کنکور کامپیوتر
0
ورود | ثبت نام
نظرات
اشتراک
بالا
علاقه‌مندی

اشتراک
 

معرفی ارشد هوش مصنوعی

یکی از گرایش‌ های ارشد مهندسی کامپیوتر گرایش هوش مصنوعی است یا همان ارشد هوش مصنوعی است که این صفحه بطور کامل در مورد این گرایش، دروس ارشد هوش مصنوعی و بازار کار آن صحبت کرده‌ایم.

کارشناسی ارشد هوش مصنوعی دوره ای مشتمل بر دروس نظری و عملی و تحقیقاتی در زمینه هوشمند‌ سازی کامپیوترها و سیستم های مبتنی بر کامپیوتر می‌باشد. تحقق این هدف با الهام از ویژگی‌های موجودات زنده و بالاخص انسان پیگیری می‌شود. لذا ایجاد قابلیت های تحلیل اطلاعات، استدلال، یادگیری و رفتار هوشمندانه، حس بینایی، درک و تولید زبان و گفتار در کامپیوترها از اهداف این رشته می‌باشد. در دوره ارشد هوش مصنوعی دانشجویان با مطالبی چون شبکه‌های عصبی، هوش مصنوعی پیشرفته، تئوری فازی و... آشنا می شوند.

گرایش ارشد هوش مصنوعی

شاید تا چند سال پیش هوش مصنوعی یک پدیده ناملموس برای مردم بود اما امروزه و با پیشرفت تکنولوژی انسان‌ها روزانه با 10ها محصول کاربردی هوش مصنوعی سر و کار دارند که این امر نتیجه فعالیت دانشجویان رشته هوش مصنوعی می باشد. برای مطالعه بیشتر در خصوص به صفحه هوش مصنوعی و هر آنچه در مورد آن باید بدانید مراجعه کنید.

در ویدیو زیر آقای علی ربیعی رتبه 1 کنکور ارشد کامپیوتر و دانشجوی ارشد هوش مصنوعی دانشگاه صنعتی شریف درباره رشته هوش مصنوعی دانشگاه شریف صحبت کرده‌اند، ایشان در حال فارغ التحصیلی هستند ودانجشوی دکتری در دانشگاه University of Rhode Island آمریکا هستند.

رشته هوش مصنوعی دانشگاه شریف

در ویدیو زیر آقای سیاوش رزمی رتبه 32 کنکور ارشد کامپیوتر و دانشجوی ارشد هوش مصنوعی دانشگاه تهران درباره رشته هوش مصنوعی دانشگاه تهران صحبت کرده‌اند.

رشته هوش مصنوعی دانشگاه تهران

فیلم معرفی گرایش هوش مصنوعی

در فیلم زیر دکتر علی محمد حسین رهبان بهمراه برخی از دانشجویان دانشگاه شریف به معرفی گرایش هوش مصنوعی پرداخته اند، محمد‌حسین رهبان یکی از استادیاران دانشکده مهندسی کامپیوتر دانشگاه شریف است. زمینه اصلی تحقیقاتی ایشان شامل یادگیری ماشین خصمانه و تفسیرپذیر، یادگیری متغیرهای نهان، و زیست‌شناسی محاسباتی است. به خصوص، ایشان اخیرا به تحقیق در زمینه کاربرد یادگیری ماشین در آنالیز داده سنجه‌های زیست‌شناسی توان بالا مبتنی بر تصویر مشغول شده‌اند. تحقیقات ایشان در دوره پسادکترا در موسسه برود مرتبط با هاروارد و ام آی تی، منجر به کشف ارتباط بین مکانیزم‌های دخیل در سرطان، و داروهایی که این مکانیزم‌ها را کنترل می‌کنند شده‌است.  همچنین شما دانشجویان عزیز در صورتیکه می‌خواهید در خصوص رشته هوش مصنوعی دانشگاه شریف بیشتر بدانید می‌توانید به مقاله موشکافی رشته هوش مصنوعی دانشگاه شریفموشکافی رشته هوش مصنوعی دانشگاه شریف توسط رتبه 1 کنکورموشکافی رشته هوش مصنوعی دانشگاه شریف توسط رتبه 1 کنکوردانشگاه صنعتی شریف، یکی از بهترین دانشگاه‌های مهندسی ایران است که اکثر دانشجویان و اساتید نخبه در این دانشگاه مشغول هستند. در این مقاله سعی شده رشته هوش مصنوعی دانشگاه صنعتی شریف از همه جوانب بررسی شود. توسط رتبه 1 مراجعه کنید.

