کارشناسی ارشد هوش مصنوعی

حرفه خود را با مدرک کارشناسی ارشد در هوش مصنوعی تقویت کنید!

هوش مصنوعی تبدیل به یک تغییر بازی در زندگی ما شده است. هدف این برنامه ارائه پایه ها و پیشرفته ترین تکنیک ها در این زمینه به دانش آموزان است و آنها را قادر می سازد تا رهبران فنی این تحول شوند.

برنامه ما یک برنامه درسی منحصر به فرد ارائه می دهد که با روش های هوش مصنوعی مبتنی بر مدل/ نمادین و مبتنی بر داده ها مقابله می کند، در حالی که کاربرد آنها را در حوزه های اجتماعی کلیدی مانند اخلاق، اینترنت افراد، شبکه ها، لجستیک و علوم زیست پزشکی ارزیابی می کند.

این برنامه منحصر به فرد، با ارائه یک رویکرد پایان به انتها از تئوری تا عمل، به طور کامل به زبان انگلیسی توسط معلمان و کلاس های برجسته ارائه می شود و یک برنامه درسی منحصر به فرد را به کسانی که برای آینده ای به عنوان معماران هوش مصنوعی که به دنبال دیدگاه های شغلی استثنایی هستند، آماده می کنند ارائه می دهد. داغ ترین رشته قرن بیست و یکم

آیا من مشخصاتی دارم که مناسب است؟

• آیا فارغ التحصیل شده اید یا به زودی از یک دانشگاه/مدرسه برتر با مدرک قوی (4 ساله لیسانس یا سال اول کارشناسی ارشد) در رشته های مهندسی، ریاضیات، آمار، انفورماتیک، فیزیک فارغ التحصیل خواهید شد؟
• آیا با حداقل یک زبان برنامه نویسی خیلی راحت هستید؟
• آیا تجربه کاری کمی دارید یا اصلاً ندارید؟
• آیا سطح زبان انگلیسی خوبی دارید و دوست دارید به طور کامل به زبان انگلیسی تحصیل کنید؟
• آیا به دنبال تبدیل شدن به یک متخصص و یک رهبر در هوش مصنوعی هستید؟

بیشتر بدانید

دوره اول: مبانی با 6 دوره اصلی

• مبانی یادگیری ماشین: مروری بر مهم ترین روندها در یادگیری ماشین، با تمرکز ویژه بر ریسک آماری و به حداقل رساندن آن با توجه به یک تابع پیش بینی در این دوره ارائه شده است. بخش قابل توجهی از آزمایشگاه شامل پروژه های گروهی در مسابقات علوم داده می شود و به دانش آموزان این توانایی را می دهد که تئوری دوره را در مسائل دنیای واقعی به کار گیرند.
• مبانی هوش مصنوعی: تاریخچه و مروری بر رویکردهای مختلف هوش مصنوعی: از عامل بازتابی (هوش مصنوعی سطح پایین) تا سیستم‌های خبره و xIA (هوش مصنوعی سطح بالا). هر مفهوم موضوع کار عملی فردی خواهد بود. علاوه بر این، یک هوش مصنوعی به صورت گروهی ایجاد می شود و در یک تورنمنت به رقابت می پردازد.
• مبانی مدل‌سازی تصمیم: ترجیحات در بسیاری از موقعیت‌های مربوط به تعامل و تصمیمات انسانی وجود دارند و فراگیر هستند. اولویت ها به طور صریح یا ضمنی در برنامه های کاربردی متعدد بیان می شوند و تصمیمات مربوطه باید بر اساس این اولویت ها گرفته شود. هدف این دوره معرفی مدل های ترجیحی برای تصمیم گیری های چند معیاره است. ما مفاهیم و روش هایی را برای مدل سازی ترجیحی و تصمیم گیری چند معیاره ارائه خواهیم کرد.
• مبانی بهینه سازی: نظریه و روش های بنیادی برای حل مسائل بهینه سازی. تکنیک های تکراری برای کمینه سازی بدون محدودیت برنامه نویسی خطی و غیر خطی و همچنین روش های گسسته برای کاربردهای مهندسی مرتبط با تمرینات برنامه نویسی در پایتون در این دوره پوشش داده شده است.
• مبانی یادگیری عمیق: این دوره به معرفی تئوری مدرن شبکه های عصبی کانولوشن، هم از نظر مفاهیم نظری و هم از نظر عملی با معماری های مختلف آموزشی و برنامه نویسی می پردازد. مثال‌های عینی در حوزه‌های کاربردی مختلف، علاقه این روش‌ها را به هوش مصنوعی نشان می‌دهد.
• مبانی زبان‌ها و پلتفرم‌های برنامه‌نویسی داده‌های بزرگ و هوش مصنوعی: این دوره همه چیز را در مورد مدیریت کلان داده - الگوریتم‌ها، تکنیک‌ها و ابزارهای مورد نیاز برای پشتیبانی از پردازش داده‌های بزرگ با تأکید بر جنبه‌های محاسباتی مرتبط با برنامه‌نویسی روش‌های هوش مصنوعی مبتنی بر یادگیری ماشین به شما آموزش می‌دهد. .

