Conference IPM Biennial Conference on Combinatorics and Computing (IPMCCC2025) May 20-22, 2025                                             https://math.ipm.ac.ir/IPMCCC2025/

برنامه سخنرانی های کنفرانس ترکیبیات و محاسبه آی پی ام، سه شنبه 30 اردیبهشت تا 1 خرداد 1404

Zoom Link The conference is held in Hall 1 (Niavaran Building) and are also available via the following Zoom link: https://us06web.zoom.us/j/82442404213?pwd=aMq4Pck3brnQwMYlnofzI17KvBsGnJ.1 Meeting ID: 824 4240 4213 Passcode: 362880

لینک شرکت در کنفرانس با استفاده از اپ zoom

گوگل اسکالر (Google Scholar) یک موتور جستجوی رایگان است که توسط شرکت گوگل توسعه داده شده و هدف آن دسترسی آسان به منابع علمی و دانشگاهی است. این پلتفرم به کاربران امکان میدهد تا مقالات علمی، پایاننامهها، کتابها، چکیدهها و سایر منابع پژوهشی را در رشتههای مختلف جستجو کنند. ویژگیهای کلیدی گوگل اسکالر: 1. جستجوی گسترده: - امکان جستجو در میان میلیونها منبع علمی از جمله ژورنالها، کنفرانسها، دانشگاهها و وب‌سایت‌های آکادمیک. 2. استنادها (Citations): - نمایش تعداد استنادهای یک مقاله و پیوند به مقالات مرتبط. 3. نمایه شخصی (Profile): - پژوهشگران میتوانند نمایه شخصی ایجاد کنند تا آثارشان فهرست شود و آمار استنادها را رصد کنند. 4. Alertها: - امکان تنظیم هشدار برای موضوعات خاص تا از انتشار مقالات جدید مطلع شوید. 5. لینک به منابع کامل: - در بسیاری از موارد، متن کامل مقالات بهصورت رایگان یا از طریق کتابخانههای دانشگاهی در دسترس است. نحوه استفاده مؤثر: - از کلیدواژههای دقیق (مانند عنوان مقاله یا نام نویسنده) استفاده کنید. - با جستجوی پیشرفته (Advanced Search) نتایج را محدودتر کنید (مثلاً بر اساس سال یا نویسنده). - از گزینه "Cited by" برای یافتن مقالات جدیدتر که به مقاله موردنظر شما استناد کرده اند، استفاده کنید. - برای دسترسی به متن کامل مقالات، از لینکهای PDF (https://unpaywall.org/) کمک بگیرید. محدودیتها: - برخی مقالات تنها چکیدهشان قابل دسترس است و متن کامل نیاز به اشتراک یا پرداخت دارد. - کیفیت منابع ممکن است متفاوت باشد (شامل پیش چاپها یا مقالات کنفرانسهای غیرمعتبر نیز میشود). گوگل اسکالر برای دانشجویان، پژوهشگران و اساتید جهت یافتن اطلاعات معتبر و دنبال کردن روندهای پژوهشی در حوزه تخصصی بسیار مفید است.

گوگل میت قابلیت ترجمه همزمان زنده را فعال کرده کاربران می‌توانند در لحظه صحبت افراد را به زبان خود یا هر زبانی بشنوند!

- "Pattern Recognition and Machine Learning" (Bishop) - "Deep Learning" (Goodfellow, Bengio, Courville) - "Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow" (Géron). - دورههای آنلاین: - دورههای پیشرفته Coursera (مانند Deep Learning Specialization توسط Andrew Ng). - دورههای Fast.ai برای یادگیری عمیق عملی. - رقابتهای علمی: - شرکت در مسابقات Kaggle یا challenges علمی مانند ImageNet. ۸. آینده رشته علم داده - ادغام با زیست‌شناسی و پزشکی: توسعه مدلهای پیش‌بینی کننده برای کشف دارو یا شخصی سازی درمان. - دادههای چندحسی (Multimodal Data): ترکیب متن، تصویر، و صدا در مدلهای یکپارچه (مثل ChatGPT-4o). - دموکراتیک سازی هوش مصنوعی: دسترسی سازمانهای کوچک به فناوریهای پیشرفته با استفاده از AutoML و پلتفرمهای Low-Code.

