گرایش های ارشد علوم کامپیوتر

محاسبات علمی

(Scientific Computations)

• معرفی:
  محاسبات علمی یکی از گرایش‌های ا‌صلی رشته علوم کامپیوتر است که از تکنیک‌های پیشرفته محاسباتی برای حل مسائل پیچیده استفاده می‌کند. محاسبات علمی به معنای استفاده از کامپیوتر برای حل مسائل علمی و مهندسی است. این کار نیازمند فهم کامل مساله، مدل‌سازی ریاضی آن و استفاده از تکنیک‌های کامپیوتری برای حل سریع و کارآمد آن است. برخلاف تصور عامیانه، محاسبات علمی تنها به تئوری‌ها و ریاضیات محدود نمی‌شود و ممکن است به سخت‌افزارهای کامپیوتری، نرم‌افزارها، زبان‌های برنامه‌نویسی و پایگاه‌های داده نیاز داشته باشد. هدف اصلی این گرایش توسعه و تعمیم مدل‌ها و شبیه‌سازی‌های سیستم‌های طبیعی یا واقعی است.
  دانشمندان محاسبات علمی وظیفه شبیه‌سازی الگوریتم‌ها، ریاضیات و مدل‌های محاسباتی برای حل مسائل علمی، مهندسی و انسانی را دارند. آن‌ها سیستم‌های سخت‌افزاری و نرم‌افزاری پیشرفته را توسعه و بهینه‌سازی می‌کنند و زیرساخت‌های محاسباتی مناسب را انتخاب می‌کنند. همچنین، خروجی شبیه‌سازی‌ها را ارزیابی و اعتبارسنجی می‌کنند.

• دروس الزامی:
  • داده‌کاوی محاسباتی (Computational Data Mining)
  • الگوریتم‌های پیشرفته (Advanced Algorithms)
  • محاسبات ماتریسی (Matrix Computations)

• برخی دروس تخصصی – انتخابی:
  • برنامه‌ریزی خطی عددی (Numerical Linear Programming)
  • بهینه‌سازی غیرخطی عددی (Numerical Nonlinear Optimization)
  • الگوریتم‌های موازی (Parallel Algorithms)
  • جبر خطي‌ عددي پيشرفته (Advanced Numerical Linear Algebra)
  • تکنولوژي ماتريس‌هاي تنک (Sparse Matrix Technology)

• کاربردها:
• مدل‌سازی و شبیه‌سازی عددی
• دینامیک محاسباتی سیالات (CFD)
• محاسبات در علوم مواد
• بهینه‌سازی عددی و حل مسائل پیچیده ریاضی
• دانشگاه‌های ارائه دهنده:

صنعتی شریف، یزد، علوم پایه زنجان، مازندران، رازی، شهرکرد، سیستان و بلوچستان، دامغان، مازندران

• جمع‌بندی:

محاسبات علمی نقش مهمی در تحقیقات علمی و فناوری دارد و استفاده از ابرکامپیوترها در این زمینه بسیار پرکاربرد شده است. این گرایش به دانشجویان کمک میکند تا مسائل پیچیده را بشناسند، مدل‌سازی کنند و با استفاده از زیرساخت‌های محاسباتی مناسب، مسائل را حل کنند.

الگوریتم‌ و نظریه محاسبه

(Algorithm and Theory of Computation)

• معرفی:

نظریه محاسبه شاخه‌ای از علوم کامپیوتر است که به مطالعه انتزاعی الگوریتم‌ها و محاسبات می‌پردازد. این نظریه به پرسش‌های اساسی مانند چه چیزهایی قابل محاسبه هستند، محدودیت‌های ذاتی محاسبات چیست، پاسخ می‌دهد. این نظریه پایه‌ای برای طراحی الگوریتم‌های کارآمد فراهم می‌کند. مفاهیم کلیدی این نظریه شامل موارد زیر می‌باشد:

• تئوری اتوماتا (Automata Theory): بررسی ماشین‌های انتزاعی مانند اتوماتای متناهی و ماشین تورینگ
• زبان‌های صوری (Formal Languages): مجموعه‌ای از رشته‌ها با قوانین خاص برای ایجاد و دستکاری آن‌ها، مانند عبارات منظم و گرامرهای مستقل از متن
• پیچیدگی محاسباتی (Computational Complexity): طبقه‌بندی مسائل بر اساس سختی حل آن‌ها، شامل مفاهیمی مانند P ، NP ، NP-hard
• تجزیه و تحلیل الگوریتم (Algorithm Analysis): ارزیابی کارایی الگوریتم‌ها از نظر پیچیدگی زمانی و حافظه
• نظریه محاسباتی (Computation Theory): بررسی محدودیت‌های محاسبات و مسائل غیرقابل حل مانند مساله توقف (Halting Problem)
• نظریه محاسبات و منطق صوری (Theory of Computation and Formal Logic): استفاده از منطق صوری و تکنیک‌های اثبات ریاضی برای بررسی صحت و ویژگی‌های الگوریتم‌ها
• دروس الزامی:
  • داده‌کاوی محاسباتی (Computational Data Mining)
  • الگوریتم‌های پیشرفته (Advanced Algorithms)
  • نظریه محاسبه پیشرفته (Advanced Theory of Computing)

• برخی دروس تخصصی – انتخابی:
  • نظریه بازگشت و محاسبه‌پذیری (Recursion Theory)
  • پیچیدگی محاسبه پیشرفته (Advanced Computational Complexity)
  • الگوریتم‌های تصادفی (Randomized Algorithms)
  • نظريه پيشرفته گراف‌ها (Advanced Graph Theory)
  • الگوریتم‌های تقریبی (Approximation Algorithms)
  • هندسه محاسباتی (Computational Geometry)

• کاربردها:
  • کمک به طراحی الگوریتم‌های کارآمد برای مسائل دنیای واقعی
  • بهبود الگوریتم‌های موجود
  • تلاش در حل مسائل باز
  • طراحی و اجرای زبان‌های برنامه‌نویسی و کامپایلرها 

• دانشگاه‌های ارائه دهنده:

تهران، شهید بهشتی، یزد، اصفهان، تربیت مدرس، الزهرا، شاهد 

• جمع‌بندی:

گرایش الگوریتم و نظریه محاسبه یکی از زمینه‌های ضروری و مهم در علوم کامپیوتر است که به طراحی الگوریتم‌های کارآمد، حل مسائل محاسباتی و درک قابلیت‌ها و محدودیت‌های کامپیوترها کمک می‌کند. این گرایش برای تقویت پایه‌های تحلیل الگوریتمیک مفید است و نحوه تفکر و استفاده ما از کامپیوترها را شکل می‌دهد.

محاسبات نرم و هوش مصنوعی

(Soft Computing and Artificial Intelligence) 

• معرفی:

محاسبات نرم و هوش مصنوعی در مقطع کارشناسی ارشد علوم کامپیوتر، به یکی از محبوب‌ترین شاخه‌ها تبدیل شده است. این شاخه با استفاده از ریاضیات و نظریه‌های پیشرفته، ابزارهای متنوعی برای حل مسائل پیچیده دنیای واقعی ارائه می‌دهد.