فیلم معرفی گرایش هوش مصنوعی در مقطع ارشد

هدف از دوره کارشناسی ارشد مهندسی کامپیوتر گرایش هوش مصنوعی

هدف از گرایش هوش مصنوعی در ارشد بالا بردن قابلیت دانشجویان در زمینه‌های ارائه مناسب اطلاعات، استدلال اتوماتیک، دسته بندی و تصمیم گیری ماشینی، روش‌های یادگیری برای ماشین‌ها، ارائه غیر دقیق اطلاعات و کار با آنها، شبیه سازی پردازش‌های مطرح در موجودات زنده، هوشمند کردن ربات‌ها، پردازش و تحلیل کامپیوتری تصاویر، پردازش و درک زبان و پردازش و شناسائی گفتار می‌باشد.

فارغ التحصیلان دوره ارشد هوش مصنوعی مهارت هایی را به شرح زیر کسب می نمایند:

Gerayesh Housh TehranGerayesh Housh Tehran

توضیح آقای عماد کاوسی رتبه 15 کنکور مهندسی کامپیوتر 99 و فارغ التحصیل ارشد هوش مصنوعی دانشگاه تهران در مورد گرایش هوش این دانشگاه

Gerayesh Housh SharifGerayesh Housh Sharif

توضیح آقای علی ربیعی رتبه 1 کنکور مهندسی کامپیوتر 99 و فارغ التحصیل ارشد هوش مصنوعی دانشگاه شریف با معدل 19.32 در مورد گرایش هوش این دانشگاه

بازار کار رشته ارشد هوش مصنوعی

ظرفیت ارشد هوش در دانشگاه های دولتی کشور در سال 1400 و مقایسه آن با سال 99

در عکس زیر ظرفیت دوره های روزانه و شبانه تمامی دانشگاه های دولتی کشور در گرایش هوش مصنوعی در مقطع ارشد و در سال 1400 بررسی شده است، همچنین می‌توانید ظرفیت هر دانشگاه در سال 99 را با سال 1400 مقایسه کنید.

ظرفیت هوش مصنوعی در مقطع ارشد

ظرفیت مقطع ارشد هوش مصنوعی در دانشگاه های دولتی ایران در سال 1400 و مقایسه آن با ظرفیت سال 99

واحد های گرایش ارشد هوش مصنوعی

دانشجو در رشته ارشد هوش مصنوعی باید 32 واحد بگذراند که واحدها به طریق زیر است: 24 واحد درسی 2 واحد سمینار 6 واحد پایان نامه. دانشجویان ارشد هوش مصنوعی باید 24 واحد درسی را از جدول درس های گروه 1 ، 2 و 3 انتخاب کنند (این جداول در فایل پی دی اف پیوست شده در اختیارتان قرار گذاشته شده). توجه: درس‌های موجود در جداول درسی گروه 1، 2 و 3 می‌توانند با توجه به نظر استادان صاحب نظر در هر دانشگاه تا مقدار معینی که به دانشگاه مربوطه اجازه داده می‌شود تغییر کنند.
اخذ واحد درسی برای دوره کارشناسی ارشد هوش مصنوعی علاوه بر الزام مطابقت با جداول دروس ارائه شده، باید مطابق بند‌های زیر نیز باشد:

  1. در دوره کارشناسی ارشد هوش مصنوعی در صورت تایید استاد راهنما و دانشکده، دانشجو می‌تواند حداکثر یک درس خود را از سایر گرایشهای مهندسی کامپیوتر یا سایر رشته ها اخذ نماید.
  2. در دوره های کارشناسی ارشد آموزش محور هوش مصنوعی، دانشجو موظف است درس سمینار را بگذراند و معادل تعداد واحد پایان نامه (6 واحد)، درس از گرایش مربوط به خود اخذ نماید.
  3. با توجه به تحولات سریع علم و فناوری در رشته کامپیوتر درس هایی تحت عنوان مباحث ویژه در گرایش های مختلف کارشناسی ارشد کامپیوتر تعیین شده است که سرفصل‌های ویژه و جدید با تصویب محتوی در دانشکده مهندسی کامپیوتر، تحت این عنوان پیش بینی شده، به صورت موقت قابل ارائه است که بتواند با تحولات علمی همگام گردد.

دروس ارشد هوش مصنوعی

دروس ارشد هوش مصنوعی
ردیفعنوانتعداد واحدنوع واحدساعات تدریس
لیست دروس جبرانی ارشد هوش مصنوعی
1 مبانی هوش محاسباتی 3 نظری 48
2 اصول رباتیکز 3 نظری 48
3 سیگنال ها و سیستم ها 3 نظری 48
4 مبانی بینایی کامپیوتر 3 نظری 48
5 هوش مصنوعی و سیستم های خبره 3 نظری 48
6 مبانی پردازش زبان و گفتار 3 نظری 48
7 طراحی الگوریتم ها 3 نظری 48
در صورت عدم گذراندن دروس بالا در دوره کارشناسی و به تشخیص دانشکده تا دو درس جبرانی به دانشجویان اختصاص می یابد
دروس گروه 1 ارشد هوش مصنوعی
1 شناسایی الگو 3 نظری 48
2 رایانش تکاملی 3 نظری 48
3 ربات های متحرک خودگردان 3 نظری 48
4 یادگیری ماشین 3 نظری 48
5 هوش مصنوعی پیشرفته 3 نظری 48
6 فرآیندهای تصادفی 3 نظری 32
7 شبکه های عصبی 3 نظری 32
8 سیستم های چند عاملی 3 نظری 32
اخذ حداقل 4 درس از درس های گروه 1 برای دانشجویان ارشد هوش مصنوعی اجباری است
دروس گروه 2 ارشد هوش مصنوعی
1 برنامه ریزی هوشمند 3 نظری 48
3 الگوریتم های هوش جمعی 3 نظری 48
3 مجموعه ها و سیستم های فازی 3 نظری 48
4 یادگیری تقویتی 3 نظری 48
5 نظریه یادگیری آماری 3 نظری 48
6 مدل های گرافی احتمالاتی 3 نظری 48
7 تصویرپردازی رقمی 3 نظری 48
8 بینایی کامپیوتر 3 نظری 48
9 پنهان سازی اطلاعات 3 نظری 48
10 سنجش از دور 3 نظری 48
11 پردازش زبان های طبیعی 3 نظری 48
12 پردازش آماری زبان های طبیعی 3 نظری 48
13 ترجمه ماشینی 3 نظری 48
14 فهم زبان 3 نظری 48
15 پردازش سیگنال های رقمی 3 نظری 48
16 گفتارپردازی رقمی 3 نظری 48
17 شناسایی گفتار و گوینده 3 نظری 48
18 تبدیل متن به گفتار 3 نظری 48
19 رویکردهای هوش مصنوعی در بازی ها 3 نظری 48
20 رفتارهای هوشمند جمعی در بازی ها 3 نظری 48
21 تصمیم گیری، استراتژی و مسیریابی در بازی ها 3 نظری 48
22 معماری بازی های رایانه ای 3 نظری 48
23 طراحی و توسعه بازی های رایانه ای 3 نظری 48
24 سیستم های چند رباتی 3 نظری 48
25 یادگیری تقویتی و کنترل ربات 3 نظری 48
26 رباتیکز شناختی 3 نظری 48
27 ریاضیات برای رباتیکز 3 نظری 48
28 فیزیولوژی و آناتومی سیستم اعصاب 3 نظری 48
29 علم اعصاب سلولی 3 نظری 48
30 علوم شناختی 3 نظری 48
31 پردازش سلولی و مولکولی 3 نظری 48
32 مدل های رایانشی در سیستم های جمعی 3 نظری 48
33 نظریه بازی ها 3 نظری 48
34 بهینه سازی 3 نظری 48
35 داده کاوی پیشرفته 3 نظری 48
36 پردازش سیگنال آماری 3 نظری 48
37 تحلیل و پردازش زمان - فرکانس 3 نظری 48
38 شناسایی مقاوم و بهینه سازی گفتار 3 نظری 48
دروس گروه 3 ارشد هوش مصنوعی
1 مباحث ویژه 1 در هوش مصنوعی 3 نظری 48
2 مباحث ویژه 2 در هوش مصنوعی 3 نظری 48
3 مباحث ویژه 3 در هوش مصنوعی 3 نظری 48
4 مباحث پیشرفته 1 در هوش مصنوعی 3 نظری 48
5 مباحث پیشرفته 2 در هوش مصنوعی 3 نظری 48
6 مباحث پیشرفته 3 در هوش مصنوعی 3 نظری 48
7 یک درس از سایر گرایش ها یا دانشکده ها با تایید دانشکده 3 نظری 48
اخذ حداکثر 2 درس از درس های گروه 3 برای دانشجویان ارشد هوش مصنوعی مجاز است، دروس اختصاصی دوره دکتری در قالب مفاهیم پیشرفته و با تایید دانشکده ارائه می شود

