رشته هوش مصنوعی یکی از گرایش‌های علوم و مهندسی کامپیوتر است و همانند برنامه نویسی، امنیت و شبکه، نرم افزار و سخت افزار از اهمیت خاصی برخوردار است و باعث می‌شود که آینده بشریت را بسازد و توسعه دهد. اولین بار واژه «هوش مصنوعی» در سال ۱۹۵۵ توسط جان مک کارتی عنوان شد. علم هوش مصنوعی در چند سال اخیر رشد خوبی داشته و بر سر زبان‌ها افتاده است ولی قدمت آن به اندازه جنگ جهانی دوم و قبل‌تر از آن هم می‌رود.

گرایش هوش مصنوعی بصورت مشترک در رشته مهندسی کامپیوتر و علوم کامپیوتر به ساخت و طراحی کامپیوترهایی می‌پردازد که بتوانند از آن‌ها در راستای منافع انسانی با کاربردهای مختلف استفاده کنند. رشته هوش مصنوعی افرادی را تربیت می‌کند و رشد می‌دهد که بتوانند در زمینه‌هایی همچون ساخت و طراحی کامپیوتر، تحلیل و پردازش داده ها، اصلاح و توسعه محصولات نرم افزاری و سخت افزاری فعالیت کنند.

دانشجویان رشته هوش مصنوعی با تولید و توسعه سیستم‌های هوشمندی که واکنش‌هایی شبیه به رفتار انسانی دارند، سعی می‌کنند که در راستای ارتقا تکنولوژی فعالیت کنند. دستگاه‌ها و سیستم‌هایی که با استفاده از هوش مصنوعی شکل گرفتند، می‌توانند با توجه به نوع فعالیتشان در صنایع مختلفی فعالیت داشته باشند و این کار باعث افزایش سرعت و دقت در فرایند مجموعه می‌شود.

هوش مصنوعی چیست؟

با توجه به نظرات محققان و پژوهشگران حوزه هوش مصنوعی، با نگاه تخصصی که به رشته هوش مصنوعی بنگریم، متوجه این موضوع خواهیم شد که تاکنون تعریف روشن و دقیقی از هوش مصنوعی وجود ندارد زیرا که رشته هوش مصنوعی بسیار وسیع و گسترده است. اما با توجه به همه تعاریف که در مورد هوش مصنوعی وجود دارد، در چهار تعریف خلاصه می‌شود که عبارتند از:

• سیستم‌هایی که به‌طور منطقی فکر می‌کنند.
• سیستم‌هایی که به‌طور منطقی عمل می‌کنند.
• سیستم‌هایی که مانند انسان فکر می‌کنند.
• سیستم‌هایی که مانند انسان عمل می‌کنند.

هوش ماشینی همان هوش مصنوعی است که دارای ویژگی‌های شبیه به مغز و هوش انسان دارد؛ هوش مصنوعی به سیستم‌های پیچیده‌ای گفته می‌شود که در زمینه‌هایی همچون تفکر، روش‌های استدلال، توانایی یادگیری، حل مسئله و … رفتار و واکنش‌های شبیه به انسان دارد. رشته هوش مصنوعی در دانشگاه به عنوان یکی از گرایش‌های علوم و مهندسی کامپیوتر به حساب می‌آید که با استفاده از هوش انسانی، توانایی ساخت سیستم‌های پیچیده را دارد. هوش مصنوعی با تقلید از الگوهای هوش طبیعی انسان، می‌تواند ماشینی با توانایی فکر کردن شبیه به انسان بسازد.

کتاب‌هایی در زمینه هوش مصنوعی با دیدی متفاوت به این علم نگاه می‌کنند، تعریفی متفاوت از هوش مصنوعی به این گونه است که هر سیستم و دستگاهی که قابلیت درک محیط اطراف خود را دارد و می‌تواند با محیط اطراف خود بصورت موفیقت‌آمیز ارتباط داشته باشد را به نوعی هوش مصنوعی می‌گویند. تعریف جان مک کارتی بدین شکل است که هوش مصنوعی یعنی علم مهندسی ساخت ماشین‌های هوشمند.