محاسبات نرم شامل تکنیک‌هایی است که از هوش مصنوعی الهام گرفته‌اند و برخلاف روش‌های سنتی محاسباتی (محاسبات سخت)، به دنبال ارائه راه‌حل‌های مقرون‌به‌صرفه و سریع برای مشکلات پیچیده است.
این مفهوم اولین بار توسط ” لطفی علی‌عسکرزاده (Lotfi A. Zadeh) ” در سال 1992 مطرح شد. محاسبات نرم از چندین تکنیک پایه‌ای مانند منطق فازی، شبکه‌های عصبی مصنوعی و الگوریتم‌های ژنتیک تشکیل شده است. این تکنیک‌ها با هدف شبیه‌سازی فرآیندهای پیچیده و حل مسائل نادقیق، در بسیاری از زمینه‌ها کاربرد دارند.
محاسبات نرم برخلاف محاسبات سخت که به دنبال پاسخ‌های دقیق و قطعی است، از پردازش‌های موازی برای رسیدن به نتایج تقریبی استفاده می‌کند. این رویکرد برای مسائل پیچیده که محاسبات سخت نمی‌تواند به سرعت یا به طور کامل آن‌ها را حل کند، بسیار مفید است. همچنین، این رویکرد بیشتر به دنبال یافتن پاسخ‌های تقریبی به جای دقیق است. از آنجایی که بسیاری از مسائل پیچیده نمی‌توانند به‌وسیله مدل‌های تحلیلی حل شوند، محاسبات نرم به کمک یادگیری از داده‌های تجربی و الگوریتم‌های انعطاف‌پذیر، راه‌حل‌های تقریبی اما مؤثر ارائه می‌دهد. برای توضیح بهتر این مفهوم، فرض کنید می‌خواهیم دو رشته متنی مشابه را مقایسه کنیم. با روش‌های معمولی، تنها پاسخی قطعی (“بله” یا “خیر”) دریافت می‌کنیم، اما محاسبات نرم این امکان را می‌دهد که درجه شباهت آن‌ها را به‌صورت تقریبی (مثلاً 60 درصد مشابه و 40 درصد مختلف) محاسبه کنیم.

• دروس اصلی:
  • داده‌کاوی محاسباتی (Computational Data Mining)
  • الگوریتم‌های پیشرفته (Advanced Algorithms)
  • هوش مصنوعی پیشرفته (Advansed AI)

• برخی دروس تخصصی – انتخابی:
• محاسبات نرم (Soft Computing)
• پردازش زبان‌هاي طبيعي (Natural Languages Processing)
• يادگيري ماشين (Machine Learning)
• يادگيري ژرف (Deep Learning)
• سيستم‌هاي چند عامله (Multiagent Systems)
• الگوريتم‌هاي هوشمند (Intelligent Algorithms) 

• کاربردها:
• پردازش تصویر
• بازی‌های کامپیوتری
• لوازم خانگی هوشمند
• یادگیری ماشین

• دانشگاه‌های ارائه دهنده:

صنعتی امیرکبیر، تهران، علامه طباطبایی، یزد، شهید باهنر کرمان، اصفهان، تبریز، صنعتی و فناوری پیشرفته کرمان، شاهد، دامغان، سمنان، سیستان و بلوچستان، شهرکرد، ولی عصر رفسنجان

• جمع‌بندی:

گرایش محاسبات نرم و هوش مصنوعی در علوم کامپیوتر، با تمرکز بر حل مسائل دنیای واقعی و ارائه راه‌حل‌های مقرون‌به‌صرفه، به یکی از کاربردی‌ترین و پرطرفدارترین شاخه‌ها تبدیل شده است. این رویکرد، به کمک تکنیک‌های متنوع، قابلیت حل مسائلی را فراهم می‌کند که با روش‌های سنتی قابل حل نیستند.

نظریه سیستم‌ها

(Systems Theory)

• معرفی:

نظریه سیستم‌ها در مقطع ارشد علوم کامپیوتر به بررسی و مدیریت سیستم‌های پیچیده کامپیوتری و نرم‌افزارهای کاربردی می‌پردازد. این گرایش اصول و ابزارهایی را ارائه می‌دهد که برای دانشمندان و دانشجویان علوم کامپیوتر بسیار ارزشمند است.