هوش مصنوعی نظری: حداقل 3 درس انتخابی برای انتخاب

• یادگیری تقویتی: این دوره به معرفی مبانی مدل سازی مسائل دینامیکی در هوش مصنوعی از طریق راهبردهای یادگیری تقویتی می پردازد. به طور خاص در مورد استراتژی‌های بهینه‌سازی، استراتژی‌های نمونه‌گیری و استراتژی‌های انتخاب پاداش در سطح مفهوم و کاربرد برای مسائل مختلف هوش مصنوعی بحث خواهیم کرد.
• تعالی در تئوری بازی ها: این دوره در ابتدا اصول اصلی تصمیم گیری در شرایط عدم قطعیت و استفاده از مدل های گرافیکی هنگام تصمیم گیری در شرایط عدم قطعیت را ارائه می دهد. که در آن تعاملات نامطمئن و استراتژیک درگیر است.
• استنتاج و یادگیری مدل‌های گرافیکی: این دوره به مبانی ریاضی و راه‌حل‌های محاسباتی برای آموزش و بهینه‌سازی حالت‌های گرافیکی احتمالی (ترتیب بالاتر) می‌پردازد. اینها نمایش‌های سطح متوسط قدرتمندی هستند که زمانی با الگوریتم‌های بهینه‌سازی کارآمد، بهترین نتایج را برای مشکلات مربوط به حجم متوسط داده‌های آموزشی ایجاد می‌کنند.
• سیستم‌های چند عاملی: هدف این دوره بررسی سیستم‌های چند عاملی، یعنی سیستم‌های متشکل از عناصر محاسباتی متقابل چندگانه، که به عنوان عامل شناخته می‌شوند، به عنوان پارادایم برای پیاده‌سازی سیستم‌های هوشمند مستقل و پیچیده است.
• آمار پیشرفته: هدف این دوره ابتدا معرفی روش شناسی عمومی آمار ریاضی از طریق مفاهیم اساسی (مدل سازی و نمونه گیری آماری، مسائل برآورد، تئوری تصمیم گیری و آزمون فرضیه) است. سپس، این دوره تکنیک های آماری پیشرفته ای را برای تجزیه و تحلیل چند متغیره با تمرکز ویژه بر آمار محاسباتی و رویکردهای برآورد قوی ارائه می دهد. تکنیک های منظم / جریمه شده نیز ارائه شده است.
• یادگیری عمیق پیشرفته: روش‌های یادگیری عمیق اکنون در بسیاری از وظایف یادگیری ماشینی پیشرفته هستند و به نتایج چشمگیری منجر می‌شوند. با این وجود، آنها هنوز به خوبی درک نشده اند، آموزش شبکه های عصبی هنوز دشوار است، و نتایج جعبه های سیاهی هستند که توضیحی ندارند. با توجه به تأثیر اجتماعی تکنیک‌های یادگیری ماشینی امروزه (که به عنوان کمک در پزشکی، فرآیند استخدام، وام‌های بانکی استفاده می‌شود)، بسیار مهم است که تصمیمات آنها قابل توضیح باشد یا ضمانت‌هایی ارائه شود. علاوه بر این، مشکلات دنیای واقعی معمولاً با مفروضات یا چارچوب های استاندارد معروف ترین کار آکادمیک (کمیت و کیفیت داده ها، در دسترس بودن دانش تخصصی...) مطابقت ندارند. هدف این دوره ارائه بینش و ابزارهایی برای پرداختن به این جنبه های عملی بر اساس مفاهیم ریاضی است.

