده
تحلیل تحلیلی سرفصلهای دکتری هوش مصنوعی و سیستمهای یادگیرنده ۱۳۹۹
تحلیل آزمون دکتری مهندسی هوش مصنوعی ۱۳۹۹ نشان میدهد که رویکرد طراحان بر تلفیق مبانی الگوریتمی با مبانی آمار چندمتغیره و بهینهسازی محدب متمرکز است. سرفصلهای هستهای تفکیکشده عبارتند از:
- ساختمان دادهها و طراحی الگوریتمهای پیشرفته: درختهای بازه و پدیدههای توزیع داده، الگوریتمهای گراف پیشرفته (حداکثر جریان، تطابق دوبخشی)، تحلیل پیچیدگی محاسباتی و کاهشهای چندجملهای (NP-Completeness)، الگوریتمهای تقریبی و مبانی ساختارهای داده پایدار (Persistent Data Structures).
- هوش مصنوعی و حل مسئله استنتاجی: روشهای جستجوی کاشف و مکانیزمهای بازیابی محدودیت (Constraint Propagation - AC3/MAC)، برنامهریزی خودکار (STRIPS, PDDL)، مدلهای عدم قطعیت و شبکههای بیزی (Bayesian Belief Networks)، تئوری بازیهای استراتژیک و تعادل نش (Nash Equilibrium).
- یادگیری ماشین و نظریه یادگیری آماری: تخمین چگالی پارامتری و ناپارامتری، رگرسیون بردار پشتیبان (SVR)، یادگیری گروهی (Random Forests, Gradient Boosting Machines)، بهینهسازی مشتقپذیر و گرادیان طبیعی، رگولاریزاسیونهای $L_1$ و $L_2$ و توجیه هندسی اسپارس بودن پاسخها.
- بینایی ماشین و پردازش دادههای دیداری: هندسه تصویری و ماتریسهای ذاتی/خارجی، ردهبندی اشیا، ردیابی بلادرنگ با فیلترهای ذرهای و کالمن، مکانیزمهای تشخیص گوشه و کانتور (Canny, Harris Corner Detection).
- یادگیری عمیق و شبکههای عصبی: معماریهای خودرمزگذار (Autoencoders) و VAEها، مدلهای زایای مقابلهای (GANs)، ساختارهای ترنسفورمر و مکانیزمهای خود-توجه، تابعهای هزینه و معیارهای ارزیابی در دستهبندی با عدم توازن شدید دادهها (Imbalanced Data).
جدول مواد امتحانی، ضرایب و زمانبندی آزمون دکتری هوش مصنوعی
دروس و ضرایب مربوط به کنکور دکتری مهندسی هوش مصنوعی طبق آخرین مصوبات اجرایی سنجش به شرح جدول زیر است:
| ردیف | ماده امتحانی | دروس تحت پوشش | ضریب | زمان پاسخگویی |
|---|---|---|---|---|
| ۱ | مجموعه دروس تخصصی | ساختمان دادهها، طراحی الگوریتم، اصول هوش مصنوعی، یادگیری ماشین، پردازش تصویر | ۴ | ۱۲۰ دقیقه |
| ۲ | استعداد تحصیلی | استدلال منطقی، تحلیل حل مسئله، درک مطلب فنی، استعداد کمی و تجسمی | ۱ | ۶۰ دقیقه |
| ۳ | زبان انگلیسی عمومی | گرامر ساختاری، دایره لغات آکادمیک، درک متون تخصصی علوم کامپیوتر | ۱ | ۳۰ دقیقه |
فاکتورهای کلیدی قبولی در مصاحبه دکتری مهندسی هوش مصنوعی
در مصاحبه دانشگاههای تراز اول (نظیر صنعتی شریف، دانشگاه تهران، پلیتکنیک تهران، علم و صنعت و شهید بهشتی)، هیئت ژوری علمی بر موارد زیر تاکید مضاعف دارند:
- تسلط به بنیادهای ریاضی هوش مصنوعی: توانایی اثبات قضایای اساسی جبر خطی عددی (مانند تجزیه مقادیر منفرد - SVD)، بهینهسازی نامحدب و شرایط کاهشی کاروش-کون-تاکر (KKT Conditions).
- رزومه ساختیافته و مستندات پژوهشی: انتشار مقالات در کنفرانسهای معتبر بینالمللی CORE Rank نظیر NeurIPS, ICML, CVPR, ACL یا ژورنالهای معتبر پایگاههای IEEE/ACM با شاخص تاثیر بالا.
- ارائه پروپوزال متمرکز و واقعبینانه: نگارش پروپوزال درباره چالشهای جاری نظیر بهینهسازی استنتاج مدلهای بزرگ (Model Quantization/Pruning)، یادگیری ادامهدار (Continual Learning)، همراستاسازی هوش مصنوعی (AI Alignment) و گرافهای عصبی.
- تجربه در فریمورکهای توسعه سریع: توانایی تشریح عمیق معماری پایپلاین داده، متدهای آموزش توزیعشده (DDP/FSDP) و پیادهسازی مدلهای پردازش زبان یا تصویر در گیتهاب (GitHub).
پرسشهای پرتکرار آزمون و مصاحبه دکتری هوش مصنوعی (FAQ)
علت استفاده از گرادیان کاهشی بهینهشده مانند Adam در مدلهای عمیق به جای SGD خالص چیست؟
الگوریتم Adam با ترکیب مزایای Momentum (لحاظ کردن تکانه جهت خروج از نقاط زینی یا کمینههای محلی ناهموار) و RMSProp (تنظیم نرخ یادگیری بهصورت انطباقی برای هر وزن بر پایه مجذور گرادیانهای گذشته)، نوسانات جانبی در درههای تند را کاهش داده و همگرایی پایدارتری در مسائل غیرمحدب فراهم میآورد.
تفاوت بنیادین مدلهای یادگیری بازنمایی Generative و Discriminative چیست؟
مدلهای تشخیصی (Discriminative) توزیع شرطی برچسب به شرط داده را یعنی $P(Y|X)$ مستقیماً مدل کرده و بر تعیین مرز تصمیمگیری تمرکز دارند (مانند رگرسیون لجستیک یا SVM)، در حالی که مدلهای زایا (Generative) توزیع توام $P(X, Y)$ یا چگالی داده $P(X)$ را تقریب زده و امکان نمونهبرداری و بازتولید دادههای جدید را فراهم میسازند (مانند بیز ساده، GAN و Diffusion Models).
پدیده بیشبرازش (Overfitting) در مدلهای پیچیده چگونه مهار میشود؟
این چالش با استفاده از تکنیکهای رگولاریزاسیون (مانند Weight Decay، Dropout)، متوقفسازی زودهنگام (Early Stopping)، افزایش دادهها (Data Augmentation) و مکانیزمهای نرمالسازی لایهای (Layer/Batch Normalization) برطرف میشود.
سوالات و پاسخ سوالات دکتری - بخش صد و نود و پنجم ( بیشتر ... )