برای مشاهده توضیحات تکمیلی در مورد گرايش هوش مصنوعی در ارشد، پی دی اف زیر را که شامل موارد زیر است، دانلود کنید :

〈〈 دانلود فایل جزئیات واحدهای گرایش ارشد هوش مصنوعی 〉〉

معرفی هر یک از دروس ارشد هوش مصنوعی

در زیر به معرفی هر یک از دروس ارشد هوش مصنوعی پرداخته‌ایم و هدف هر درس، سر فصل هر درس و منابع آن را برای شما معرفی کرده ایم :

رباتهای متحرک خودگردان

Autonomous Mobile Robots
تعداد واحد 3
نوع درس تحصیلات تکمیلی
پیش نیاز ندارد
گرایش هوش مصنوعی و رباتیکز

اهداف درس

1۔ مطالعه الگوریتم های اساسی مطرح در رباتیک با تأکید بر مطالب تحقیقاتی و کاربردی در رباتهای
متحرک خودگردان
۲- مطالعه مکانیزم های لازم برای حرکت یک ربات در یک محیط واقعی و انجام کارهای مورد نظر شامل
توانائی حرکت، حس محیط، مکان یابی، و برنامه ریزی برای حرکت

سرفصل درس ها

  1. مقدمه معرفی ربات های متحرک، انواع روشهای جابجائی ربات.
  2. سینماتیک ربات های متحرک، توصیف موقعیت ربات در محیط، محدودیتهای سینماتیکی.
  3. مانور ربات، کنترل موقعیت ( حلقه باز و حلقه بسته).
  4. ادراک محیط توسط سنسورها، انکدر، جهت ( قطب نما، ژایروسکوپ)، شتاب سنج، سرعت سنج.
  5. ادراک محیط توسط سنسورها. لیزر. سونار، بینایی.
  6. ادراک محیط توسط سنسورها، عدم قطعیت در اندازه گیری، انتشار خطا، استخراج ویژگی.
  7. مکان یابی: روش های احتمالی، روش کالمن. روش مارکف.
  8. ناوبری: مفاهیم طراحی مسیر.
  9. ناوبری: روش های توابع پتانسیل، نقشه راه تجزیه سلولی. الگوریتم BUG.
  10. ناوبری: روش های توابع پتانسیل، نقشه راه تجزیه سلولی، الگوریتم BUG.

