انتخاب موضوع پایان‌نامه و نوشتن پروپوزال یکی از مهم‌ترین و حساس‌ترین قدم‌ها برای هر دانشجوی تحصیلات تکمیلی است، به‌خصوص در رشته‌ای مثل هوش مصنوعی که به سرعت در حال پیشرفت است و زیرشاخه‌هایی مثل یادگیری عمیق در آن نقش کلیدی دارند. این فرآیند نه تنها به علاقه شخصی نیاز دارد، بلکه باید با توجه به جدید و قدیمی بودن موضوع، زمان موجود برای انجام پایان نامه و توانایی های فرد در برنامه نویسی پایتون، انجام شود. دانش برنامه نویسی پایتون، درک درست از مدل های یادگیری عمیق و توانایی نگارش پژوهشی همگی فاکتورهای مهم برای به ثمر رساندن یک پایان نامه در زمینه هوش مصنوعی است. هدف این مطلب این است که یک راهنمای مفید و کاربردی ارایه دهد تا علاقه مندان بتوانند با مطالعه آن دید بهتری به روند انتخاب موضوع پایان نامه داشته باشند.
۱. چطور یک موضوع خوب برای پایان‌نامه پیدا کنیم؟
انتخاب موضوع اولین و شاید سخت‌ترین بخش کار باشد. موضوعی که انتخاب می‌کنید باید هم برایتان جذاب باشد، هم از نظر علمی ارزش داشته باشد و هم بتوانید با منابع و زمانی که دارید آن را اجرا کنید. در حوزه یادگیری عمیق که فرصت‌های زیادی برای پژوهش وجود دارد، این انتخاب می‌تواند هم هیجان‌انگیز و هم کمی گیج‌کننده باشد. به همین دلیل در چند بخش تلاش می کنیم بیاموزیم که چگونه یک موضوع مناسب انتخاب کنیم.
۱.۱. از خودتان شروع کنید: علایقتان چیست؟
قبل از هر چیز، باید به خودتان نگاه کنید و ببینید چه چیزی در یادگیری عمیق برایتان جالب است. مثلاً آیا از دیدن تصاویری که با هوش مصنوعی تولید شده‌اند (مثل کارهای DALL-E یا Stable Diffusion) شگفت‌زده می‌شوید؟ یا شاید به این فکر می‌کنید که چطور می‌شود با مدل‌های زبانی مثل ChatGPT متن‌های بهتری تولید کرد؟ این علاقه اولیه خیلی مهم است، چون قرار است ماه‌ها روی این موضوع کار کنید. برای مثال، فرض کنید به پزشکی علاقه دارید. می‌توانید به سراغ کاربردهای یادگیری عمیق در تشخیص بیماری‌ها بروید، مثلاً استفاده از شبکه‌های کانولوشنی (Convolutional Neural Networks یا CNN) برای پیدا کردن تومور در تصاویر MRI. یا اگر به بازی‌های ویدیویی علاقه دارید، می‌توانید یادگیری تقویتی عمیق (Deep Reinforcement Learning) را برای ساختن هوش مصنوعی بازی‌ها بررسی کنید. این مرحله مثل پیدا کردن یک نقطه شروع شخصی است که بعداً آن را گسترش می‌دهید.
پس از انتخاب موضوع اولیه باید استاد راهنما مرتبط با حوزه مورد نظر را تعیین کنید. انتخاب استاد راهنمای مناسب در روند کاری شما بسیار مهم است. استاد راهنما باید بتواند در موضوع انتخابی، شما را یاری کند و وقت و انگیزه کافی برای راهنمایی شما داشته باشد. متاسفانه برخی از اساتید دانشجویان را به حال خود رها می کنند و کمکی به آن ها نمی کنند. یا برخی از اساتید دانشجویان را ملزم به پژوهش در زمینه های خاص مورد نظر خود می کنند و دانشجویان مجبور می شوند در موضوعی خارج از توانایی خود کار پایان نامه را شروع کنند.