هوش مصنوعی کاربردی: حداقل 3 درس انتخابی برای انتخاب

• محاسبات بصری: این دوره مروری بر روندها، روش‌های مدرن و کاربردهای فناوری‌های بینایی کامپیوتری در مسائل مختلف محاسبات بصری از جمله تجزیه و تحلیل بصری، تشخیص اشیا، مدل‌سازی صحنه‌های سه‌بعدی از چند نما، آموزش متقابل داده‌های چندوجهی و غیره ارائه می‌دهد.
• پردازش زبان طبیعی: این دوره به سوالات اساسی در تقاطع زبان های انسانی و علوم کامپیوتر می پردازد. در این دوره ما روش‌های الهام‌گرفته از هوش مصنوعی نمادین و فرعی را برای درک زبان، تجزیه، ترجمه و تولید بررسی می‌کنیم.
• تجزیه و تحلیل علم شبکه ها: مشکل استخراج اطلاعات معنی دار از داده های گراف در مقیاس بزرگ به روشی کارآمد و موثر با چندین برنامه کاربردی مهم در هوش مصنوعی بسیار مهم و چالش برانگیز شده است. هدف از این دوره ارائه روش ها و الگوریتم های جدید و پیشرفته برای تجزیه و تحلیل، استخراج و یادگیری داده های گراف در مقیاس بزرگ و همچنین کاربردهای عملی آنها در حوزه های مختلف است.
• بازیابی و استخراج اطلاعات: این دوره به مبانی بازیابی اطلاعات می پردازد، فرآیند پاسخ به نیاز اطلاعاتی، که توسط درخواست کاربر بیان می شود، با بازیابی اطلاعات مربوطه در مجموعه های داده های غیرساختار یافته، اغلب انبوه. این دوره همچنین رویکردهای اخیر مانند وب معنایی و پاسخگویی به سؤالات با نمودارهای دانش را پوشش خواهد داد. بخش عملی قابل توجهی شامل پروژه های گروهی در مورد طراحی و ساخت یک برنامه جستجو است.
• تصویربرداری پزشکی: این دوره مروری بر روندهای مربوط به تفسیر خودکار تصویربرداری پزشکی از راه حل های کامپیوتری ارائه می دهد. این دوره در مورد کل زنجیره مشکلات در تفسیر سطح متوسط و سطح بالا بحث خواهد کرد که به مشکلات ستونی این حوزه (تشخیص، تقسیم بندی، ثبت) و بیشترین فناوری های مبتنی بر هوش مصنوعی برای تشخیص به کمک رایانه می پردازد.

دوره سوم: کارآموزی و گزارش (4 تا 6 ماه)

• دومین کارشناس ارشد هوش مصنوعی در فرانسه، Eduniversal 2022
• CentraleSuélec بخشی از دانشگاه Paris-Saclay است که در رتبه بندی جهانی شانگهای در سال 2022 در رتبه شانزدهم جهان قرار دارد.
• در میان بهترین موسسات رتبه بندی شده بر اساس شهرت کارفرما: هفتمین رتبه در سراسر جهان، رتبه اول در فرانسه (رتبه بندی دانشگاه جهانی QS 2021): از هر 10 دانشجوی ما 8 نفر قبل از فارغ التحصیلی و 99٪ پس از فارغ التحصیلی شغل پیدا می کنند.

بیشتر بدانید

CentraleSuélec یکی از بهترین مؤسسات رتبه بندی شده بر اساس شهرت کارفرما است: هفتمین رتبه در سراسر جهان، رتبه اول در فرانسه (رتبه بندی دانشگاه جهانی QS 2021): از هر 10 دانشجوی ما 8 نفر قبل از فارغ التحصیلی و 99٪ پس از فارغ التحصیلی شغل پیدا می کنند.