تکالیف پیشنهادی

  • حداقل ۴ پروژه روی مباحث مطرح شده در درس

کتاب (های) مرجع

[1] Introduction to Autonomous Mobile Robots, Roland Siegwart and Illah R. Nourbakhsh, MIT Press, 2004.

رایانش تکاملی

Evolutionary Computing
تعداد واحد 3
نوع درس تحصیلات تکمیلی
پیش نیاز ندارد
گرایش هوش مصنوعی و رباتیکز

اهداف درس

هدف از این درس یادگیری الگوریتمهای تکاملی موجود و ابداع الگوریتم های تکاملی جدید است

سرفصل درس ها

  1. مقدمه.
  2. تئوری تکامل از دیدگاه ماکروسکوپی.
  3. تئوری تکامل از دیدگاه میکروسکوپی.
  4. چارچوب کلی الگوریتم های تکاملی.
  5. عملگرهای انتخاب.
  6. عملگرهای تنوع.
  7. الگوریتم ژنتیک.
  8. استراتژی های تکامل.
  9. برنامه نویسی تکامل.
  10. برنامه نویسی ژنتیک.
  11. مدیریت محدودیت‌ها.
  12. تنظیم پارامترها.
  13. الگوریتمهای تکاملی چند هدفی.
  14. سیستمهای دسته بندی کننده.
  15. الگوریتم تخمین توزیع.
  16. الگوریتم های تکاملی تفاضلی.

کتاب (های) مرجع

[1] Thomas Back, Evolutionary Computation Vol.1 Basic Algorithms, 2000.

[2] Thomas Back. Evolutionary Computation Vol.2 Advanced Algorithms, 2000.

یادگیری ماشین

Machine Learning
تعداد واحد 3
نوع درس تحصیلات تکمیلی
پیش نیاز ندارد
گرایش هوش مصنوعی و رباتیکز

اهداف درس

یادگیری ماشین بر اکتاب و تجمیع دانش به صورت خودگردان اشاره دارد. هدف اصلی این درس فراهم آوردن یک مقدمه جامع بر یادگیری ماشین است. برای این کار رویکردهای اصلی بحث خواهد شد و اصول. تکنیکها و کاربردهای پایه یادگیری ماشین مطرح میشوند. این درس ایده های پایه و دید لازم را در خصوص یادگیری ماشین مدرن به دانشجویان میدهد و تا حدودی نیز به مباحث رسمی مرتبط با یادگیری می پردازد.

سرفصل درس ها

  1. مقدمه.
  2. یادگیری درخت بیزی (بزارش بیش از حد، روشهای هرس).
  3. یادگیری بیزی.
  4. یادگیری بر پایه مثال.
  5. ارزیابی فرضیه.
  6. الگوریتم انتشار خطا به عقب.
  7. ماشین بردار پشتیبان.
  8. رگرسیون خطی و لاجیستیک.
  9. نظریه یادگیری محاسباتی.
  10. ترکیب دسته بندها.
  11. مدل اختلاط.
  12. یادگیری برخط.
  13. یادگیری نیمه نظارتی.
  14. یادگیری فعال.
  15. یادگیری چند برچسبی.
  16. یادگیری از داده های غیر کامل.

نرم افزارهای مورد نیاز

Matlab, SVMLight, Weka

کتاب (های) مرجع

[1] Mehryar Mohri, Afshin Rostamizadeh, and Ameet Talwalkar. Foundations of Machine Learning. MIT Press, 2012.

[2] Kevin Murphy, Machine Learning: a Probabilistic Perspective, 2012.

[3] Tom M. Mitchell, Machine Learning, McGraw Hill, 1997.

[4] Christopher M. Bishop, Pattern Recognition and Machine Learning, Springer 2006.

سیستمهای چندعاملی

Multi-Agent Systems
تعداد واحد 3
نوع درس تحصیلات تکمیلی
پیش نیاز ندارد
گرایش هوش مصنوعی و رباتیکز

اهداف درس

بسیاری از محیطهای واقعی که عامل های هوشمند در آنها بکار گرفته می شوند محیطهای چندعامله ای هستند که در آنها عامل ها مختلف به تعامل با یکدیگر و محیط پیرامون می پردازند. در این درس ویژگیها و چالشهای محیط های چندعامله و راهکارهای طراحی عامل های موفق برای چنین محیط هایی مورد بررسی قرار می گیرد.

سرفصل درس ها

  1. مقدمه.
  2. معماری و مدل سازی عاملها.
  3. الگوریتم های جستجو و مسیریابی.
  4. ارتباطات و همکاری عاملها.
  5. نظریه بازی ها و تصمیم گیری عقلانی توزیع شده.
    • مفهوم بازی و دسته بندی های مختلف بازی ها، مفهوم عقلانیت و عقلانیت محدود، محاسبه حالات تعادل. طراحی مکانیزه، حراج هاء
  6. یادگیری در محیط های چند عاملی.
    • یادگیری تقویتی Replicator Dynamics و استراتژی های پایدار تکاملی، ...
  7. کاربردها.

کتاب (های) مرجع

[1] An Introduction to MultiAgent Systems, Michael Wooldridge, John Wiley & Sons,
Second Edition, 2009..

[2] Multiagent Systems: Algorithmic, Game-Theorctic, and Logical Foundations, Yoav
Shoham and Kevin Leyton-Brown, Cambridge University Press, 2009.

شبکه های عصبی

Neural Networks
تعداد واحد 3
نوع درس تحصیلات تکمیلی
پیش نیاز ندارد
گرایش هوش مصنوعی و رباتیکز

اهداف درس

آشنائی با اصول نظری و استفاده عملی از شبکه های عصبی متنوع با یادگیری با نظارت و بی نظارت برای حل مسائل مختلف دسته بندی، تقریب تابع، بهینه سازی و امثال آن.

سرفصل درس ها

  1. مقدمه: معرفی شبکه های عصبی، تاریخچه شبکه های عصبی، کاربردها.
  2. مفاهیم پایه و مدل های شبکه های عصبی: مغز انسان، مدل های نورون، معماری های شبکه، یادگیری با نظارت و بی نظارت، قوانین یادگیری متنوع شبکه‌ها.
  3. شبکه تک لایه پرسپترونی: مسأله دسته بندی، معرفی پرسپترون، حل مسأله با پرسپترون.
  4. شبکه چند لایه پیشرو(Feedforward) معرفی شبکه های چند لایه پیش رو، قانون یادگیری پس انتشار خطاء عوامل مؤثر در یادگیری، ایجاد بهبود در شبکه، عملکرد شبکه در دسته بندی و تخمین تابع، شبکه های کانولوشنی.
  5. شبکه توابع پایه شعاعی: جدائی پذیری الگوهای شبکه توابع پایه شعاعی و روشهای آموزش آن، نظریه قانونمندسازی، شبکه توابع پایه شعاعی تعمیم یافته، مقایسه با شبکه های پرسپترونی چند لایه.
  6. شبکه تحلیل مؤلفه اصلی تحلیل مؤلفه اصلی استفاده از قانون هب، تحلیل مؤلفه اصلی تطبیقی، تحلیل مؤلفه اصلی مبتنی بر هسته.
  7. شبکه های خودسازمانده مدل های نگاشت و یزکی، نقشه خودسازمانده، یادگیری کوانتیزاسیون برداری.
  8. حافظه های تداعی گر: حافظه تداعی گر خطی، مفاهیم پایه و عملکرد حافظه خود نداعی گر بازگشتی حافظه تداعی گر دوطرفه.
  9. شبکه های بازی: شبکه های بازگشتی تک لایه، سیستم های دینامیکی، مدل فضای حالت، پایداری معماری های شبکه های باز گشنی، آموزش شبکه های بازگشتی.
  10. شبکه های اتفاقی: شبیه سازی تابکاری (Simulated Annealing). ماشین بولتزمن، شبکه های باور سیگموئیدی.
  11. نظریه تشدید تطبیقی: تناقض پایداری-تأثیرپذیری، شبکه ارت-1 (ART1).
  12. شبکه های پردازش زمانی: معماری های مناسب، شبکه های پیش رو تأخیر دار متمرکز، شبکه های پیش رو تأخیر دار توزیع شده، الگوریتم پس انتشار خطای زمانی.
  13. شبکه همبستگی آبشاری (Cascade Correlation): مشخصات و مزایای شبکه، روش ساخت شبکه، آموزش شبکه.
  14. شبکه‌های عمیق.

