کارشناسی ارشد علم داده

مقطع: کارشناسی ارشد رشته: مهندسی و علم کامپیوتر
گرایش: علم داده آخرین تصویب: ۱۴۰۰/۱۰/۰۲

مقررات عمومی دوره

  1. طول دوره: طول دوره ۲ سال است.
  2. زیرگرایش‌ها: گرایش علم داده دارای دو زیرگرایش به قرار زیر است (دروس متعلق به زیرگرایش‌ها در جداول ۳ و ۴ آورده شده‌اند):
    • زیرگرایش مهندسی داده
    • زیرگرایش تحلیل داده
  3. واحدها: تعداد واحدهای این دوره ۳۰ واحد است. دانشجويان حق ندارند دروسي را که قبلاً در دور‌ه‌ی كارشناسی گرفته‌اند مجدداً اخذ نمايند. گذراندن دروس زیرگرایش‌ها، سمینار و پروژه باید مطابق قواعد زیر انجام شود:
    • دروس: همه دانشجویان گرایش علم داده باید درس‌های جبرانی را در دوران کارشناسی گذرانده باشند و در غیر این صورت باید این درس‌ها را در دوران کارشناسی ارشد اخذ نمایند. همه دانشجویان گرایش علم داده باید ۱۰ واحد دروس هسته گرایش علم داده (جدول ۲)‌ را اخذ نمایند. برای سایر درس‌‌ها دانشجویان بایستی به شکل زیر عمل نمایند.
      • دانشجویان پژوهش‌محور: دانشجویان پژوهش‌محور باید حداقل ۳ درس معادل ۹ واحد را از دروس زیرگرایش خود اخذ نمایند (جداول ۳ و ۴). درس باقیمانده (۳ واحد باقیمانده) را می‌توانند از هر کدام از سبدها (شامل سبد دروس زیرگرایش خود یا زیر گرایش دیگر یا دروس کاربردهای علم داده- جداول ۳، ۴، ۵)‌ و یا با موافقت استاد راهنما از سایر گرایش‌های دانشکده یا دانشکده‌های دیگر اخذ نمایند.
      • دانشجویان آموزش‌محور: دانشجویان آموزش محور باید حداقل ۴ درس معادل ۱۲ واحد را از دروس زیرگرایش خود اخذ نمایند (جداول ۳ و ۴). ۲ درس باقیمانده را می‌توانند از هر کدام از سبدها (شامل سبد دروس زیر گرایش خود یا زیرگرایش دیگر یا دروس کاربردهای علم داده- جداول ۳، ۴، ۵) اخذ نمایند. دانشجو می‌تواند با موافقت استاد راهنما یکی از این ۳ درس باقیمانده را از گرایش‌های دیگر دانشکده یا از دانشکده‌های دیگر اخذ نماید.
    • سمینار کارشناسی ارشد: ۲ واحد - مطابق جدول ۶
    • پروژه‌ی کارشناسی ارشد: ۶ واحد - مطابق جدول ۶ (مختص دانشجویان پژوهش-محور)
  4. تصویب پروژه‌ی کارشناسی ارشد: مهلت تصویب تعریف پروژه‌ی کارشناسی ارشد، پایان نیمسال دوم است.
  5. ارائه‌ی سمینار کارشناسی ارشد: دانشجوی پژوهش-محور باید در نیمسال سوم و پس از تصویب پروژه، سمیناری در زمینه‌ی پروژه ارائه دهد که گزارش پیشرفت پروژه محسوب می‌شود. سمینار دانشجویان آموزش-محور نیز باید در نیمسال سوم و پس از تعیین موضوع و تأیید آن توسط گروه اخذ شود.
  6. همکاری با دانشکده: همه‌ی دانشجویان نوبت اول باید به صورت دستیار آموزشی یا با انجام امور ارجاعی دیگر (معادل ۲ واحد) با دانشکده همکاری کنند؛ همکاری با دانشکده برای دانشجویان آموزش-محور نیز اجباری است.
  7. استاد راهنما: مدیر گروه تا قبل از انتخاب و تصویب پروژه، استاد راهنمای دانشجویان است. پس از تصویب تعریف پروژه، استاد راهنمای پروژه‌ی هر دانشجو مسئول تأیید و راهنمایی وی در اخذ واحدهای درسی نیز می‌باشد.
  8. واحدهای جبرانی: در صورتی که گذراندن واحدهای جبرانی به تشخیص مدیر گروه برای دانشجو ضروری باشد، می‌بایستی حداکثر تا پایان سال اول تحصیل با تأیید گروه حداکثر چهار درس از دروس جدول ۱ را بگذراند. اخذ ۸ واحد جبرانی یا بیشتر امکان افزایش حداکثر یک نیمسال تحصیلی را به سنوات تحصیلی دانشجو فراهم می‌کند. حداقل نمره‌ی قبولی برای دروس جبرانی ۱۲ است.