۱.۲. ببینید دنیا به کجا می‌رود: روندهای روز را بشناسید
برای اینکه موضوعتان به‌روز و نوآورانه باشد، باید بدانید الان در دنیای یادگیری عمیق چه خبر است. بروید سراغ سایت‌هایی مثل arXiv.org و مقاله‌های تازه منتشرشده را بخوانید. یا اگر وقت خواندن مقاله ندارید، گزارش‌های کنفرانس‌های بزرگ مثل NeurIPS یا ICML را نگاه کنید که معمولاً خلاصه‌ای از موضوعات ترند را دارند.
مثلاً الان موضوعاتی مثل شبکه‌های مولد تخاصمی (GANs) برای ساخت تصاویر واقعی یا ترانسفورمرها (Transformers) برای پردازش زبان طبیعی خیلی پرطرفدارند. فرض کنید می‌خواهید روی پردازش زبان فارسی کار کنید. می‌بینید که مدل‌های فعلی مثل BERT برای زبان‌های کم‌منبع (مثل فارسی) خیلی خوب عمل نمی‌کنند. برای مثال با توجه به این توضییحات می توان یک عنوان جذاب انتخاب کرد: «بهبود مدل‌های ترانسفورمر برای ترجمه ماشینی در زبان فارسی». با این روش هم به‌روز هستید و هم کاری کاربردی انجام می‌دهید.
۱.۳. دنبال مشکل بگردید: چه چیزی هنوز حل نشده؟
یک موضوع خوب فقط نباید جدید باشد، بلکه باید مشکلی را حل کند یا چیزی به دانش فعلی اضافه کند. برای این کار، مقاله‌های مرتبط با علاقه‌تان را بخوانید و ببینید کجای کارشان لنگ می‌زند. مثلاً فرض کنید مقاله‌ای می‌خوانید که در آن از یادگیری عمیق برای تشخیص چهره استفاده کرده‌اند، اما در نور کم دقتش پایین است. این می‌شود ایده شما: «بهبود تشخیص چهره با یادگیری عمیق در شرایط نوری ضعیف».
یا مثلاً در حوزه پزشکی، اگر ببینید که مدل‌های فعلی در تشخیص زودهنگام آلزایمر از روی تصاویر مغزی خیلی دقیق نیستند، می‌توانید روی این موضوع کار کنید. با این رویکرد هم یک مشکل واقعی را هدف می‌گیرید و هم کارتان ارزش عملی پیدا می‌کند.
۱.۴. با آدم‌های باتجربه حرف بزنید
هیچ‌چیز جای صحبت با اساتید یا افراد متخصص را نمی‌گیرد. آنها می‌توانند ایده‌هایتان را بهتر کنند یا حتی موضوعی پیشنهاد دهند که خودتان به آن فکر نکرده بودید. مثلاً فرض کنید با استادی صحبت می‌کنید که در زمینه پیش‌بینی سری‌های زمانی با یادگیری عمیق کار کرده. او ممکن است بگوید: «چرا روی پیش‌بینی قیمت بیت‌کوین با شبکه‌های ترنسفورمر کار نمی‌کنی؟ هم دیتاش در دسترسه، هم کاربردیه». با این روش هم مسیرتان روشن‌تر می‌شود و هم مطمئن می‌شوید که موضوعتان شدنی است.
۱.۵. واقع‌بین باشید: آیا می‌توانید انجامش دهید؟
ایده‌تان هرچقدر هم جذاب باشد، اگر منابعش را نداشته باشید قابل پیاده سازی نخواهد بود. قبل از نهایی کردن موضوع، این سؤال‌ها را از خودتان بپرسید:
– دیتاست دارم؟ مثلاً اگر می‌خواهید روی تشخیص سرطان پوست کار کنید، دیتاست عمومی مثل ISIC Archive را چک کنید که تصاویرش در دسترس باشد.
– سخت‌افزار دارم؟ یادگیری عمیق به GPU قوی نیاز دارد. اگر دسترسی ندارید، باید سراغ موضوعاتی بروید که با CPU یا دیتاست کوچک‌تر هم جواب می‌دهند.
– وقت دارم؟ مثلاً ساختن یک مدل پیچیده مثل GAN از صفر ممکن است ۶ ماه طول بکشد. آیا در چارچوب زمانی پایان‌نامه‌تان می‌گنجد؟
برای مثال، اگر دیتاست خوبی پیدا نکردید، می‌توانید به جای کار روی داده‌های واقعی، از داده‌های مصنوعی (Synthetic Data) استفاده کنید که خودتان با ابزارهایی مثل Blender یا Unity می‌سازید.
۱.6. بررسی تکراری نبودن موضوع
پس از آن که موضوع را مشخص کردیم و قبل از آن که شروع به نگارش پروپزال کنیم باید بررسی کنیم که موضوع انتخابی تکراری نباشد، برای این کار باید وارد سایت ایرانداک شویم عنوان مورد نظر را در سایت جستجو کنیم. اگر کسی قبل از ما روی این موضوع کار کرده باشد با این روش متوجه می شویم. در غیر اینصورت می توانیم نگارش پروپوزال را شروع کنیم.
۲. حالا پروپوزال را چطور بنویسیم؟
بعد از اینکه موضوعتان را پیدا کردید، نوبت به نوشتن پروپوزال می‌رسد. پروپوزال مثل یک نقشه راه است که نشان می‌دهد چه می‌خواهید بکنید، چرا مهم است و چطور قرار است به هدفتان برسید. در ادامه بخش‌های اصلی‌اش را با جزئیات و مثال بررسی می کنیم:
۲.۱. مسئله چیست و چرا مهم است؟
اول باید بگویید دقیقاً چه مشکلی را می‌خواهید حل کنید. این بخش باید شفاف و گیرا باشد. مثلاً فرض کنید موضوعتان «تشخیص زودهنگام سرطان ریه با یادگیری عمیق» است. بنویسید:
«سرطان ریه شایع‌ترین علت مرگ ناشی از سرطان در جهان است و تشخیص زودهنگام آن می‌تواند نرخ بقا را از ۲۰٪ به ۷۰٪ برساند. اما روش‌های فعلی مثل رادیولوژی دستی دقت پایینی دارند و زمان‌برند. این پژوهش می‌خواهد با استفاده از شبکه‌های کانولوشنی دقت تشخیص را بالا ببرد.»
اینجا هم مشکل ،(دقت پایین روش‌های فعلی) و هم اهمیتش را (نجات جان آدم‌ها) را گفته اید.
۲.۲. پیشینه تحقیق را با دقت بررسی کنید
در این بخش باید نشان دهید که قبل از شما چه کارهایی انجام شده و شما چه چیزی به آن اضافه می‌کنید. مثلاً برای همان موضوع سرطان ریه، چند مقاله از Google Scholar پیدا کنید و بنویسید:
«در سال ۲۰۱۹، از مدل ResNet برای تشخیص سرطان ریه استفاده کردند و به دقت ۸۵٪ رسیدند، ولی دیتاستشان فقط ۱۰۰۰ تصویر داشت. در سال ۲۰۲۱، گروه دیگری با EfficientNet به دقت ۹۰٪ رسیدند، اما مدلشان در تصاویر با نویز ضعیف عمل می‌کرد.»
بعد بگویید: «من می‌خواهم با ترکیب این دو مدل و اضافه کردن تکنیک‌های کاهش نویز، دقت را به ۹۵٪ برسانم.» با این رویمکرد هم معلوم می‌شود که کار دیگران را خوانده‌اید و هم مشخص می‌کنید که چه فرقی با آنها دارید.
۲.۳. هدف و سؤالم چیست؟
هدفتان را طوری بنویسید که قابل اندازه‌گیری باشد. مثلاً:
«هدف این پژوهش، افزایش دقت تشخیص سرطان ریه با استفاده از یک مدل ترکیبی یادگیری عمیق است.»
اگر سؤالی دارید، آن را هم واضح بپرسید:
«آیا اضافه کردن لایه‌های کاهش نویز به مدل‌های کانولوشنی می‌تواند دقت تشخیص را در تصاویر پرنویز بهبود دهد؟»
اینجوری هم خودتان می‌دانید به کجا می‌خواهید برسید و هم خواننده پروپوزال (مثل استاد راهنما) میفهمد که برنامه دارید.
۲.۴. چطور می‌خواهم انجامش دهم؟
اینجا باید بگویید چه داده‌هایی دارید، چطور جمع‌شان می‌کنید و با چه روشی کار می‌کنید. مثلاً:
«برای این پژوهش، از دیتاست عمومی LUNA16 که شامل ۸۸۸ تصویر سی‌تی‌اسکن ریه است استفاده می‌کنم. داده‌ها را با نرمال‌سازی و تکنیک‌های Data Augmentation (مثل چرخش و تغییر روشنایی) آماده می‌کنم. بعد یک مدل ترکیبی از ResNet50 و EfficientNetB3 می‌سازم و با TensorFlow روی یک GPU آموزش می‌دهم. برای ارزیابی هم از معیارهای دقت (Accuracy)، حساسیت (Sensitivity) و ویژگی (Specificity) استفاده می‌کنم.»
این بخش نشان می‌دهد که نقشه راهتان مشخص است و می‌دانید چه کار می‌کنید.
۳. چند نکته کاربردی برای شروع اصولی
برای اینکه کارتان حسابی خوب پیش برود، این نکات را هم در نظر بگیرید:
– زمان را مدیریت کنید: از اول یک برنامه بچینید. مثلاً بگویید: «دو ماه برای جمع‌آوری داده، سه ماه برای ساخت مدل، یک ماه برای نوشتن». یک جدول ساده توی اکسل یا Google Sheets درست کنید که زمان بندی ها را نشان دهد.
– ابزارها را یاد بگیرید: اگر تازه‌کارید، بروید سراغ آموزش‌های رایگان مثل دوره‌های Coursera یا مستندات PyTorch و TensorFlow. مثلاً یاد بگیرید چطور یک مدل ساده CNN بسازید و تست کنید.
– همه‌چیز را یادداشت کنید: ایده‌ها، مقاله‌هایی که خوانده‌اید، و حرف‌های استادتان را در یک دفترچه یا اپلیکیشن مثل Notion بنویسید. همه چیز را به صورت مکتوب داشته باشید.
– اساتید داور:در بعضی از دانشگاه ها هنگام بررسی و تصویب پروپوزال اساتید داور هم معیین می شوند. بهتر است قبل از جلسه بررسی رسمی پروپوزال نظر کارشناسی این استاتید هم گرفته شود تا روند کار با دقت و کیفیت بالاتری انجام شود.
حرف آخر
انتخاب موضوع و نوشتن پروپوزال در یادگیری عمیق شاید در ابتدا سخت به نظر بیاید، ولی اگر قدم به قدم پیش بروید و از علاقه‌تان شروع کنید، کم‌کم مسیر برایتان روشن می‌شود. با پیدا کردن یک موضوع که هم به‌روز باشد، هم مشکلی را حل کند و هم با شرایط جور دربیاید، پایه کارتان را محکم می‌کنید. بعد با یک پروپوزال دقیق که مسئله، پیشینه، هدف و روش را خوب توضیح دهد، خیال خودتان و استادتان را راحت می‌کنید. این فرآیند فقط یک تکلیف دانشگاهی نیست؛ فرصتی است که طی آن هم مطالب جدیدی می آموزید و هم شاید بتوانید در آینده آن را در مسیر شغلی خود استفاده کنید . پس با حوصله و انگیزه شروع کنید، مطمئنا نتیجه‌اش عالی می‌شود.
با تمامی این توضیحات ممکن است برخی از دانشجویان نتوانند این مسیر را به تنهایی طی کنند یا مایل باشند شخص یا گروه با تجربه ای در مسیر انتخاب موضوع و پیاده سازی مدل های هوش مصنوعی آن ها را همراهی کند. تیم ما متشکل از فارغ التحصیلات مقطع دکتری با سال ها تجربه در پیاده سازی پایان نامه و مقاله و انجام پروژه های ماشین لرنینگ و هوش مصنوعی می تواند در این مسیر همراه شما باشد.