نرم افزارهای مورد نیاز

نرم افزار متلب Matlab)، جعبه ابزار شبکدهای عصبی
شبیه ساز شبکه عصبی اشتوتگارت (Stuttgart Neural Network Simulator (SNNS

کتاب (های) مرجع

[1] S. Haykin, Neural Networks and Learning Machines, 3rd Edition, Prentice-Hall, 2008.

[2] J. M. Zurada. Introduction to Artificial Neural Systems, West Publishing Company, 1992.

بازار کار رشته هوش مصنوعی در خارج از کشور به چه شکل است؟

در حال حاضر بازار کار رشته هوش مصنوعی در خارج از کشور فوق العاده است و از سایر گرایش های دیگر رشته کامپیوتر بسیار بهتر است، با توجه به شاخه های زیاد رشته هوش مصنوعی که در سال های اخیر شاهد پیدایش آن هستیم می‌توان گفت که آینده دنیا در دستان هوش مصنوعی خواهد بود

بهترین دانشگاه هوش مصنوعی در ایران چه دانشگاهی است؟

بی شک دو دانشگاه تهران و صنعتی شریف در کشور از سایر دانشگاه ها بهتر هستند ولی نمی‌توان گفت که یکی بر دیگری ارجحیت دارد، در بعضی از فیلدها دانشگاه تهران بهتر از شریف است و در بعضی از فیلدها دانشگاه شریف بهتر از دانشگاه تهران است. بعنوان مثال یادگیری ماشین و علوم شناختی دانشگاه تهران قوی تر از شریف و پردازش سیگنال در شریف قوی تر از دانشگاه تهران است

دروس مهم گرایش هوش در کنکور ارشد چیست؟

بی شک دروس مدار منطقی، معماری کامپیوتر، ساختمان داده، هوش مصنوعی، سیستم عامل، شبکه های کامپیوتری، نظریه زبان ها و ماشین ها و سیگنال و سیستم مهم ترین دروس کنکور ارشد هوش مصنوعی است

همچنین هر گونه سوالی در مورد کلاس‌های آنلاین کنکور کامپیوتر و یا تهیه فیلم‌ها و یا رزرو مشاوره تک جلسه‌ای تلفنی با استاد رضوی دارید می‌توانید به طرق زیر از تیم پشتیبانی بپرسید:

آی دی تلگرام تیم پشتیبانی:     konkurcomputer_admin@

شماره تیم پشتیبانی:   09378555200

امتیازدهی4.3148148148148 1 1 1 1 1 1 1 1 1 14.31 امتیاز (81 رای)
اشتراک
بارگذاری نظرات