دروس جبرانی

جدول ۱. فهرست دروس جبرانی گرایش علم داده

ردیف شماره درس تعداد واحد عنوان درس (فارسی) عنوان درس (انگلیسی)
۱ ۴۰۳۵۴ ۳ طراحی الگوریتم‌ها Design of Algorithms
۲ ۴۰۳۸۴ ۳ طراحی پایگاه داده‌ها Database Design
۳ ۴۰۱۸۱ ۳ آمار و احتمال مهندسی Engineering Probability and Statistics
۴ ۴۰۲۸۲ ۳ جبر خطی Linear Algebra
۵ ۴۰۲۴۴ ۳ برنامه‌سازی پیشرفته Advanced Programming

دروس هسته

جدول ۲. فهرست دروس هسته گرایش علم داده

ردیف شماره درس تعداد واحد عنوان درس (فارسی) عنوان درس (انگلیسی)
۱ ۴۰۴۸۶ ۳ اصول و تکنیک‌ها در علم داده Principles and Techniques in Data Science
۲ ۴۰۷۱۷ ۳ یادگیری ماشین Machine Learning
۳ ۴۰۴۸۷ ۳ زیرساخت‌های پردازشی داده Data Processing Infrastructures
۴ ۴۰۴۸۵ ۱ آداب در علم داده Ethics in Data Science

دروس زیرگرایش‌ها

جدول ۳. فهرست دروس زیرگرایش مهندسی داده

ردیف شماره درس تعداد واحد عنوان درس (فارسی) عنوان درس (انگلیسی)
۱ ۴۰۸۰۱.۱ ۳ معماری سیستم‌های کلان‌داده Architecture of Big-Data Systems
۲ ۴۰۸۰۱.۲ ۳ اصول برنامه‌سازی مقیاس‌پذیر Principles of Scalable Programming
۳ ۴۰۸۰۱.۳ ۳ امنیت و حریم خصوصی داده Data Security and Privacy
۴ ۴۰۵۴۸ ۳ سیستم‌های پشتیبانی تصمیم‌گیری Decision Support Systems
۵ ۴۰۶۸۶ ۳ الگوریتم‌های داده‌های حجیم Massive Data Algorithms
۶ ۴۰۸۰۱.۴ ۳ سیستم‌های موازی و توزیع‌شده Parallel and Distributed Systems
۷ ۴۰۸۰۱.۵ ۳ سامانه‌های تحلیل تعاملی داده Interactive Data Analysis Systems
۸ ۴۰۸۰۱.۶ ۳ تحلیل داده‌های مکانی Spatial Data Analysis
۹ ۴۰۸۰۱.۷ ۳ محاسبات ابری و لبه Cloud and Edge Computing
۱۰ ۴۰۷۶۵ ۳ الگوریتم‌های پیشرفته Advanced Algorithms
۱۱ ۴۰۷۸۵ ۳ بهینه‌سازی ترکیبیاتی Combinatorial Optimization
۱۲ ۴۰۸۳۵ ۳ نظریه الگوریتمی بازی‌ها Algorithmic Game Theory
۱۳ ۴۰۸۰۱.۸ ۳ روش‌های تصادفی و احتمالاتی Randomized and Probabilistic Methods
۱۴ ۴۰۶۳۸ ۳ سامانه‌های پیشرفته ذخیره‌سازی داده Advanced Storage Systems

