پیشنهاد موضوع سمینار و پایان نامه کارشناسی ارشد هوش مصنوعی

انتخاب موضوع پایان نامه کارشناسی ارشد

یکی از دغدغه های اصلی دانشجویان کارشناسی ارشد، انتخاب موضوع سمینار و پایان نامه است. معمولا دانشجویان با اهداف مختلفی موضوع سمینار و پایان نامه را انتخاب می کنند. ممکن است یک دانشجو بخواهد موضوعی انتخاب کند که به دردسر نیوفتد و زودتر دفاع کند یا به قولی یک موضوع ساده انتخاب کند. اما یک دانشجوی دیگر می خواهد موضوعی انتخاب کند که در آینده برای ادامه تحصیل در داخل یا خارج و یا درخواست کار، به عنوان یک رزومه خوب برایش به حساب آید.

خوشبختانه رشته هوش مصنوعی دارای تنوع موضوع بسیار زیادی است. این تنوع موضوع به حدی است که دانشجویان سایر رشته ها نیز سراغ موضوعات این رشته می آیند. ما در اینجا سعی میکنیم چند نکته مهم و کلی در مورد انتخاب موضوع سمینار و پایان نامه مطرح کنیم سپس به معرفی حوزه های مهم و باز برای انتخاب موضوع در رشته هوش مصنوعی می پردازیم.

نکات کلیدی:

1- موضوعی را انتخاب کنید که از پس پیاده سازی آن بربیاید.

2- تا حد امکان موضوعی انتخاب کنید که در راستای تخصص استاد راهنمای شما باشد. اما حقیقت اینه که روی کمک استاد راهنما نمی تونید حساب باز کنید.

3- معمولا اشتباه بزرگی که دانشجویان انجام میدهند اینه که در پروپوزال هر چی روش های عجیب غریب به چشمشون میخوره، اضافه می کنند صرفا جهت اینه پروپوزال تایید بشه. اما همین مسئله در حین پیاده سازی براشون دردسر ساز میشه.

4- سعی کنید موضوعی انتخاب کنید که منابع زیادی براش وجود داشته باشه.

5- اول بررسی کنید که روش مورد نظر، حداقل مشابهش پیاده سازی شده باشه و شما یک طرح کلی از آن داشته باشید.

6- و نکته آخر این که سعی کنید که موضوع سمینار را به شکلی انتخاب کنید که ادامه همون موضوع پایان نامه شما باشه.

تنوع موضوعات رشته هوش مصنوعی

آینده ای را تصور کنید که در آن هوش محدود به انسان ها نباشد. !!! آینده ای که در آن ماشین ها می توانند مانند انسان ها فکر کنند و با آنها کار کنند تا یک جهان حتی هیجان انگیزتر ایجاد کنند. در حالی که این آینده هنوز دور است، هوش مصنوعی هنوز در این دوران پیشرفت های زیادی کرده است. تحقیقات زیادی در تقریباً همه زمینه های هوش مصنوعی مانند محاسبات کوانتومی، مراقبت های بهداشتی، وسایل نقلیه خودران، اینترنت اشیاء، رباتیک و غیره در حال انجام است به طوری که تعداد مقالات تحقیقاتی منتشر شده در زمینه هوش مصنوعی از سال 1996، سالانه 90 درصد افزایش می یابد.
با در نظر گرفتن این نکته، اگر می خواهید تحقیق کنید و یا پایان نامه ای مبتنی بر هوش مصنوعی بنویسید، بسیاری از موضوعات فرعی وجود دارد که می توانید روی آنها تمرکز کنید. برخی از این موضوعات به همراه مقدمه ای مختصر در این مقاله ارائه شده است. ما همچنین برخی مقالات تحقیقاتی منتشر شده مربوط به هر یک از این موضوعات را ذکر کرده ایم تا بتوانید روند تحقیق را بهتر درک کنید.