چهار اصل از اصول اصلی این گرایش شامل موارد زیر می‌باشد:

• کلی‌نگری (Holism): نگاه به سیستم به‌عنوان یک کل یکپارچه و نه اجزای جداگانه
• غیرقابل‌پیش‌بینی بودن (Emergence): رفتارهای غیرمنتظره که از تعامل اجزا ناشی می‌شود.
• بازخورد (Feedback): استفاده از مکانیسم بازخورد برای کنترل و انطباق سیستم
• سلسله مراتب (Hierarchy): ساختار سلسله مراتبی سیستم‌ها برای طراحی و مدیریت بهتر
• دروس الزامی:
  • داده‌کاوی محاسباتی (Computational Data Mining)
  • الگوریتم‌های پیشرفته (Advanced Algorithms)
  • طراحی نرم‌افزار پیشرفته (Advanced Software Engineering)

• برخی دروس تخصصی – انتخابی:
• سیستم‌عامل پیشرفته (Advanced Operating System)
• پایگاه‌داده پیشرفته (Advanced Database)
• سیستم‌های توزیع‌شده (Distributed Systems)
• شبکه‌های کامپیوتری پیشرفته (Advanced Computer Networks)
• کامپايلر پيشرفته (Advanced Compiler)
• کاربردها:
  • معماری کامپیوتر: بهینه‌سازی عملکرد و کارایی سیستم‌های کامپیوتری
  • مهندسی نرم‌افزار: مدلسازی و تحلیل سیستم‌های پیچیده نرم‌افزاری
  • شبکه: طراحی و مدیریت شبکه‌های کامپیوتری
  • مدیریت پایگاه‌داده: مدیریت بهینگی و یکپارچگی داده‌ها
  • امنیت سایبری: شناسایی آسیب‌پذیری‌ها و توسعه اقدامات امنیتی

• دانشگاه‌های ارائه دهنده:

علامه طباطبایی، علوم پایه زنجان، تبریز

• جمع‌بندی:

نظریه سیستم‌ها با رویکردهای کلی‌نگری، غیرقابل‌پیش‌بینی بودن، بازخورد و سلسله‌مراتبی، به دانشمندان علوم کامپیوتر و مهندسان نرم‌افزار کمک می‌کند تا سیستم‌های کارآمد و بهینه تولید کنند. این گرایش در بسیاری از زمینه‌های کامپیوتری کاربرد دارد و دروس مختلفی را شامل می‌شود که دانشجویان باید آن‌ها را اخذ کنند.

علوم تصمیم و دانش

(Decision Science and Knowledge)

• معرفی:

علوم تصمیم و دانش یکی از گرایش‌های میان‌رشته‌ای علوم کامپیوتر است که با ترکیب تکنیک‌های ریاضی، آمار، علوم کامپیوتر و علوم رفتاری به حل مسائل پیچیده تصمیم‌گیری می‌پردازد. هدف این گرایش توسعه مدل‌ها و متدهایی برای تصمیم‌گیری آگاهانه و منطقی است و در حوزه‌های مختلفی مانند تجارت، مهندسی، امور مالی و مراقبت‌های بهداشتی کاربرد دارد. برخی مفاهیم کلیدی این گرایش شامل موارد زیر می‌باشد:

• تجزیه‌وتحلیل تصمیم: مدل‌سازی و تحلیل تصمیمات پیچیده برای شناسایی بهترین مسیر عمل
• تجزیه‌وتحلیل ریسک: ارزیابی و مدیریت ریسک‌های مرتبط با انتخاب‌های مختلف
• تصمیم‌گیری مبتنی بر داده: استفاده از تجزیه‌وتحلیل داده‌ها و تکنیک‌های یادگیری ماشین برای تصمیم‌گیری‌های داده‌محور
• دروس الزامی:
  • داده‌کاوی محاسباتی (Computational Data Mining)
  • الگوریتم‌های پیشرفته (Advanced Algorithms)
  • بهینه‌سازی محدب (Convex Optimization)

• برخی دروس تخصصی – انتخابی:
• احتمال و آمار فازي (Fuzzy Probability and Statistics)
• فرايندهاي تصادفي (Random Process)
• سيستم‌هاي تصميم‌گيري فازي (Fuzzy Decision Making Systems)
• تصميم‌گيري با معيارهاي چندگانه (Multiple Criteria Decision Making)

• کاربردها:
  • برنامه‌ریزی استراتژیک و تخصیص منابع: کمک به کسب‌وکارها در برنامه‌ریزی و تخصیص منابع بهینه
  • مراقبت‌های بهداشتی: کمک به اتخاذ تصمیمات درست در حوزه بهداشت و درمان
  • مدیریت سبدهای سرمایه‌گذاری: ارزیابی ریسک و مدیریت سرمایه‌گذاری‌ها
  • بهینه‌سازی زنجیره تأمین: مدیریت موجودی و بهینه‌سازی زنجیره تأمین در امور مالی
• دانشگاه‌های ارائه دهنده:

تهران، علامه طباطبایی، خوارزمی، شاهد، صنعتی شاهرود، حکیم سبزواری، غیرانتفاعی آیندگان 

• جمع‌بندی:

علوم تصمیم و دانش با ترکیب تکنیک‌های مختلف به حل مسائل پیچیده تصمیم‌گیری کمک می‌کند و در حوزه‌های مختلفی کاربرد دارد. این گرایش شامل مفاهیم کلیدی مانند تجزیه‌وتحلیل تصمیم، تجزیه‌وتحلیل ریسک، بهینه‌سازی و تصمیم‌گیری مبتنی بر داده‌ها است که به تصمیم‌گیری آگاهانه و منطقی کمک می‌کند.

داده‌کاوی

(Data Mining)

• معرفی:

داده‌کاوی یکی از گرایش‌های محبوب و کاربردی در مقطع کارشناسی ارشد علوم کامپیوتر است. این گرایش به فرایند مرتب‌سازی و جستجو در میان مجموعه‌داده‌های بزرگ برای شناسایی الگوها و روابط بین آن‌ها می‌پردازد که می‌تواند به حل مشکلات تجاری از طریق تجزیه‌وتحلیل داده‌ها کمک کند. تکنیک‌ها و ابزارهای داده‌کاوی به سازمان‌ها و شرکت‌ها این امکان را می‌دهد تا روندهای آینده را پیش‌بینی کرده و تصمیمات تجاری آگاهانه‌تری اتخاذ کنند. به‌ طور کلی مراحل فرآیند داده کاوی به صورت زیر می‌باشند:

• درک اهداف کسب‌وکار: اهدافی که شرکت یا سازمان در تلاش است به آن دست یابد.
• جمع‌آوری داده: جمع‌آوری داده‌ها از منابع مختلف و یکپارچه‌سازی آن‌ها
• آماده‌سازی داده‌ها: کاوش، نمایه‌سازی، پیش‌پردازش و پاکسازی داده‌ها
• مدل‌سازی: انتخاب تکنیک داده‌کاوی مناسب و پیاده‌سازی الگوریتم‌ها
• ارزیابی و تفسیر مدل: مقایسه مدل‌ها بر اساس معیارهای مشخصی که تعریف می‌کنیم.
• ارائه گزارش از نتایج به‌دست‌آمده
• اعمال تغییرات با توجه به نتایج به‌دست‌آمده
• دروس الزامی:
  • داده‌کاوی محاسباتی (Computational Data Mining)
• الگوریتم‌های پیشرفته (Advanced algorithms)
• داده‌کاوی (Data Mining)
• برخی دروس تخصصی – انتخابی:
• یادگیری ماشین (Machine Learning)
• یادگیری ماشین آماری (Statistical Machine Learning)
• داده‌کاوی پیشرفته (Advanced Data Mining)
• متن‌کاوی و وب‌کاوی (Text Mining and Web Mining)
• گراف کاوی (Graph Mining)
• انتخاب ویژگی و استخراج ویژگی (Feature Selection and Feature Extraction)
• شبکه‌های پیچیده (Complex Networks)
• مدلسازی و پردازش کلان‌داده‌ها (Big Data Modeling and Processing)
• یادگیری ژرف (Deep Learning)
• دانشگاه‌های ارائه دهنده:

شهید بهشتی، علوم پایه زنجان، خوارزمی، تربیت مدرس، صنعتی و فناوری پیشرفته کرمان، شاهد، سیستان و بلوچستان

• جمع‌بندی:

داده‌کاوی یکی از گرایش‌های پرطرفدار و کاربردی در علوم کامپیوتر است که با استفاده از تکنیک‌های پیشرفته به تحلیل داده‌ها و استخراج اطلاعات مفید می‌پردازد. این گرایش در حوزه‌های مختلفی از جمله تجارت، مالی، بیمه، تولید و بهداشت کاربرد دارد و به تصمیم‌گیری‌های آگاهانه و بهینه کمک می‌کند.

بیوانفورماتیک

(Bioinformatics)

• معرفی:

بیوانفورماتیک یک رشته میان‌رشته‌ای نوین و جذاب است که در آن زیست‌شناسی و شیمی با ریاضی و علوم کامپیوتر ترکیب شده‌اند و به به تحلیل داده‌های زیستی پیچیده با استفاده از روش‌های پیشرفته محاسباتی، مانند داده‌کاوی، یادگیری ماشین و مدل‌سازی رایانه‌ای می‌پردازد. با استفاده از بیوانفورماتیک، دانشمندان قادر به ذخیره‌سازی، بازیابی، تجزیه‌وتحلیل و تفسیر داده‌های حاصل از تحقیقات زیستی در سیستم‌های کامپیوتری هستند. این رشته در پاسخ به رشد سریع داده‌های زیستی و نیاز به تحلیل دقیق‌تر آن‌ها ایجاد شده است و نقش مهمی در پردازش و تفسیر این داده‌ها ایفا می‌کند. بیوانفورماتیک، با ترکیب کامپیوتر و زیست‌شناسی، به عنوان یکی از علوم پیشرو در تحلیل داده‌های ژنتیکی و پروتئینی شناخته می‌شود.

• دروس الزامی:
  • تکامل و ژنتیک جمعیت (Evolution and Population Genomics)
  • بیوانفورماتیک ساختاری (Structural Bioinformatics)
  • الگوریتم‌های بیوانفورماتیک (Algorithms for Bioinformatics)
  • تحلیل داده‌های ژنومیک (Genomic Data Analysis)
  • یادگیری ماشین(Machine Learning)
• برخی دروس تخصصی – انتخابی:
• پردازش هوشمند تصاویر زیست-پزشکی(Intelligent Analysis of Biomedical Images)
• یادگیری ژرف(Deep Learning)
• طراحی محاسباتی دارو(Computational Drug Design)
• مدل‌های گرافی احتمالی (Probabilistic Graphical Models)
• طراحی و بهینه‌سازی شبکه‌های زیستی(Synthetic Biology)
• تحلیل شبکه های زیستی(Analysis of Biological Networks)
• کاربردها:
• تجزیه و تحلیل داده‌های ژنوم
• طراحی دارو
• مدل‌سازی بیماری‌ها
• دانشگاه‌های ارائه دهنده:

صنعتی امیرکبیر، الزهرا ، تبریز، اراک، جامع انقلاب اسلامی، زابل، محقق اردبیلی، غیراتفاعی علم و فرهنگ

• جمع‌بندی:

این رشته به طور مداوم در حال توسعه است و توانایی حل مسائل پیچیده زیستی را با استفاده از تکنیک‌های نوین محاسباتی فراهم می‌کند. از تحلیل DNA و RNA تا طراحی داروهای جدید، این رشته به زیست‌شناسان کمک می‌کند تا الگوهای جدیدی از داده‌های زیستی استخراج کنند.