مطالب اسناد بالادستی ایران

رشته علوم کامپیوتر

  • علوم‌ كامپيوتر پل‌ ارتباطي‌ دانش‌ كامپيوتر و رياضي‌ است‌ و مهمترين‌ هدف‌ آن‌ دست‌يابي‌ به‌ بهترين‌ الگوريتم‌هاي‌ موجود (روش‌هاي‌ حل‌ مسأله‌) در كمترين‌ زمان‌ و با كمترين‌ خطا و بيشترين‌ دقت‌ است. به‌ عبارت‌ ديگر هدف‌ اين‌ رشته‌ تربيت‌ گروهي‌ متخصص‌ كامپيوتر است‌ كه‌ با ديد رياضي‌تر و منطقي‌تر به‌ حل‌ مسائل‌ مطرح‌ شده‌ در علوم‌ كامپيوتر يا رياضي‌ بپردازند. اين‌ رشته‌ در مقطع‌ كارشناسي‌ داراي‌ 4 گرايش‌ محاسبات‌ علمي‌، نظريه‌ الگوريتم‌ها، سخت‌افزار‌ و سيستم‌هاي‌ اطلاعاتي‌ است‌. كه دروس گرايش محاسبات علمي در زمينه برنامه‌ريزي خطي، غيرخطي، آناليز عددي و نرم‌افزار در رياضي است؛ يعني در اين گرايش كاربرد رياضيات در كامپيوتر مطالعه مي‌شود.گرايش نظريه الگوريتم‌ها به بررسي راه‌هاي مختلف حل مسئله به ياري روش‌هاي بهينه‌تر، سريع‌تر و بهتر مي‌پردازد. به عبارت ديگر هدف اين گرايش پياده‌سازي و بهينه كردن الگوريتم است.در گرايش سخت‌افزار نيز معماري يا ساختار كامپيوتر مطالعه مي‌شود و گرايش سيستم‌هاي اطلاعاتي نيز به مديريت پروژه‌هاي نرم‌افزاري و سيستم‌هاي اطلاعاتي مي‌پردازد. گفتني‌ است‌ كه‌ تفاوت‌ اين‌ رشته‌ با مهندسي‌ كامپيوتر گرايش‌ نرم‌افزار در اين‌ است‌ كه‌ رشته‌ علوم‌ كامپيوتر برخلاف‌ مهندسي كامپيوتر فاقد دروس‌ آزمايشگاهي‌ و كارگاهي‌ است‌ و بيشتر جنبه‌ تحقيقات‌ نظري‌ دارد.


    توانايي‌هاي‌ لازم :
    تسلط‌ و علاقه‌ به‌ رياضيات‌ شرط‌ اول‌ موفقيت‌ در رشته‌ علوم‌ كامپيوتر است‌ و دانشجوي‌ اين‌ رشته‌ بايد بتواند با استدلال‌ رياضي‌ با مسائل‌ برخورد نمايد. در ضمن‌ بايد اطلاعات‌ عمومي‌ خوبي‌ داشته‌ و حتي‌ پس‌ از فارغ‌التحصيلي‌ به‌ مطالعه‌ و تحقيق‌ پشت‌ نكند چون‌ در طي‌ تحصيل‌ تنها اطلاعات‌ پايه‌اي‌ و كلي‌ را فرا مي‌گيرد و براي‌ حضور در بازار كار بايد خود تلاش‌ كند و اهل‌ مطالعه‌ و تحقيق‌ باشد.


    موقعيت‌ شغلي‌ در ايران :
    موقعيت‌هاي‌ شغلي‌ فارغ‌التحصيل‌ علوم‌ كامپيوتر شباهت‌ بسياري‌ با مهندسي‌ كامپيوتر گرايش‌ نرم‌افزار دارد اما در كل‌ نقش‌ فارغ‌التحصيل‌ اين‌ رشته‌ به‌ عنوان‌ مدير و هماهنگ‌ كننده‌ بسيار مهم‌ و قابل‌ توجه‌ است‌. فردي‌ كه‌ مسؤول‌ انتخاب‌ راه‌حل‌ مسائل‌ و حل‌ آنها همچنين‌ تقسيم‌ الگوريتم‌ها در بين‌ مهندسين‌ نرم‌افزار و در انتها جمع‌ كردن‌ قسمت‌هاي‌ توزيع‌ شده‌ مي‌باشد.

    • درس‌هاي‌ اين‌ رشته‌ در طول‌ تحصيل :

    دروس‌ اصلي‌ و تخصصي‌ مشترك‌ در گرايش‌هاي مختلف علوم كامپيوتر:
    رياضي‌ عمومي‌، فيزيك‌ پايه‌، آمار و احتمال‌، اصول‌ كامپيوتر، اصول‌ سيستم‌هاي‌ كامپيوتري‌، جبر خطي‌ عددي‌، رياضيات‌ گسسته‌، آناليز عددي‌، ساختمان‌ داده‌ها و الگوريتم‌ها، نظريه‌ اتوماتا و زبان‌ها، كامپايلر، نظريه‌ محاسبات‌، اصول‌ طراحي‌ نرم‌افزار، منطق‌، ذخيره‌ و بازيابي‌ اطلاعات‌، پايگاه‌ داده‌ها، اصول‌ سيستم‌هاي‌ عامل‌، شبيه‌سازي‌ كامپيوتري‌، زبان‌هاي‌ برنامه‌سازي‌، اصول‌ مديريت‌، مباني‌ اقتصاد.

    • دروس‌ تخصصي‌ گرايش‌ محاسبات‌ علمي :

    برنامه‌ريزي‌ خطي‌، برنامه‌ريزي‌ غيرخطي‌، نرم‌افزار رياضي‌، آناليز عددي‌، طراحي‌ هندسي‌ كامپيوتري‌.

    • دروس‌ تخصصي‌ گرايش‌ نظريه‌ الگوريتم‌ها :

    برنامه‌ريزي‌ پويا، نظريه‌ گراف‌، بهينه‌سازي‌ تركيبي‌ و آناليز شبكه‌ها، نظريه‌ كدگذاري‌، سيستم‌هاي‌ صفي‌ و مدل‌هاي‌ كارآيي‌.

    دروس‌ تخصصي‌ گرايش‌ سخت‌افزار :

    مدارهاي‌ منطقي‌، معماري‌ كامپيوتر، ريزپردازنده‌

    • دروس‌ تخصصي‌ گرايش‌ سيستم‌هاي‌ اطلاعاتي :

    تحليل‌ و طراحي‌ سيستم‌هاي‌ اطلاعاتي‌، متدولوژي‌ ساخت‌ سيستم‌هاي‌ اطلاعاتي‌، مديريت‌ پروژه‌هاي‌ نرم‌افزاري‌، سيستم‌هاي‌ اطلاعاتي‌ مديريت‌.

    مقاطع تحصیلی : کارشناسی ، کاردانی

    دوره ها : روزانه ،شبانه
    دانشگاه : دولتی ، غیر انتفاعی
    گرایشها : محاسبات علمی ، الگوریتم ، سخت افزار ، سیستم اطلاعاتی

    کارشناسی علوم کامپیوتر

    1- تعریف و هدف:

    دوره کارشناسی رشته علوم کامپیوتر یکی از دوره های آموزشی در نظام آموزش عالی است که به منظور تحقق اهداف زیر ایجاد و فعالیت خود را آغاز می نماید.

    الف) کسب آگاهی جامع از نظریه های علمی موجود در علوم کامپیوتر به نحوی که دانشجویان، مفاهیم این علم را درک و نظرات عمیق آن را بالقوه کسب نمایند و همراه با برداشتهای کاربردی، دیدگاههای پایه ای علمی نیز که از ضروریات خودکفایی علمی در این رشته می باشد در آنها به وجود آید.

    ب) آماده سازی دانشجویان و فارغ التحصیلان برای بکارگیری دانش کامپیوتر در حل مسائل بنیادی علوم کامپیوتر از طریق ایجاد قابلیت برای شناخت و مطالعه مفاهیم و مسئل یایه ای علوم مربوط به کامپیوتر و کسب زمینه فکری و تحقیقی لازم جهت دستیاری تحقیقات در این علوم.

    ج) ایجاد پایه های علمی و تخصصی لازم در تعریف دقیق مسائل و پی گیری حل و اجرا در مراحل طراحی، پیاده سازی و اثبات منطقی صحت آنها جهت کاربردهای کامپیوتر در زمینه علمی، فنی، اجتماعی، اقتصادی، مدیریت و برنامه ریزی.

    د) انطباق با روند تحولات علمی، تکنولوژی و اجتماعی در رابطه با کامپیوتر

    تعداد کل واحدهای درسی این دوره 132 واحد به شرح زیر است:

    1- دروس عمومی                     20 واحد

    2- دروس پایه، اصلی و تخصصی 88 واحد

    3- دروس تخصصی گرایشی        9 واحد

    4- دروس اختیاری                    15 واحد

     

    2-    نقش و توانایی:

    فارغ التحصیلان این دوره توانایی آن را می یابند تا در حل مسائل علمی کامپیوتر در موسسات و مراکز علمی – تحقیقاتی، صنعتی، اجتماعی و اقتصادی نقش موثر و اساسی داشته باشند. مضافا زمینه های لازم را جهت ادامه تحصیل، تدریس و تحقیق در موسسات آموزش عالی، مراکز صنعتی و خدماتی کسب می نمایند.

    پی ریزی بنیادی و علمی سیستم های کامپیوتری مناسب، ارائه روشهای صحیح و بهره گیری موثر و مفید از امکانات کامپیوتر، تشخیص مسائل در محیط کار، قابلیت حل، تعریف، مطالعه و اختصاصی کردن علمی، طراحی،  پیاده سازی، اثبات منطقی صحت حل و آزمون کارآرایی آنها از جمله دیگر توانایی های فارغ التحصیلان می باشد.

    5- ضرورت و اهمیت:

    پیشرفت سریع کامپیوتر و گسترش روزافزون کاربرد آن در تحقیقات علمی، صنایع، اقتصاد، پزشکی، علوم اجتماعی، مدیریت، برنامه ریزی و غیره، ضرورت دستیابی و بهره برداری هرچه بیشتر از این علم را آشکار می سازد. ایجاد چنین دوره ای در جهت پی ریزی علوم کامپیوتر و گسترش آن در جهت خودکفایی علمی و تکنولوژی کاملا ضروری و موثر می باشد. با توجه به گستردگی جوانی علوم کامپیوتر، توجهات لازم در ایجاد و گسترش این رشته موید آینده نگری به موقعی است. مسلما ثمرات پرباری بهمراه خواهد داشت.

    دروس پایه و تخصصی الزامی

    ردیف نام درس واحد

    10

    11

    12

    13

    14

    15

    16

    17

    18

    19

    20

    21

    22

    23

    24

    25

    26

    27

    28

    29

    30

    31

    32

    33

    34

    35

    36

    ریاضی عمومی 1

    ریاضی عمومی 2

    فیزیک پایه 1

    فیزیک پایه 2

    آزمایشگاه فیزیک الکتریسیته

    الکترونیک

    آمار و احتمال 1

    آمار و احتمال 2

    اصول کامپیوتر 1

    اصول کامپیوتر 2

    اصول سیستمهای کامپیوتری

    جبر خطی عددی

    ریاضیات گسسته

    آنالیز عددی

    ساختمان داده ها و الگوریتم ها

    طراحی و تحلیل الگوریتم ها

    نظریه اتوماتا و زبان ها

    کامپایلر 1

    نظریه محاسبات

    اصول طراحی نرم افزار

    منطق

    ذخیره و بازیابی اطلاعات

    پایگاه داده ها

    اصول سیستم های عامل

    شبیه سازی کامپیوتری

    زبانهای برنامه سازی

    اصول مدیریت*

    مبانی اقتصاد*

    3

    2

    3

    3

    1

    4

    4

    4

    4

    4

    4

    3

    4

    4

    3

    3

    3

    3

    3

    3

    3

    4

    4

    3

    3

    3

    3

    3

    جمع 88

                                 

    * یکی از دو درس الزامی است.

    دروس زمینه محاسبات علمی - اختیاری

    ردیف نام درس واحد

    37

    38

    39

    40

    41

    برنامه ریزی خطی

    برنامه ریزی غیرخطی

    نرم افزار ریاضی

    آنالیز عددی 2

    طراحی هندسی کامپیوتری

    3

    3

    3

    4

    4

    جمع 17

    دروس زمینه نظریه الگوریتم ها - اختیاری

    ردیف نام درس واحد

    42

    43

    44

    45

    46

    برنامه ریزی پویا

    نظریه گراف

    بهینه سازی ترکیبی و آنالیز شبکه ها

    نظریه کد گذاری

    سیستم های صفی و مدل های کارآیی

    3

    3

    3

    3

    3

    جمع 15

    دروس زمینه سیستم های اطلاعاتی - اختیاری

    ردیف نام درس واحد

    47

    48

    49

    50

    تحلیل و طراحی سیستم های اطلاعاتی

    متدلوژی ساخت سیستم های اطلاعاتی

    مدیریت پروژه های نرم افزاری

    سیستم های اطلاعاتی مدیریت

    3

    3

    3

    3

    جمع 12

    دروس زمینه سخت افزار- اختیاری

    ردیف نام درس واحد

    51

    52

    53

    مدارهای منطقی

    معماری کامپیوتر

    ریزپردازنده 1

    3

    3

    3

    جمع 9

    دروس زمینه های مشترک - اختیاری

    ردیف نام درس واحد

    54

    55

    56

    57

    58

    59

    60

    هوش مصنوعی

    گرافیک کامپیوتری

    شبکه های کامپیوتری

    سیستمهای شی گرا

    مستند سازی نرم افزار

    روش تحقیق و گزارش نویسی

    پروژه کارشناسی

    3

    3

    3

    3

    3

    3

    3

    جمع 21

    *- در این رابطه مواد درسی با هماهنگی کامل با آخرین پیشنهادات ارائه شده از طرف انجمن های بین المللی IEEE-CS, تنظیم گردیده اند. به مراجع زیر توجه شود:

    1- ACM/1EEE oin Curiculum Task Force, Computing Curricula 1991, ACM, Baltimore, MD, Order No. 201880, 19991.

    2- A.B Tucker and B, Barnes, Flexible Design: A Summary of Computing Curricula IEEE.



  • ۱. هوش مصنوعی و یادگیری ماشین در سیستم‌های هوشمند

    بیان مسأله:
    با گسترش داده‌های بزرگ و پیچیدگی سیستم‌های هوشمند، نیاز به الگوریتم‌های پیشرفته یادگیری ماشین و هوش مصنوعی بیش از پیش احساس می‌شود. چالش اصلی، بهبود دقت پیش‌بینی، کاهش خطا و افزایش سرعت پردازش داده‌هاست.

    یکی دیگر از مسائل مهم، تحلیل داده‌های پیچیده و ارائه مدل‌هایی است که بتوانند رفتارهای آینده سیستم‌ها را با دقت بالا پیش‌بینی کنند.

    پژوهش در این حوزه می‌تواند بر توسعه الگوریتم‌های یادگیری عمیق، شبکه‌های عصبی پیشرفته و روش‌های بهینه‌سازی تمرکز کند و کاربردهای عملی در صنایع مختلف داشته باشد.


    ۲. امنیت سایبری و حفاظت از داده‌ها

    بیان مسأله:
    با افزایش حملات سایبری و نفوذ به شبکه‌ها، حفاظت از داده‌ها و اطلاعات حساس به یک ضرورت حیاتی تبدیل شده است. امنیت شبکه‌ها، شناسایی تهدیدات، رمزنگاری و مدیریت دسترسی از مهم‌ترین چالش‌ها هستند.

    یکی از مسائل کلیدی پژوهشی، توسعه الگوریتم‌های تشخیص نفوذ و سیستم‌های حفاظتی هوشمند است که بتوانند تهدیدات جدید و پیچیده را به‌صورت زمان واقعی شناسایی کنند.

    دانشجویان تحصیلات تکمیلی می‌توانند با ترکیب روش‌های رمزنگاری پیشرفته، یادگیری ماشین و تحلیل رفتار کاربران، راهکارهای نوین برای امنیت سایبری ارائه دهند.


    ۳. داده‌کاوی و تحلیل داده‌های بزرگ (Big Data Analytics)

    بیان مسأله:
    افزایش حجم و تنوع داده‌ها در صنایع مختلف، تحلیل دقیق و استخراج دانش ارزشمند از داده‌ها را دشوار کرده است. چالش اصلی، بهبود سرعت پردازش و دقت تحلیل داده‌های بزرگ و پیچیده است.

    یکی از مسائل پژوهشی، توسعه الگوریتم‌ها و چارچوب‌های مقیاس‌پذیر برای تحلیل داده‌های حجیم و نیمه‌ساخت‌یافته است.

    پژوهش‌های تحصیلات تکمیلی می‌تواند بر ارائه روش‌های نوین داده‌کاوی، الگوریتم‌های یادگیری ماشین توزیع‌شده و مدل‌سازی داده‌ها تمرکز کند تا اطلاعات مفید و کاربردی استخراج شود.


    ۴. اینترنت اشیا (IoT) و شبکه‌های هوشمند

    بیان مسأله:
    با رشد سریع دستگاه‌های متصل و اینترنت اشیا، مدیریت داده‌ها و ارتباطات شبکه‌ای در مقیاس بزرگ یک چالش جدی محسوب می‌شود. موضوعاتی مانند امنیت، پهنای باند، مدیریت انرژی و هماهنگی بین دستگاه‌ها از مسائل مهم پژوهشی هستند.

    یکی از چالش‌های کلیدی، طراحی معماری‌های بهینه شبکه IoT برای افزایش کارایی و کاهش تأخیر است.

    دانشجویان می‌توانند بر توسعه الگوریتم‌های مدیریت داده، شبکه‌های هوشمند، و سیستم‌های پایش و کنترل از راه دور تمرکز کنند تا عملکرد و امنیت شبکه‌های IoT بهبود یابد.


    ۵. واقعیت مجازی و واقعیت افزوده (VR/AR) و کاربردهای هوشمند

    بیان مسأله:
    استفاده از فناوری‌های واقعیت مجازی و افزوده در آموزش، پزشکی، صنعت و سرگرمی در حال افزایش است، اما چالش‌های فنی و محتوایی همچنان محدودیت‌هایی ایجاد می‌کنند.

    یکی از مسائل پژوهشی، بهبود تجربه کاربری، تعامل طبیعی و کاهش مشکلات پردازش داده‌های سنگین در محیط‌های VR/AR است.

    پژوهش‌های تحصیلات تکمیلی می‌تواند بر طراحی الگوریتم‌های پردازش گرافیکی، تعامل انسان و ماشین و کاربردهای هوشمند در VR/AR تمرکز کند تا کاربردهای عملی و علمی این فناوری‌ها گسترش یابد.


     

      پروپوزال خلاصه‌شده شامل:

    • سؤال پژوهش (RQ)

    • فرضیات پژوهش (Hypotheses)

    • مدل مفهومی (Conceptual Model)

    • ماتریس مرور پیشینه (Literature Review Matrix)


    📊 پروپوزال‌های خلاصه علوم کامپیوتر

    ۱. هوش مصنوعی و یادگیری ماشین در سیستم‌های هوشمند

    RQ: چگونه می‌توان الگوریتم‌های یادگیری ماشین و هوش مصنوعی را برای بهبود دقت و سرعت سیستم‌های هوشمند بهینه‌سازی کرد؟
    فرضیات:

    • الگوریتم‌های یادگیری عمیق قادر به افزایش دقت پیش‌بینی هستند.

    • ترکیب داده‌های بزرگ و شبکه‌های عصبی پیشرفته عملکرد سیستم را بهبود می‌دهد.
      مدل مفهومی:
      داده‌های بزرگ → الگوریتم‌های یادگیری ماشین → پیش‌بینی دقیق → کاربردهای عملی
      ماتریس مرور پیشینه:
      | نویسنده | سال | یافته اصلی | شکاف پژوهش |
      |---------|-----|------------|-------------|
      | LeCun | 2015 | یادگیری عمیق و شبکه‌های عصبی | نیاز به کاهش خطا در داده‌های پیچیده |
      | Goodfellow | 2016 | الگوریتم‌های GAN | کاربرد محدود در سیستم‌های واقعی |
      | Student | 2025 | بهینه‌سازی الگوریتم‌ها | افزایش دقت و سرعت |


    ۲. امنیت سایبری و حفاظت از داده‌ها

    RQ: چگونه می‌توان با استفاده از روش‌های هوشمند، امنیت شبکه و حفاظت از داده‌های حساس را در محیط‌های پیچیده افزایش داد؟
    فرضیات:

    • الگوریتم‌های یادگیری ماشین قادر به شناسایی تهدیدات پیشرفته هستند.

    • رمزنگاری پیشرفته می‌تواند امنیت داده‌ها را در سیستم‌های بزرگ بهبود دهد.
      مدل مفهومی:
      تهدیدات سایبری → الگوریتم‌های حفاظتی → شناسایی و پیشگیری → امنیت داده‌ها
      ماتریس مرور پیشینه:
      | نویسنده | سال | یافته اصلی | شکاف پژوهش |
      |---------|-----|------------|-------------|
      | Schneier | 2015 | مبانی امنیت سایبری | نیاز به سیستم‌های هوشمند |
      | Sommer & Paxson | 2010 | تشخیص نفوذ | محدودیت در زمان واقعی |
      | Student | 2025 | الگوریتم‌های پیشرفته | افزایش دقت و واکنش سریع |


    ۳. داده‌کاوی و تحلیل داده‌های بزرگ (Big Data Analytics)

    RQ: چگونه می‌توان با استفاده از الگوریتم‌های نوین، تحلیل داده‌های بزرگ و استخراج دانش ارزشمند را بهینه کرد؟
    فرضیات:

    • الگوریتم‌های توزیع‌شده قادر به پردازش سریع داده‌های حجیم هستند.

    • تحلیل داده‌های نیمه‌ساخت‌یافته با چارچوب‌های مقیاس‌پذیر عملکرد بهتری دارد.
      مدل مفهومی:
      داده‌های بزرگ → الگوریتم‌های تحلیل → استخراج دانش → تصمیم‌گیری بهینه
      ماتریس مرور پیشینه:
      | نویسنده | سال | یافته اصلی | شکاف پژوهش |
      |---------|-----|------------|-------------|
      | Dean & Ghemawat | 2008 | معماری MapReduce | محدودیت در داده‌های غیرساخت‌یافته |
      | Chen | 2014 | Big Data Analytics | نیاز به الگوریتم‌های سریع‌تر |
      | Student | 2025 | الگوریتم‌های توزیع‌شده | پردازش داده‌های حجیم با دقت بالا |


    ۴. اینترنت اشیا (IoT) و شبکه‌های هوشمند

    RQ: چگونه می‌توان عملکرد و امنیت شبکه‌های اینترنت اشیا را با استفاده از معماری‌ها و الگوریتم‌های هوشمند بهبود داد؟
    فرضیات:

    • الگوریتم‌های مدیریت داده و انرژی کارایی شبکه IoT را افزایش می‌دهند.

    • معماری بهینه شبکه موجب کاهش تأخیر و افزایش پهنای باند می‌شود.
      مدل مفهومی:
      دستگاه‌های IoT → مدیریت داده و انرژی → شبکه هوشمند → عملکرد و امنیت بهبود یافته
      ماتریس مرور پیشینه:
      | نویسنده | سال | یافته اصلی | شکاف پژوهش |
      |---------|-----|------------|-------------|
      | Atzori | 2010 | مبانی اینترنت اشیا | محدودیت در شبکه‌های بزرگ |
      | Gubbi | 2013 | معماری IoT | امنیت و مدیریت انرژی |
      | Student | 2025 | الگوریتم‌های بهینه | شبکه‌های IoT با کارایی بالا |


    ۵. واقعیت مجازی و واقعیت افزوده (VR/AR) و کاربردهای هوشمند

    RQ: چگونه می‌توان تجربه کاربری در محیط‌های VR/AR را با الگوریتم‌های هوشمند و پردازش داده‌های گرافیکی بهبود داد؟
    فرضیات:

    • الگوریتم‌های پردازش گرافیکی پیشرفته می‌توانند تعامل کاربر با محیط VR/AR را طبیعی‌تر کنند.

    • بهینه‌سازی داده‌های سنگین و طراحی رابط کاربری موجب کاهش تأخیر و افزایش کارایی می‌شود.
      مدل مفهومی:
      داده‌های VR/AR → الگوریتم‌های پردازش → تعامل کاربر بهبود یافته → کاربردهای هوشمند
      ماتریس مرور پیشینه:
      | نویسنده | سال | یافته اصلی | شکاف پژوهش |
      |---------|-----|------------|-------------|
      | Milgram & Kishino | 1994 | چارچوب واقعیت افزوده | محدودیت تعامل طبیعی |
      | Azuma | 1997 | اصول VR/AR | پردازش داده‌های سنگین |
      | Student | 2025 | الگوریتم‌های پیشرفته | بهبود تجربه کاربری و تعامل |