جدول ۴. فهرست دروس زیرگرایش تحلیل داده

ردیف شماره درس تعداد واحد عنوان درس (فارسی) عنوان درس (انگلیسی)
۱ ۴۰۷۱۹ ۳ یادگیری ژرف Deep Learning
۲ ۴۰۸۰۲.۱ ۳ تحلیل آماری داده‌ها Statistical Data Analysis
۳ ۴۰۸۰۲.۲ ۳ تحلیل سری‌های زمانی Time Series Analysis
۴ ۴۰۸۳۷ ۳ بهینه‌سازی محدب Convex Optimization
۵ ۴۰۷۶۸ ۳ مدل‌های گرافی احتمالی Probabilistic Graphical Models
۶ ۴۰۸۰۲.۳ ۳ آمار در ابعاد بالا High-Dimensional Statistics
۷ ۴۰۶۷۷ ۳ پردازش زبان‌های طبیعی Natural Language Processing
۸ ۴۰۸۰۲.۴ ۳ تحلیل داده‌های چند‌رسانه‌ای مقیاس بزرگ Large-Scale Multi-Media Data Analysis
۹ ۴۰۸۰۲.۵ ۳ یادگیری ماشین مقیاس‌پذیر Scalable Machine Learning
۱۰ ۴۰۷۱۸ ۳ نظریه یادگیری ماشین Machine Learning Theory
۱۱ ۴۰۷۲۹ ۳ یادگیری ماشین آماری Statistical Machine Learning
۱۲ ۴۰۶۹۵ ۳ فرآیندهای تصادفی Stochastic Processes
۱۳ ۴۰۶۷۶ ۳ نظریه اطلاعات و کدینگ Information Theory and Coding
۱۴ ۴۰۸۰۲.۶ ۳ مبانی علم داده Foundations of Data Science
۱۵ ۴۰۸۰۲.۷ ۳ تحلیل داده‌های متنی Text Data Analysis

دروس کاربردهای علم داده

جدول ۵. فهرست دروس کاربردهای علم داده

ردیف شماره درس تعداد واحد عنوان درس (فارسی) عنوان درس (انگلیسی)
۱ ۴۰۶۴۲ ۳ شبکه‌های اجتماعی و اقتصادی Social and Economic Networks
۲ ۴۰۵۵۵ ۳ تحلیل داده‌های حجیم زیستی Large-Scale Biological Data Analysis
۳ ۴۰۸۰۳.۱ ۳ علم داده در مهندسی نرم‌افزار Data Science in Software Engineering
۴ ۴۰۸۰۳.۲ ۳ تحلیل داده‌های مالی Financial Data Analysis
۵ ۴۰۸۰۳.۳ ۳ تحلیل داده‌های سلامت Health Data Analysis
۶ ۴۰۸۰۳.۴ ۳ تحلیل داد‌ه‌های کسب‌وکارها Data Analysis in Business
۷ ۴۰۸۰۳.۵ ۳ سیستم‌های توصیه‌گر Recommender Systems

دروس سمینار و پروژه‌ی گرایش علم داده

جدول ۶. فهرست دروس سمینار و پروژه

ردیف شماره درس تعداد واحد عنوان درس (فارسی) عنوان درس (انگلیسی)
۱ ۴۰۹۰۰ ۲ سمینار کارشناسی ارشد M.Sc. Seminar
۲ ۴۰۶۶۰ ۶ پایان‌نامه کارشناسی ارشد M.Sc. Thesis