1- یادگیری ماشین

یادگیری ماشین شامل استفاده از هوش مصنوعی باهدف آموزش ماشین بدون استفاده از برنامه نویسی معمول و صرفا بر اساس دادههای تجربی پیشین است. (به طور خلاصه، ماشین ها به طور خودکار بدون در دست گرفتن انسان یاد می گیرند !!!) این فرآیند با تغذیه داده های با کیفیت خوب به آنها و سپس آموزش ماشین ها با ساخت مدل های مختلف یادگیری ماشین با استفاده از داده ها و الگوریتم های مختلف آغاز می شود. انتخاب الگوریتم ها بستگی به این دارد که ما چه نوع داده ای داریم و چه نوع وظیفه ای را سعی می کنیم خودکار کنیم. البته باید این نکته را در نظر داشت که آماذه سازی این داده ها اغلب توسط انسان انجام می شود.
به طور کلی، الگوریتم های یادگیری ماشین به 3 نوع تقسیم می شوند: الگوریتم های یادگیری با نظارت، الگوریتم های یادگیری بدون نظارت و الگوریتم های یادگیری تقویتی.

2. یادگیری عمیق

یادگیری عمیق زیر مجموعه ای از یادگیری ماشین است که با تقلید از عملکرد داخلی مغز انسان به منظور پردازش داده ها و اجرای تصمیمات بر اساس آن اطلاعات می آموزد. اساساً، Deep Learning از شبکه های عصبی مصنوعی برای پیاده سازی یادگیری ماشین استفاده می کند. این شبکه های عصبی در ساختاری شبیه به شبکه مانند شبکه های موجود در مغز انسان متصل شده اند (اساساً یک نسخه ساده شده از مغز ما!).
این ساختار شبکه مانند شبکه های عصبی مصنوعی به این معنی است که آنها قادر به پردازش داده ها در رویکرد غیر خطی هستند که مزیت قابل توجهی نسبت به الگوریتم های سنتی دارند که فقط می توانند داده ها را در رویکرد خطی پردازش کنند. نمونه ای از یک شبکه عصبی عمیق RankBrain است که یکی از عوامل الگوریتم جستجوی Google است.

3. یادگیری تقویتی

یادگیری تقویتی بخشی از هوش مصنوعی است که در آن دستگاه چیزی را یاد می گیرد که شبیه نحوه یادگیری انسان است. به عنوان مثال، فرض کنید که دستگاه دانش آموز است. در اینجا دانش آموز فرضی از اشتباهات خود در طول زمان (مانند ما مجبور شدیم !!) درس می گیرد. بنابراین الگوریتم های یادگیری ماشین تقویت کننده اقدامات بهینه را از طریق آزمایش و خطا یاد می گیرند.
این بدان معناست که الگوریتم با یادگیری رفتارهایی که بر اساس وضعیت فعلی آن است و در آینده پاداش را به حداکثر می رساند، اقدام بعدی را تعیین می کند. و مانند انسانها، این برای ماشینها نیز کار می کند! به عنوان مثال ، برنامه رایانه ای AlphaGo گوگل توانست با استفاده از یادگیری تقویتی، قهرمان جهان را در بازی Go در سال 2017 شکست دهد.

4. رباتیک

رباتیک رشته ای است که به ایجاد ماشین های انسان نما می پردازد که می توانند مانند انسان رفتار کنند و برخی اقدامات را مانند انسان انجام دهند. در حال حاضر، ربات ها می توانند در شرایط خاص مانند انسان عمل کنند اما آیا آنها نیز می توانند مانند انسانها فکر کنند؟ اینجاست که هوش مصنوعی مطرح می شود. هوش مصنوعی به ربات ها اجازه می دهد در شرایط خاص هوشمند عمل کنند. این روبات ها ممکن است بتوانند مشکلات را در یک حوزه محدود حل کنند یا حتی در محیط های کنترل شده یاد بگیرند.
نمونه ای از آن Kismet است که یک ربات تعامل اجتماعی است که در آزمایشگاه هوش مصنوعی M.I.T توسعه یافته است. این زبان بدن انسان و همچنین صدای ما را تشخیص می دهد و بر این اساس با انسان ارتباط برقرار می کند. مثال دیگر Robonaut است که توسط ناسا برای کار در کنار فضانوردان در فضا توسعه داده شد.

5. پردازش زبان طبیعی (NLP)

بدیهی است که انسانها می توانند با استفاده از گفتگو با یکدیگر گفتگو کنند، اما اکنون ماشینها نیز می توانند! این به عنوان پردازش زبان طبیعی شناخته می شود که در آن ماشین ها زبان و گفتار را هنگام صحبت تجزیه و تحلیل می کنند و درک می کنند. بخشهای فرعی NLP وجود دارد که به زبان مانند تشخیص گفتار، ایجاد زبان طبیعی، ترجمه زبان طبیعی و غیره می پردازد.
NLP در حال حاضر برای برنامه های پشتیبانی مشتری، به ویژه چت بات، بسیار محبوب است. این چت بات ها از یادگیری ماشین و NLP برای تعامل با کاربران به صورت متنی و حل سوالات آنها استفاده می کنند. بنابراین شما در تعاملات پشتیبانی مشتری خود بدون هیچ گونه تعامل مستقیم با انسان، ارتباط انسانی را دریافت می کنید.

6. بینایی ماشین

روزانه میلیونها تصویر در اینترنت بارگذاری و مشاهده می شوند. برای استفاده حداکثری از این حجم عظیم از تصاویر به صورت آنلاین، مهم این است که کامپیوترها بتوانند تصاویر را ببینند و درک کنند. و در حالی که انسانها می توانند این کار را بدون هیچ فکری به راحتی انجام دهند، برای کامپیوترها کار چندان آسانی نیست! اینجاست که Computer Vision یا بینایی ماشین مطرح می شود.
بینایی ماشین از هوش مصنوعی برای استخراج اطلاعات از تصاویر استفاده می کند. این اطلاعات می تواند تشخیص اشیاء در تصویر، شناسایی محتوای تصویر برای گروه بندی تصاویر مختلف با هم و غیره باشد. کاربرد بینایی ماشین، ناوبری برای وسایل نقلیه خودران با تجزیه و تحلیل تصاویر اطراف یکی از موارد استفاده این موضوع است. مانند AutoNav که در مریخ نوردهای Spirit و Opportunity مورد استفاده قرار گرفته است.

7. سیستم های توصیه گر

وقتی از Netflix استفاده می کنید ، آیا فیلم ها و سریال هایی را براساس انتخاب های قبلی یا ژانرهایی که دوست دارید توصیه می کنید؟ این کار توسط Recommender Systems انجام می شود که به شما راهنمایی می کند که در بین گزینه های وسیع موجود به صورت آنلاین، چه چیزی را انتخاب کنید. یک سیستم توصیه گر می تواند براساس توصیه مبتنی بر محتوا یا حتی فیلترینگ مشارکتی باشد.
توصیه مبتنی بر محتوا با تجزیه و تحلیل محتوای همه موارد انجام می شود. به عنوان مثال، می توانید بر اساس پردازش زبان طبیعی که بر روی کتابها انجام شده است، کتابهایی که ممکن است دوست داشته باشید به شما پیشنهاد شوند. از سوی دیگر ، فیلترینگ مشارکتی با تجزیه و تحلیل رفتار خواندن گذشته شما و سپس توصیه کتاب بر اساس آن انجام می شود.

8. اینترنت اشیاء

هوش مصنوعی به ایجاد سیستم هایی می پردازد که می توانند با استفاده از تجربیات قبلی خود و بدون هیچ گونه دخالت دستی، از کارهای انسانی تقلید کنند. از طرف دیگر، اینترنت اشیاء شبکه ای از دستگاه های مختلف است که از طریق اینترنت به هم متصل هستند و می توانند داده ها را با یکدیگر جمع آوری و تبادل کنند.
در حال حاضر، همه این دستگاه های اینترنت اشیا داده های زیادی تولید می کنند که باید برای نتایج قابل جمع آوری و استخراج شوند. اینجاست که هوش مصنوعی وارد صحنه می شود. اینترنت اشیاء برای جمع آوری و مدیریت حجم عظیمی از اطلاعات مورد نیاز الگوریتم های هوش مصنوعی استفاده می شود. این الگوریتم ها به نوبه خود داده ها را به نتایج کاربردی مفیدی تبدیل می کنند که می تواند توسط دستگاه های اینترنت اشیا پیاده سازی شود.

خلاصه

در نهایت با بررسی موضوعات کلی بالا و انتخاب یک شاخه مورد علاقه، می توانید مجلات و کنفرانس های مرتبط با هر کدام را دنبال کنید و موضوعات جدید و به روز را از بین مقالات آن ها پیدا کنید. اگر برای انتخاب موضوع نیاز به راهنمایی داشتید، در بخش نظرات اعلام بفرمایید ما راهنمایی می کنیم.