رشته هوش مصنوعی به علومی می‌پردازد که در حوزه‌ی کامپیوتر به دنبال تشخیص، استدلال، درک و عمل هستند. تمامی این موارد که رفتار و واکنش‌های انسانی دیده می‌شود، به یک سیستم کامپیوتری، ربات، ماشین و غیره داده شود به عنوان یک هوش مصنوعی در نظر گرفته می‌شود. رشته هوش مصنوعی با تمامی حوزه‌ها همچون تحلیل داده در ارتباط است؛ رشته هوش مصنوعی مجموعه‌ای از تکنیک‌ها همچون بینایی، پردازش زبان طبیعی، رباتیک، سیستم‌های هوشمند و غیره می‌باشد که در گستره‌ی علم هوش مصنوعی به چندین شاخه تقسیم می‌شوند. رشته هوش مصنوعی دارای چندین شاخه است که عبارتند از:

• یادگیری ماشین (Machine Learning)
• شبکه عصبی (Neural Networks)
• بینایی ماشین (Machine Vision)
• سامانه های خبره (Expert System)
• پردازش زبان طبیعی (Natural Language Processing)
• الگوریتم ژنتیک (Genetic Algorithm)
• روباتیک (Robotic)

هر کدام از این شاخه‌ها در رشته هوش مصنوعی، دنیایی متفاوت از هوش مصنوعی را به ما نشان می‌دهند. یکی از اتفاقات جالب درمورد هوش مصنوعی این است که بسیاری از مردم، یادگیری ماشین (ماشین لرنینگ) را همان هوش مصنوعی می‌دانند، در صورتیکه یادگیری ماشین یکی از شاخه‌های رشته هوش مصنوعی به حساب می‌آید. در مورد هوش مصنوعی و کاربردهای آن می‌توانید مقاله زیر را بصورت تکمیلی مطالعه کنید تا شناختتان نسبت به رشته هوش مصنوعی بیشتر و بهتر شود.

شاخه های هوش مصنوعی

علم هوش مصنوعی دارای گرایش‌هایی است که در راستای تشریح سیستم‌ها به کار می‌رود و اهداف هر کدام در راستای انجام وظایفی در سیستم‌های کامپیوتری برای الگوبرداری و تقلید از رفتارهای انسانی و هوش انسانی می‌باشد. این اهداف ممکن است در بعضی اوقات با استفاده از یک الگوریتم ساده انجام شود و در برخی موارد با بکارگیری از چندین الگوریتم پیشرفته حل شود.

از آنجایی که رشته هوش مصنوعی علمی است که به دنبال تشخیص، استدلال، درک و عمل است؛ این اتفاق باعث شده است تا الگوریتم هایی طراحی و ساخته شود که تنوع هرکدام از این الگوریتم ها منجر به این شده است که هوش مصنوعی به چندین شاخه تبدیل شود که هر کدام از آن‌ها نقش تاثیرگذاری در رشد فناوری‌ها و تکنولوژی‌ها دارند. برخی از شاخه های هوش مصنوعی برای استفاده از سیستم‌های استدلالی به کار می‌روند که آن‌ها را بصورت شهودی در برخی از کامپیوترهای امروزی می‌بینیم.

• یادگیری ماشین – Machine Learning

یادگیری ماشین یا به اصطلاح ماشین لرنینگ (ML)، یکی از شاخه های هوش مصنوعی است که به شدت طرفدار دارد. بطور خلاصه یادگیری ماشین یعنی هوشمندسازی ماشین بدون اینکه بصورت مستقیم به آن یاد داد؛ بدین صورت ماشین با استفاده از داده‌های ورودی و دستوراتی که به آن داده شده است، فرایند یادگیری را شروع کرده و به مرور زمان ضریب خطا را کم‌تر می‌کند. این یادگیری با استفاده از الگوریتم هایی که شبیه به فرایند ذهن انسان است انجام می‌شود و به مرور زمان دقت آن افزایش پیدا می‌کند که این موضوع بستگی دارد به نوع یادگیری که ماشین انجام می‌دهد، بطور کلی یادگیری ماشین ۳ زیر بخش دارد:

• یادگیری با نظارت (Supervised Learning)
• یادگیری بی نظارت (Unsupervised Learning)
• یادگیری تقویتی (Reinforcement Learning)

در بخش یادگیری با نظارت (Supervised Learning)، متخصصین با استفاده از اطلاعاتی که بصورت منظم و برچسب‌گذاری شده در اختیار سیستم قرار می‌دهند تا سیستم این اطلاعات را بررسی کند و فرایند خروجی را انجام دهد، بطور مثال لیست پیامک‌های یک سیمکارت را با برچسب ارسال‌کننده در اختیار یک سیستم قرار می‌دهند تا سیستم پیامک‌های تبلیغاتی، خدماتی و شخصی را از یکدیگر جدا کند.

در بخش یادگیری بی نظارت (Unsupervised Learning)، تمامی اطلاعات بدون نظارت و برچسب‌گذاری نشده در اختیار سیستم قرار می‌گیرد تا این اطلاعات توسط سیستم انجام شد، بطور مثال لیستی از ایمیل‌ها، تماس‌ها و پیامک‌ها را بدون برچسب‌گذاری در اختیار سیستم قرار می‌دهند تا در مرحله اول از یکدیگر جدا شوند و در مرحله دوم موارد اسپم از آن‌ها حذف شود. هرچه این فرایند بیشتر انجام شود، دقت سیستم بالاتر می‌رود.

در بخش یادگیری تقویتی (Reinforcement Learning) که یکی از بهترین شاخه های یادگیری ماشین است، تمامی فرایند یادگیری بر اساس تنبیه و تشویق شکل می‌گیرد. از این مدل یادگیری در صنایعی همچون ربات‌ها، مکاترونیک و بازوهای مکانیکی استفاده می‌شود و این عامل باعث می‌شود تا فرایند یادگیری ماشین به‌روزتر شود و دقت آن افزایش پیدا کند.

یادگیری ماشین کاربردهای گوناگونی در حوزه‌های مختلف دارد، کاربردهایی مثل تشخیص چهره، تشخیص گفتار، سامانه توصیف‌گر و خدمات مالی که باعث افزایش سرعت و دقت در روند کاری می‌شود. شرکت‌های بزرگی مثل نتفیلیکس، ویمو، فیسبوک و گوگل هم از این شاخه محبوب در روند کاری خدماتشان استفاده می‌کنند.

• شبکه عصبی – Neural Networks

شبکه عصبی یکی از درونی‌ترین لایه های هوش مصنوعی است. با استفاده از الگوریتم های شبکه های عصبی میتوان مدل‌های پیچیده و مختلف را طراحی و شناسایی کرد. یکی از مثال‌هایی که میتوان در مورد شبکه عصبی زد این است که به یک کودک یاد بدهیم که چگونه رنگ‌ها را از یکدیگر تشخیص دهد و این مورد باعث می‌شود تا کودک بعد از مدتی توانایی تشخیص رنگ‌ها را بدست آورد و حتی طیف‌های رنگی را از هم بشناسد، این مثال دقیقا همان کاربرد شبکه عصبی در یاد دادن مطالب به ماشین و سیستم است. شبکه عصبی قابلیت طبقه بندی کردن بصورت دقیق را دارد بطوری که ورودی‌ها را به یک یا چندین خروجی تبدیل کرده و گستره و دامنه خروجی‌ها را به کلاس‌های متفاوت جداسازی می‌کند.

شبکه عصبی از بافت‌هایی به نام نورون تشکیل شدند که با بکارگیری نیروی الکترومغناطیسی در راستای حل یک مسئله یا مشکل، با یکدیگر هماهنگ عمل می‌کنند و در نتیجه اطلاعات را انتقال می‌دهند. از اهداف مهم و کاربردهای جالب ایجاد یک شبکه عصبی، پیش بینی کردن است به نوعی که با شبیه‌سازی و مدل‌سازی ویژ‌گی‌های پردازشی مغز انسان و حیوانات، میتوان الگوهای شناخته نشده را شناسایی و بدست آورد. این قابلیت مدل‌های بسیاری دارد که هدف آن مغز انسان است تا بتواند به قدرت تقلید را برسد. نقش شبکه عصبی در جاهایی که نمیدانیم در حال جستجوی چه چیزی هستیم بسیار کمک‌کننده است مثل تطابق چهره، تشخیص دستخط، راندن خودکار اتومبیل و غیره.

• بینایی ماشین – Machine Vision

از گسترده‌ترین حوزه های هوش مصنوعی، بینایی ماشین است. اگر بخواهیم این شاخه از هوش مصنوعی را به زبان ساده تعریف کنیم یعنی از طریق بینایی ماشین با استفاده از پردازش دو بعدی می‌تواند یک دنیای سه بعدی را ایجاد و بازسازی کند، مفهوم آن به این معناست که سیستم‌های رایانه‌ای به کمک دوربین ببینند و درک کنند. در بینایی ماشین به گسترش مفاهیمی از سیستم‌های هوشمند اشاره می‌کند که با استفاده از عکس‌ها، اطلاعات دقیق را استخراج می‌کند. از بینایی ماشین در صنایعی که بصورت شبانه‌روزی نیاز به بررسی دارد که سرعت پردازش به شدت بالایی داشته باشد، استفاده می‌شود.

طی سال‌های اخیر از هوشمندی بینایی ماشین در صنایع پیشرفته‌ای همچون خطوط تولید کارخانه‌ها جهت کنترل کیفی محصولات استفاده می‌شود. دلایلی که باعث می‌شود تا از تکنولوژی بینایی ماشین استفاده کرد، مواردی همچون سرعت فوق‌العاده بالا، هزینه نگهداری خیلی کم، خطای به شدت پایین، عدم نیاز به حضور اپراتور بصورت شبانه‌روزی و بسیاری از موارد دیگر که باعث شده است تا صنعت‌های مختلف و کارخانه‌های هوشمند به این فناوری جدید و قدرتمند روی بیاورند. یکی از مثال‌هایی که میتوان از تکنولوژی بینایی ماشین زد این است که دستگاهی طراحی و اختراع شده است که با استفاده از پردازش تصویر موجود در بینایی ماشین، توانایی تشخیص نان‌های پخته شده را از پخته نشده دارد و آن‌ها را از یکدیگر جداسازی می‌کند.

• سامانه های خبره – Expert System

تا به اینجا تمامی شاخه‌های هوش مصنوعی که مورد بررسی قرار دادیم، بر روی اطلاعات و داده‌ها کار می‌کردند اما سامانه های خبره، نرم‌افزارهایی هستند که آگاهی، فهم و دانش انسانی را در پایگاه داده‌های خود نگهداری و ذخیره می‌کنند. در واقع سامانه های خبره از سیستم‌های کامپیوتری مبتنی بر هوش مصنوعی تشکیل شدند که قابلیت توانایی یادگیری و تصمیم‌گیری دارند و همین امر باعث شده است تا سامانه های خبره بصورت یک دستیار به کاربران توصیه‌های کارشناسانه کند.

سامانه های خبره جهت تصمیم‌گیری می‌بایست آگاهی و دانش بدست آورده را در یک قالب مرتبط و مناسب به نمایش دربیاورد و مدیریت کند چون این اطلاعات باید از لحاظ اصالت، اعتبارسنجی بشوند تا داده‌های غلط به سیستم وارد نشود و از نتایج اشتباه جلوگیری شود. یکی از ویژگی‌های منحصر به فرد سامانه های خبره این است که می‌توانند دلایلی که منجر به نتیجه می‌شود را شرح بدهند چون از شیو‌ه‌های ابتکاری به جای روش‌های الگوریتمی استفاده می‌کند.

سامانه های خبره از منطق if-then برای حل مسائل و مشکلات پیچیده پیروی می‌کنند و همین موضوع باعث شده است تا از شیوه‌های رایج و مطرح برنامه نویسی استفاده نکنند. تکنولوژی سامانه های خبره در کارهایی همچون بررسی وام‌های بانکی، پردازش سیستم‌های پزشکی، مدیریت و کنترل اطلاعات، کشف و شناسایی ویروس‌ها و غیره کاربرد دارند.

• پردازش زبان طبیعی – Natural Language Processing

پردازش زبان طبیعی به توانایی درک گفتار انسان می‌پردازد. از کلیدی‌ترین کاربردهای هوش مصنوعی، پردازش زبان طبیعی است که بر پایه یادگیری ماشین می‌باشد. این تکنولوژی به کسب‌وکارهایی کمک می‌کند که بصورت مداوم با انبوهی از متن‌های بدون ساختار همچون پیام‌ها، ایمیل‌ها، رزومه‌ها و غیره سروکار دارند و باعث می‌شود تا این فرایندها سریع‌تر و دقیق‌تر انجام شوند.

پردازش زبان طبیعی به برقراری ارتباط زبان انسانی با کامپیوترها اشاره دارد که به توانایی درک زبان انسان توسط کامپیوتر می‌پردازد. از اهداف مهم پژوهشگران و متخصصان حوزه هوش مصنوعی این است که با استفاده از قابلیت پردازش زبان طبیعی، نرم‌افزارهایی را طراحی کنند که قدرت درک و فهمیدن زبان انسانی را در موضوعات گوناگون داشته باشد. در این بین باید به این نکته اشاره کرد که هدف نهایی هوش بشری برای استفاده از توانایی پردازش زبان طبیعی، فقط درک زبان طبیعی نیست اما عدم درک آن برای سیستم‌های رایانه‌ای، از ویژگی‌ها و قابلیت‌های کامپیوترها می‌کاهد.

در همین راستا، متخصصین این حوزه با تلاش‌های بسیار، توانستند سیستم‌هایی را طراحی کنند که زبان طبیعی انسان را درک کند اما این سیستم‌ها هنوز به سطحی نرسیدند که قدرت و توانایی درک به شدت بالایی از زبان طبیعی انسان‌ها داشته باشند و بتوانند با بشر به راحتی صحبت و گفتگو کنند. در پردازش زبان طبیعی فقط تجزیه و تحلیل واژه‌ها و جملات کافی نیست بلکه سیستم‌های رایانه‌ای باید متوجه نوع موضوع و محتوایی که به آن داده می‌شود بشوند که این قابلیت در مواردی محدود امکان اجرایی شدن دارد.

از مثال‌هایی که میتوان در مورد کاربرد و نقش پردازش زبان طبیعی زد، این است که کامنت‌های یک فیلم را بررسی کند و بر اساس تجزیه و تحلیلی که از متن کامنت بدست می‌آورد، تشخیص بدهد که مثبت یا منفی بوده است. مثا‌ل دیگر از این تکنولوژی بررسی محتوای مطالب کاربران در فضای مجازی است که بتواند بر اساس قوانین آن شبکه اجتماعی، محتواهای منتشر شده را از یکدیگر شناسایی کند.

• الگوریتم ژنتیک – Genetic Algorithm

الگوریتم ژنتیک از شاخه های هوش مصنوعی است که به کمک آن میتوان برنامه‌های کامپیوتری که با موضوعاتی زیستی ارتباط دارند، طراحی کرد. برنامه نویسی الگوریتم ژنتیک توسط گروه جان کوزا (John Koza) توسعه داده شده است، از برنامه نویسی الگوریتم ژنتیک برای طراحی و حل مسئله برنامه‌های جمعیتی، الگوشناسی، روباتیک، کنترل جمعیت، بهینه‌سازی، تئوری بازی‌ها و غیره میتوان استفاده کرد.

از اهداف الگوریتم ژنتیک، حل راحت و آسان مسائل مربوطه است که با استفاده از الگوریتم های ژنتیک در راستای فرایند تکامل طبیعی موجودات زنده به کار گرفته می‌شود. در حقیقت سیستم‌هایی که از الگوریتم های ژنتیک پیروی می‌کنند با استفاده از اصل انتخاب طبیعی داروین برای پیدا کردن فرمول بهینه جهت پیش‌بینی یا تطبیق دادن الگوهای موجود استفاده می‌کنند و به مرور زمان به تکامل می‌رسند.

• روباتیک – Robotic

علم روباتیک، شاخه‌ای از هوش مصنوعی است که به یک رشته میان شاخه‌ای در دنیای علوم شناخته می‌شود که برای طراحی، ساخت و استفاده از ربات‌ها؛ از ادغام سه رشته مهندسی مکانیک، مهندسی برق و علوم کامپیوتر به همراه دیگر رشته‌ها علمی استفاده می‌شود. امروزه فناوری روباتیک به یکی از موضوعات جذاب تبدیل شده است چون به نوعی قابل برنامه‌ریزی هستند که بتوانند بسیاری از کارها را بصورت اتوماتیک و بعضاً نیمه اتوماتیک انجام دهند.

ربات‌ها با قابلیت یادگیری ماشین توانایی این را دارند که از طریق حسگرهای مختلف و سنسورهای هوشمند با محیط فیزیکی اطراف خود ارتباط برقرار کنند و با اطلاعاتی که دریافت می‌کنند، آن‌ها را پردازش کنند و نتایج را بصورت تصمیم‌گیری ارائه دهند. این نکته را هم باید در نظر گرفت که ربات‌ها با گوناگونی بسیاری که دارند، میتوان در جاهایی که حضور انسان خطرناک است بکار کرد چون با پیاده‌سازی و شبیه‌سازی رفتارهای انسانی بر روی آن‌ها، میتوان حدااکثر استفاده مفید را کرد.

ربات‌ها با اجزای مکانیکی و الکتریکی به همراه فرم و ساختاری که دارند، ماشین‌ها و بازوهای کنترلی را تشکیل می‌دهند که در تمامی سطوح از برنامه‌های کامپیوتری پیروی می‌کنند تا در زمان مناسب، بهترین عملکرد را داشته باشند. بخشی از وظایف ربات‌ها در خطوط تولید کارخانه‌ها، صنعت خودروسازی، تجهیزات پزشکی، لجستیک و غیره می‌باشد تا کارهایی که برای انسان‌ها سخت است، انجام دهند.

رشته هوش مصنوعی در مقطع کارشناسی ارشد

رشته هوش مصنوعی در بسیاری از دانشگاه‌های کشورهای دنیا در مقطع کارشناسی ارشد و دکترا ارائه می‌شود که علاقه‌مندان به این رشته می‌توانند در مقطع تحصیلات تکمیلی با رشته هوش مصنوعی آشنا شوند. افرادی که علاقه دارند تا در رشته هوش مصنوعی تحصیل کنند باید از طریق کنکور کارشناسی ارشد وارد رشته هوش مصنوعی شوند. در سال‌های اخیر با توجه به فراگیری علم هوش مصنوعی، بسیاری از افراد به اهمیت و ارزش رشته هوش مصنوعی پی بردند و در نتیجه استقبال بسیاری از دانشجویان و فارغ‌التحصیلان از ادامه تحصیل در رشته هوش مصنوعی شکل گرفت.

در سال‌های اخیر شاهد افزایش شرکت‌کنندگان در کنکور کارشناسی ارشد برای ادامه تحصیل در رشته هوش مصنوعی هستیم که همین علت باعث شده است تا قبولی در رشته کارشناسی ارشد هوش مصنوعی نسب به سایر گرایش‌ها به شدت سخت‌تر شود و فضای رقابتی در رشته هوش مصنوعی شکل بگیرد. اما با وجود وضعیت سختگیرانه قبولی در رشته هوش مصنوعی، بسیاری این بهانه را می‌آورند که قبولی در رشته هوش مصنوعی سخت و غیرممکن است ولی این دلایل قابل قبول و پذیرفته نیست، زیرا بسیاری از علاقه‌مندان ورود به این رشته با توجه به اینکه رشته‌شان در مقطع کارشناسی با علوم و مهندسی کامیپوتر ارتباطی ندارد و در دانشگاه‌های آزاد، پیام نور و غیرانتفاعی تحصیل کردند با یک برنامه‌ریزی دقیق و درست همراه با پشتکار و استمرار توانستند در یکی از بهترین دانشگاه‌های ایران، مشغول به ادامه تحصیل در رشته هوش مصنوعی شوند.

رشته هوش مصنوعی در مقطع کارشناسی ارشد دارای دروسی همچون نظری، عملی، پژوهشی و تحقیقاتی است که همگی مرتبط با دنیای کامپیوتر و سیستم‌های مرتبط با کامپیوتر هستند. دانشجویان رشته هوش مصنوعی در طی ادامه تحصیلاتشان با درس‌هایی مثل هوش مصنوعی پیشرفته، تئوری و منطق فازی، شبکه های عصبی، پردازش زبان انسان و … آشنا می‌شوند. از اهداف و قابلیت‌های رشته هوش مصنوعی میتوان به تحلیل اطلاعات، استدلال، یادگیری ماشین، بینایی ماشین، درک گفتار زبان کامپیوتر اشاره کرد.