علم داده (Data Science) بعنوان یک رشته تخصصی، ترکیبی پیچیده و عمیق از مهندسی داده، آمار پیشرفته، یادگیری ماشین، و تحلیل های پیشبینانه است که هدف نهایی آن تبدیل دادههای خام به بینش‌های عملی و ارزش تجاری است. این رشته در مرزهای علوم کامپیوتر، ریاضیات، و حوزه‌های کاربردی (مانند پزشکی، اقتصاد، یا مهندسی) قرار دارد و نیازمند تسلط بر مفاهیم تئوری و مهارتهای فنی پیشرفته است. در ادامه، به جنبه‌های تخصصی این رشته میپردازیم: ۱. مبانی آکادمیک و تئوری - ریاضیات و آمار پیشرفته: - مفاهیمی مانند جبر خطی (برای درک الگوریتمهای یادگیری ماشین)، محاسبات عددی، توزیعهای احتمالی، و روشهای بیزی. - تکنیکهای آزمون فرضیه، رگرسیون چندمتغیره، و طراحی آزمایشها (DOE). - علوم کامپیوتر: - الگوریتمها و ساختارهای داده (مثل درختهای تصمیم، گرافها). - مفاهیم پیچیدگی زمانی (Time Complexity) و بهینه‌سازی (Optimization). ۲. سرفصلهای تخصصی در تحصیلات دانشگاهی در دوره‌های کارشناسی ارشد یا دکتری، دروس تخصصی شامل موارد زیر است: - یادگیری عمیق (Deep Learning): - شبکه‌های عصبی پیچیده (CNN، RNN، Transformers)، یادگیری انتقالی (Transfer Learning)، و تولید مدلهای Generative (GANs، VAEs). - پردازش زبان طبیعی (NLP): - مدلسازی زبانی (Language Models)، استخراج اطلاعات، و سیستمهای گفتگو (Chatbots). - کلان داده (Big Data): - سیستمهای توزیع شده (Hadoop/Spark)، پردازش جریان داده (Stream Processing)، و پایگاههای داده نواسکیوال (MongoDB، Cassandra). - مهندسی ویژگی (Feature Engineering): - تبدیل دادههای خام به ویژگیهای معنادار با استفاده از تکنیکهایی مانند PCA، Embedding، یا استخراج خودکار (AutoML). - هوش مصنوعی اخلاق مدار (Ethical AI): - مدیریت سوگیری (Bias Mitigation)، شفافیت مدل (Explainable AI)، و انطباق با قوانین (مثل GDPR). ۳. فناوریها و ابزارهای پیشرفته - زبانهای برنامه نویسی: - Python (با کتابخانه‌های TensorFlow، PyTorch، Scikit-learn)، R (برای تحلیلهای آماری)، و Julia (برای محاسبات پرسرعت). - پلتفرم‌های ابری: - استقرار مدلها در محیطهای ابری (AWS SageMaker، Google AI Platform، Azure ML). - ابزارهای مدیریت چرخه حیات مدل (MLOps): - Docker، Kubernetes، MLflow، و Apache Airflow برای خودکارسازی استقرار و مانیتورینگ مدلها. - سیستمهای پردازش بلادرنگ: - Apache Kafka، Apache Flink، و Redis. ۴. حوزه‌های پژوهشی داغ (Research Hotspots) - AutoML: توسعه سیستمهای خودکار برای انتخاب مدل، تنظیم هایپرپارامترها، و مهندسی ویژگی. - فیزیک عصبی (Neuro-Symbolic AI): ترکیب یادگیری عمیق با منطق نمادین برای ایجاد هوش شبه انسانی. - علم داده کوانتومی: استفاده از رایانش کوانتومی برای حل مسائل بهینه‌سازی پیچیده. - دادههای فضا-زمانی (Spatiotemporal Data): تحلیل دادههای مکانی-زمانی در حوزههایی مانند آبوهوا یا ترافیک. ۵. مسیرهای شغلی تخصصی - دانشمند داده پژوهشی (Research Data Scientist): - تمرکز بر توسعه الگوریتمهای جدید در شرکتهای فناوری (مثل Google Brain، OpenAI). - نیازمند مدرک دکتری و انتشار مقالات در کنفرانسهایی مانند NeurIPS، ICML. - مهندس یادگیری ماشین (ML Engineer): - توسعه سیستمهای مقیاسپذیر برای استقرار مدلها در محیط Production. - مهارتهای کلیدی: Docker، CI/CD، و مهندسی نرمافزار. - معمار کلان داده (Big Data Architect): - طراحی زیرساختهای ذخیره‌سازی و پردازش دادههای حجیم (مثل سیستمهای مبتنی بر Hadoop). - متخصص NLP/CV: - توسعه مدلهای زبانی (مانند GPT-4) یا سیستمهای بینایی کامپیوتری (تشخیص چهره، خودروهای خودران). ۶. چالشهای تخصصی - مقیاسپذیری (Scalability): آموزش مدلها روی دادههای ترابایتی بدون کاهش کارایی. - امنیت دادهها: محافظت از مدلها در برابر حملات Adversarial و نشت اطلاعات. - تفسیرپذیری مدلهای پیچیده: استفاده از تکنیکهایی مانند SHAP، LIME، یا Counterfactual Explanations. - ادغام دامنه‌های دانش (Domain Knowledge Integration): ترکیب تخصص حوزههای خاص (مثل ژنتیک) با مدلسازی دادهها. ۷. منابع یادگیری تخصصی - کتابها: