دکتر فلسفه در یادگیری ماشین

دکتر فلسفه در یادگیری ماشین

پس از اتمام شرایط برنامه ، فارغ التحصیل می تواند:

1. به دست آوردن زمینه ریاضی دقیق و قابلیت استدلال پیشرفته برای بیان درک جامع و عمیق از خطوط لوله در مرز یادگیری ماشین: داده ها ، مدل ها ، اصول الگوریتمی و تجربی.
2. طیف وسیعی از مهارت ها و تکنیک ها را در پردازش داده ها ، اکتشاف و تجسم داده های آماری و همچنین نتایج پیچیده الگوریتمی به کار بگیرید.
3. از توانایی ها و محدودیت های مختلف اشکال مختلف الگوریتم های یادگیری و توانایی تحلیل انتقادی ، ارزیابی و بهبود عملکرد الگوریتم های یادگیری آگاهی انتقادی داشته باشید.
4. مهارت های حل مسئله را از طریق استفاده مستقل از اصول و روش های آموخته شده در برنامه با مشکلات پیچیده مختلف در دنیای واقعی رشد دهید.
5. درک عمیقی از خصوصیات آماری و ضمانت عملکرد ، از جمله نرخ همگرایی (در تئوری و عمل) برای الگوریتم های مختلف یادگیری را ایجاد کنید.
6. برای استفاده از و استفاده از ابزارهای برنامه نویسی مربوط به یادگیری ماشین ، برای انواع مشکلات یادگیری ماشین ، متخصص شوید.
7. در شناسایی محدودیت های الگوریتم های یادگیری ماشین موجود و توانایی مفهوم سازی ، طراحی و پیاده سازی یک راه حل ابتکاری برای انواع مشکلات بسیار پیچیده برای پیشبرد وضعیت مدرن در یادگیری ماشین ، مهارت خود را پرورش دهید.
8. قادر به شروع ، مدیریت و تکمیل نسخه های خطی تحقیقاتی هستند که نشان دهنده ارزیابی شخصی متخصص و مهارت های پیشرفته در برقراری ارتباط با ایده های بسیار پیچیده مربوط به یادگیری ماشین است.
9. مهارت های بسیار پیشرفته ای را در زمینه شروع ، مدیریت و تکمیل گزارش ها و انتقادات پروژه های مختلف در مورد انواع روش های یادگیری ماشین به دست آورید ، که نشان دهنده درک متخصص ، ارزیابی خود ، و مهارت های پیشرفته در برقراری ارتباط با ایده های بسیار پیچیده است.

حداقل مدرک تحصیلی دکتری. در یادگیری ماشین 59 اعتبار است که به شرح زیر توزیع می شود:

• دوره های اصلی: 4 دوره (15 ساعت اعتبار)
• دوره های انتخابی: 2 دوره (8 ساعت اعتبار)
• پایان نامه تحقیق: 1 دوره (36 ساعت اعتبار)

دوره های اصلی

دکتری در یادگیری ماشینی در درجه اول یک محور تحقیق است. هدف از دوره های آموزشی ، تجهیز دانش آموزان به مهارت های مناسب است ، بنابراین آنها می توانند پروژه تحقیق (پایان نامه) خود را با موفقیت انجام دهند. دانشجویان ملزم به گذراندن COM701 ، به عنوان یک دوره اجباری هستند. آنها می توانند سه لیست اصلی را از یک مجموعه تمرکز هشت در لیست ارائه شده در زیر انتخاب کنند:

دوره های انتخابی

دانشجویان با مشورت هیئت نظارت خود ، حداقل دو دوره انتخابی ، با مجموع هشت (یا بیشتر) ساعت اعتبار (CH) را از لیستی از دوره های انتخابی موجود بر اساس علاقه ، پایان نامه تحقیقاتی پیشنهادی و دیدگاه های شغلی انتخاب می کنند. دوره های انتخابی موجود برای دکتری. در یادگیری ماشین در جدول زیر آمده است:

پایان نامه تحقیق

دکتری این پایان نامه دانش آموزان را در معرض مشکلات تحقیقاتی برجسته و حل نشده در زمینه یادگیری ماشینی قرار می دهد ، جایی که از آنها خواسته می شود راه حل های جدیدی ارائه دهند و به طور قابل توجهی در بدنه دانش نقش داشته باشند. دانشجویان یک مطالعه تحقیقاتی مستقل ، تحت هدایت یک هیئت نظارتی ، برای یک دوره 3-4 ساله دنبال می کنند.

حداقل مدرک مورد نیاز برای دکترای فلسفه در یادگیری ماشین 60 واحد است که به شرح زیر توزیع می شود:

دوره های اصلی

دکترای فلسفه در یادگیری ماشین در درجه اول یک مدرک مبتنی بر تحقیق است. هدف از دروس تجهیز دانش آموزان به مجموعه مهارت های مناسب است تا بتوانند پروژه تحقیقاتی (پایان نامه) خود را با موفقیت به انجام برسانند. دانش آموزان ملزم به گذراندن دوره های AI701، MTH701 و ML701 هستند. آنها می توانند ML702 یا ML703 را به همراه دو گزینه انتخابی انتخاب کنند.

دروس انتخابی

دانش آموزان حداقل دو درس انتخابی با مجموع هشت (یا بیشتر) ساعت اعتبار را انتخاب خواهند کرد. یکی باید از لیست A انتخاب شود و یکی باید از لیست A یا B بر اساس علاقه، پایان نامه تحقیقاتی پیشنهادی و آرزوهای شغلی، با مشورت با هیئت نظارت انتخاب شود. ل دروس انتخابی موجود برای دکترای فلسفه در یادگیری ماشین در جداول زیر آمده است:

لیست A

لیست B

پایان نامه تحقیق

Ph.D. پایان نامه دانشجویان را در معرض مشکلات تحقیقاتی پیشرو و حل نشده در زمینه یادگیری ماشین قرار می دهد، جایی که آنها باید راه حل های جدیدی را پیشنهاد کنند و سهم قابل توجهی در بدنه دانش داشته باشند. دانش آموزان یک مطالعه تحقیقاتی مستقل را، تحت هدایت یک هیئت نظارت، برای یک دوره سه تا چهار ساله دنبال می کنند.

رتبه بندی CS در یک نگاه

• بیستمین در زمینه هوش مصنوعی در رتبه بندی CS در سطح جهانی
• بیست و هشتمین در زمینه ML در رتبه بندی CS در سطح جهانی
• رتبه 27 در زمینه CV در رتبه بندی CS در سطح جهانی
• رتبه 24 در زمینه NLP در رتبه بندی CS در سطح جهانی

پس از تکمیل الزامات برنامه، فارغ التحصیل قادر خواهد بود:

1. برای بیان درک جامع و عمیق از خطوط لوله در مرز یادگیری ماشین: داده‌ها، مدل‌ها، اصول الگوریتمی و تجربیات، پس‌زمینه دقیق ریاضی و قابلیت‌های استدلال پیشرفته را به دست آورید.
2. تسلط بر طیف وسیعی از مهارت ها و تکنیک ها در پیش پردازش داده ها، کاوش، و تجسم آمار داده ها و همچنین نتایج الگوریتمی پیچیده
3. داشتن آگاهی انتقادی از قابلیت ها و محدودیت های اشکال مختلف الگوریتم های یادگیری و توانایی تجزیه و تحلیل انتقادی، ارزیابی و بهبود عملکرد الگوریتم های یادگیری
4. رشد مهارت های حل مسئله متخصص از طریق به کارگیری مستقل اصول و روش های آموخته شده در برنامه برای مسائل مختلف پیچیده دنیای واقعی
5. ایجاد درک عمیق از ویژگی های آماری و تضمین های عملکرد از جمله نرخ همگرایی (در تئوری و عمل) برای الگوریتم های مختلف یادگیری
6. در استفاده و استقرار ابزارهای برنامه نویسی مرتبط با یادگیری ماشین برای انواع مشکلات یادگیری ماشین متخصص شوید.
7. افزایش مهارت در شناسایی محدودیت‌های الگوریتم‌های یادگیری ماشینی موجود و توانایی مفهوم‌سازی، طراحی و پیاده‌سازی راه‌حلی نوآورانه برای انواع مشکلات بسیار پیچیده به منظور ارتقای پیشرفته‌ترین هنر در یادگیری ماشین.
8. قادر به راه اندازی، مدیریت و تکمیل دست نوشته های تحقیقاتی است که نشان دهنده خود ارزیابی متخصص و مهارت های پیشرفته در ارتباط با ایده های بسیار پیچیده مرتبط با یادگیری ماشین است.
9. کسب مهارت های بسیار پیچیده در شروع، مدیریت، و تکمیل گزارش های پروژه و انتقادات متعدد در مورد انواع روش های یادگیری ماشین، که درک متخصص، خود ارزیابی و مهارت های پیشرفته در برقراری ارتباط ایده های بسیار پیچیده را نشان می دهد.

هوش مصنوعی در هر صنعت نفوذ کرده است. در رویدادهای اخیر تعامل کارفرما در MBZUAI، نمایندگی از چندین بخش از جمله (اما نه محدود به):

• هوانوردی، مشاوره، آموزش، انرژی، امور مالی، نهادهای دولتی، مراقبت های بهداشتی، رسانه ها، نفت و گاز، امنیت و دفاع، موسسات تحقیقاتی، خرده فروشی، مخابرات، حمل و نقل و لجستیک و استارت آپ ها.

فرصت های شغلی اخیر که از طریق پورتال مشاغل دانشجویی MBZUAI تبلیغ می شود شامل (اما نه محدود به):

• معمار راه حل هوش مصنوعی، مهندس راه حل هوش مصنوعی، مهندس الگوریتم، تحلیلگر داده، مهندس داده، دانشمند داده، مشاور استراتژی داده، مهندس نرم افزار فول استک، توسعه دهنده وب فول استک، محقق تجزیه و تحلیل پیش بینی کننده، و دانشمند ارشد داده – مشاور.

سایر فرصت های شغلی می تواند شامل (اما نه محدود به):

• دانشمند کاربردی، مهندس تجزیه و تحلیل، واقعیت افزوده/مجازی، خودروهای خودران، بیومتریک و پزشکی قانونی، افسر ارشد داده، رهبری پلت فرم داده، روزنامه نگار داده، متخصص فروش فنی داده و هوش مصنوعی، تجزیه و تحلیل رشد / مهندسان، مدیر: برنامه ریزی خدمات هوش مصنوعی و ابری، ماشین مهندسان یادگیری، مدیر محصول: هوش مصنوعی و تجزیه و تحلیل داده ها، دانشمند داده محصول، تحلیلگر محصول، سنجش از راه دور، دستیاران تحقیق، امنیت و نظارت، مهندس ارشد نرم افزار، و داده های معاونت.