دانشجویانی که قصد دارند در رشته هوش مصنوعی در مقطع کارشناسی ارشد مشغول به تحصیل شوند، باید از مباحث پیش زمینه‌ای در رشته کامپیوتر برخوردار باشند که این مباحث در دروسی همچون مهندسی نرم‌افزار ۱ و ۲، سیستم‌های عامل، نظریه زبان‌ها و ماشین‌ها، طراحی الگوریتم، معماری کامپیوتر، طراحی کامپایلر، ساختمان داده‌ها، منطق و نظریه مجموعه‌ها، پایگاه داده‌ها، ریاضیات گسسته، ساختمان گسسته، زبان‌های برنامه سازی، هوش مصنوعی، مدار منطقی، نظریه گراف، ذخیره و بازیابی دیتا، زبان تخصصی مهندسی کامپیوتر و برخی دروس که بصورت اختیاری ارائه می‌شوند، می‌باشد.

افرادی که در رشته هوش مصنوعی به ادامه تحصیل می‌پردازند باید در دروسی که مرتبط با ریاضیات است، درک درست و دانش بیشتری داشته باشند، زیرا رشته هوش مصنوعی ارتباط مستقیمی با علم ریاضیات دارد. رشته هوش مصنوعی به دلیل اینکه با رشد تکنولوژی ارتباط مستقیمی دارد و نسبت به سایر رشته ها از سرعت پیشرفت بالایی برخوردار است، به همین دلیل افرادی که در رشته هوش مصنوعی فعالیت دارند باید از صبوری و پشتکار بالایی برخوردار باشند و بصورت همیشگی و مداوم از اخبار حوزه هوش مصنوعی و تکنولوژی‌های مرتبط با آن در جریان باشند و اطلاعات کسب کنند.

رشته هوش مصنوعی یک گرایش جدایی ناپذیر از مهندسی و علوم کامپیوتر است، هوش مصنوعی بخشی از خانواده علوم کامپیوتر است که با استفاده از مفاهیم علم کامپیوتر برای توسعه سیستم‌های هوشمندی که شبیه به انسان فکر می‌کنند، استفاده می‌کند. با این وجود همچنان تفاوت‌هایی بین علوم کامپیوتر و هوش مصنوعی وجود دارد، علوم کامپیوتر شاخه اصلی است که مفاهیمی کلی‌تر و متنوعی دارد ولی هوش مصنوعی به عنوان زیر بخشی از این شاخه است.

کنکور ارشد هوش مصنوعی به دو بخش از سوالات عمومی و تخصصی تقسیم می‌شود، سوالات قسمت عمومی شامل دروس زبان، ریاضی ۱ و ۲، آمار و احتمالات و ریاضیات گسسته است؛ سوالات دروس تخصصی شامل مواردی همچون پایگاه داده، مدار منطقی، هوش مصنوعی، شبکه های کامپیوتری، الگوریتم، الکترونیک دیجیتال، معماری کامپیوتر، سیگنال و سیستم، نظریه زبان و ماشین، سیستم عامل و ساختمان داده ها هستند. برای قبولی در رشته هوش مصنوعی مانند سایر رشته ها، بستگی به تراز شرکت‌کنندگان کنکور دارد.

در مدت زمان دوره کارشناسی ارشد رشته هوش مصنوعی، دانشجویان موظف هستند تا ۳۲ واحد درسی را با موفقیت طی کنند که واحدها عبارتند از ۲۴ واحد درسی، ۲ واحد سمینار و ۶ واحد پایان نامه می‌باشد. دانشجویان رشته هوش مصنوعی طبق قانون مصوب باید ۲۴ واحد را از بین گروه‌های درسی ۱ و ۲ و ۳ انتخاب نمایند. واحدهای درسی ارائه شده در گروه‌های ۱ و ۲ و ۳ طبق نظرات اساتید متخصص در آن گرایش در هر دانشگاه تا حدی که دانشکده به آن‌ها اجازه می‌دهد امکان تغییر دارد.