بله | کانال انجمن علمی مهندسی کامپیوتر

۲۴ اردیبهشت

هوش مصنوعی امنیت سایبری (CAI): چارچوبی متن‌باز و آماده برای شکار باگامنیت سایبری در دنیای به‌هم‌پیوسته‌ی کنونی، نه یک انتخاب، بلکه یک الزام حیاتی است. با توجه به سرعت تصاعدی افزایش حملات و پیچیدگی روزافزون زیرساخت‌های دیجیتال، بار وظایف محول‌شده به کارشناسان انسانی به نقطه‌ای رسیده است که کارایی روش‌های سنتی مورد تردید جدی قرار می‌گیرد. در این میان، پیش‌بینی می‌شود که تا سال ۲۰۲۸، بخش عمده‌ای از اقدامات دفاعی و تهاجمی در حوزه‌ی امنیت سایبری به صورت خودکار (Autonomous) انجام شده و نقش انسان به اپراتور از راه دور (Teleoperating) تغییر یابد. تحقق این چشم‌انداز، مستلزم توسعه‌ی چارچوب‌های هوش مصنوعی پیشرفته و قابل اعتماد است که بتوانند با سرعت، دقت، و مقیاسی فراتر از توانایی‌های فردی، محیط‌های سایبری را تحلیل و ایمن‌سازی کنند.
مقاله حاضر با هدف تسهیل و تسریع گذار به سمت امنیت سایبری خودمختار، دو دستاورد محوری را ارائه می‌کند. نخستین نوآوری، تدوین اولین طبقه‌بندی رسمی سطوح خودمختاری در امنیت سایبری است. این طبقه‌بندی به عنوان یک استاندارد مفهومی، مسیر توسعه و ارزیابی سیستم‌های هوشمند را در این حوزه مشخص می‌سازد و به پژوهشگران امکان می‌دهد تا پیشرفت‌ها را در یک چارچوب مرجع واحد بسنجند. دومین و برجسته‌ترین دستاورد، معرفی CAI (Cybersecurity AI) است؛ یک چارچوب هوش مصنوعی متن‌باز که به‌طور خاص برای دموکراتیزه کردن تست‌های امنیتی پیشرفته طراحی شده است. CAI بر اساس معماری عامل‌های هوشمند تخصصی بنا نهاده شده که قابلیت حل مستقل طیف گسترده‌ای از چالش‌های امنیتی را دارند و با فلسفه‌ی متن‌باز بودن خود، امکان مشارکت و توسعه‌ی جامعه‌ی پژوهشی را فراهم می‌سازد.
چارچوب CAI مستقیماً برای انجام فعالیت‌های تست نفوذ و ارزیابی آسیب‌پذیری در مقیاس عملیاتی طراحی شده است و به وضوح تحت عنوان “آماده برای برنامه‌های شکار باگ (Bug Bounty-Ready)” معرفی می‌شود. این قابلیت، اهمیت انتقال دانش آکادمیک به محیط‌های عملیاتی و واقعی را برجسته می‌کند. برای سنجش توانمندی‌های CAI، پژوهشگران آن را در آزمون‌های معتبر چالش CTF محک زده‌اند. آزمون‌های CTF به دلیل تنوع و پیچیدگی بالا در دسته‌های مختلف مانند رمزنگاری (Cryptography)، مهندسی معکوس (Reverse Engineering)، بهره‌برداری باینری (Binary Exploitation) و وب (Web)، به عنوان معیاری طلایی برای ارزیابی عملکرد سیستم‌های امنیتی هوشمند شناخته می‌شوند.
ارزیابی‌های انجام‌شده در این پژوهش، عملکرد درخشان و بی‌سابقه‌ی CAI را تأیید می‌کنند. نتایج نشان می‌دهند که این چارچوب هوشمند به‌طور مداوم از نتایج پیشرفته‌ی فعلی (State-of-the-Art) در بنچ‌مارک‌های CTF فراتر می‌رود. مهم‌تر از آن، CAI توانایی حل چالش‌های امنیتی را با کارایی زمانی به‌مراتب بیشتر از کارشناسان انسانی به نمایش می‌گذارد؛ به‌طوری‌که میانگین سرعت کلی آن ۱۱ برابر سریع‌تر از انسان‌ها برآورد شده و این مزیت در برخی وظایف خاص به سرعت شگفت‌انگیز ۳۶۰۰ برابر نیز رسیده است. این سطح از عملکرد نه تنها آن را در جایگاه نخست در میان تیم‌های هوش مصنوعی شرکت‌کننده در چالش زنده‌ی “AI در برابر انسان” (AI vs Human CTF) قرار داده، بلکه موفق شده است رتبه‌ی برتر ۲۰ جهانی را در رقابت کلی کسب کند. این دستاوردها، CAI را به عنوان یک پیشگام در حوزه‌ی امنیت سایبری خودمختار مطرح می‌سازد و بر پتانسیل هوش مصنوعی برای تعریف مجدد مرزهای امنیت دیجیتال تأکید می‌ورزد.
در کانال انجمن علمی کامپیوتر شبکه نخبگان ایران همراه ما باشید @computer_eng_association

۳۸۶

۱۴:۱۴

انجمن علمی مهندسی کامپیوتر

هوش مصنوعی امنیت سایبری (CAI): چارچوبی متن‌باز و آماده برای شکار باگ امنیت سایبری در دنیای به‌هم‌پیوسته‌ی کنونی، نه یک انتخاب، بلکه یک الزام حیاتی است. با توجه به سرعت تصاعدی افزایش حملات و پیچیدگی روزافزون زیرساخت‌های دیجیتال، بار وظایف محول‌شده به کارشناسان انسانی به نقطه‌ای رسیده است که کارایی روش‌های سنتی مورد تردید جدی قرار می‌گیرد. در این میان، پیش‌بینی می‌شود که تا سال ۲۰۲۸، بخش عمده‌ای از اقدامات دفاعی و تهاجمی در حوزه‌ی امنیت سایبری به صورت خودکار (Autonomous) انجام شده و نقش انسان به اپراتور از راه دور (Teleoperating) تغییر یابد. تحقق این چشم‌انداز، مستلزم توسعه‌ی چارچوب‌های هوش مصنوعی پیشرفته و قابل اعتماد است که بتوانند با سرعت، دقت، و مقیاسی فراتر از توانایی‌های فردی، محیط‌های سایبری را تحلیل و ایمن‌سازی کنند. مقاله حاضر با هدف تسهیل و تسریع گذار به سمت امنیت سایبری خودمختار، دو دستاورد محوری را ارائه می‌کند. نخستین نوآوری، تدوین اولین طبقه‌بندی رسمی سطوح خودمختاری در امنیت سایبری است. این طبقه‌بندی به عنوان یک استاندارد مفهومی، مسیر توسعه و ارزیابی سیستم‌های هوشمند را در این حوزه مشخص می‌سازد و به پژوهشگران امکان می‌دهد تا پیشرفت‌ها را در یک چارچوب مرجع واحد بسنجند. دومین و برجسته‌ترین دستاورد، معرفی CAI (Cybersecurity AI) است؛ یک چارچوب هوش مصنوعی متن‌باز که به‌طور خاص برای دموکراتیزه کردن تست‌های امنیتی پیشرفته طراحی شده است. CAI بر اساس معماری عامل‌های هوشمند تخصصی بنا نهاده شده که قابلیت حل مستقل طیف گسترده‌ای از چالش‌های امنیتی را دارند و با فلسفه‌ی متن‌باز بودن خود، امکان مشارکت و توسعه‌ی جامعه‌ی پژوهشی را فراهم می‌سازد. چارچوب CAI مستقیماً برای انجام فعالیت‌های تست نفوذ و ارزیابی آسیب‌پذیری در مقیاس عملیاتی طراحی شده است و به وضوح تحت عنوان “آماده برای برنامه‌های شکار باگ (Bug Bounty-Ready)” معرفی می‌شود. این قابلیت، اهمیت انتقال دانش آکادمیک به محیط‌های عملیاتی و واقعی را برجسته می‌کند. برای سنجش توانمندی‌های CAI، پژوهشگران آن را در آزمون‌های معتبر چالش CTF محک زده‌اند. آزمون‌های CTF به دلیل تنوع و پیچیدگی بالا در دسته‌های مختلف مانند رمزنگاری (Cryptography)، مهندسی معکوس (Reverse Engineering)، بهره‌برداری باینری (Binary Exploitation) و وب (Web)، به عنوان معیاری طلایی برای ارزیابی عملکرد سیستم‌های امنیتی هوشمند شناخته می‌شوند. ارزیابی‌های انجام‌شده در این پژوهش، عملکرد درخشان و بی‌سابقه‌ی CAI را تأیید می‌کنند. نتایج نشان می‌دهند که این چارچوب هوشمند به‌طور مداوم از نتایج پیشرفته‌ی فعلی (State-of-the-Art) در بنچ‌مارک‌های CTF فراتر می‌رود. مهم‌تر از آن، CAI توانایی حل چالش‌های امنیتی را با کارایی زمانی به‌مراتب بیشتر از کارشناسان انسانی به نمایش می‌گذارد؛ به‌طوری‌که میانگین سرعت کلی آن ۱۱ برابر سریع‌تر از انسان‌ها برآورد شده و این مزیت در برخی وظایف خاص به سرعت شگفت‌انگیز ۳۶۰۰ برابر نیز رسیده است. این سطح از عملکرد نه تنها آن را در جایگاه نخست در میان تیم‌های هوش مصنوعی شرکت‌کننده در چالش زنده‌ی “AI در برابر انسان” (AI vs Human CTF) قرار داده، بلکه موفق شده است رتبه‌ی برتر ۲۰ جهانی را در رقابت کلی کسب کند. این دستاوردها، CAI را به عنوان یک پیشگام در حوزه‌ی امنیت سایبری خودمختار مطرح می‌سازد و بر پتانسیل هوش مصنوعی برای تعریف مجدد مرزهای امنیت دیجیتال تأکید می‌ورزد. در کانال انجمن علمی کامپیوتر شبکه نخبگان ایران همراه ما باشید @computer_eng_association

2504.06017v2.pdf

۳.۴ مگابایت

هوش مصنوعی امنیت سایبری (CAI): چارچوبی متن‌باز و آماده برای شکار باگ
در کانال انجمن علمی کامپیوتر شبکه نخبگان ایران همراه ما باشید @computer_eng_association

۴۸۰

۱۴:۱۹

۲۶ اردیبهشت

بلاک چین چیست؟

«بلاک‌چین» یه نوع پایگاه داده‌ی غیرمتمرکز است که در داخل آن اطلاعات به شکل زنجیره‌ای از بلوک‌ها ذخیره می‌شوند. هر بلوک شامل اطلاعاتی (تراکنش‌ها یا داده‌ها) است که با استفاده از کد هش (Hash) به بلوک قبلی وصل شده است.

ویژگی‌های کلیدی بلاک‌چین

غیرمتمرکز بودن:هیچ سرور یا نهاد مرکزی وجود ندارد؛ تمام نودها (Nodes) نسخه‌ای از داده‌ها رو دارد.

شفافیت:همه‌ی تراکنش‌ها قابل مشاهده هستند و در دفاتر توزیع‌شده ثبت می‌شوند.

امنیت بالا:به‌دلیل رمزنگاری و توزیع داده‌ها، هک یا دستکاری اطلاعات بسیار سخت و پرهزینه‌ست.

تغییرناپذیری:بعد از ثبت شدن، امکان ویرایش یا حذف داده‌ها تقریباً وجود نداره.

کاربردهای بلاک‌چین:

ارزهای دیجیتال مثل Bitcoin و Ethereum.

رهگیری زنجیره تامین برای بررسی اصالت کالا.

رأی‌گیری دیجیتال بدون تقلب و با شفافیت بالا.

مالکیت آثار دیجیتال از طریق NFT (Non-Fungible Tokens).

قراردادهای هوشمند (Smart Contracts)کدی که به‌طور خودکار اجرا می‌شود.
در کانال انجمن علمی مهندسی کامپیوتر شبکه نخبگان ایران همراه ما باشید @ComputerEng_Association

۳۵۱

۱۴:۳۵

۲۷ اردیبهشت

پیچیده‌ترین الگوریتم‌ها در دنیای برنامه‌نویسی چگونه کار می‌کنند؟
وقتی درباره «پیچیده‌ترین الگوریتم‌ها» صحبت می‌کنیم، معمولاً منظور الگوریتم‌هایی است که برای حل مسائل بسیار دشوار در ریاضیات و علوم کامپیوتر طراحی شده‌اند؛ مسائلی که حل آن‌ها با روش‌های معمولی ممکن است سال‌ها زمان ببرد. یکی از نمونه‌های معروف، الگوریتم Shor است؛ الگوریتمی که برای کامپیوترهای کوانتومی طراحی شده و می‌تواند اعداد بسیار بزرگ را به عوامل اول تجزیه کند.
اهمیت این الگوریتم از آنجا می‌آید که بسیاری از سیستم‌های رمزنگاری امروزی (مثل RSA) بر اساس سخت بودن همین مسئله ساخته شده‌اند.
ایده اصلی الگوریتم Shorالگوریتم Shor از ترکیب چند مفهوم پیشرفته استفاده می‌کند:تبدیل مسئله فاکتورگیری به پیدا کردن دوره (Period) یک تابعاستفاده از برهم‌نهی کوانتومی برای بررسی تعداد زیادی حالت به طور همزماناستفاده از Quantum Fourier Transform (QFT) برای استخراج الگوی دوره‌ای تابعبه زبان ساده، این الگوریتم به جای امتحان کردن تمام حالت‌ها به صورت تک‌تک، از ویژگی‌های مکانیک کوانتومی برای بررسی همزمان تعداد زیادی احتمال استفاده می‌کند.
نمونه ساده از ساختار کد (Qiskit)

from qiskit import QuantumCircuit

n = 4
qc = QuantumCircuit(n)

for i in range(n):
    qc.h(i)

qc.cx(0,1)
qc.cx(1,2)
qc.cx(2,3)

qc.measure_all()

print(qc)

البته پیاده‌سازی کامل الگوریتم Shor بسیار پیچیده‌تر است و شامل مدارهای بزرگ، تبدیل فوریه کوانتومی و مراحل کلاسیک برای محاسبه نتیجه نهایی می‌شود.
در کانال انجمن علمی کامپیوتر شبکه نخبگان ایران همراه ما باشید @computer_eng_association

۳۵۳

۱۳:۴۳

۲۸ اردیبهشت

مدل‌های زبانی بزرگ (LLM) در برابر عامل‌های هوش مصنوعی (AI Agent)

مدل‌های زبانی بزرگ (LLM) مثل GPT، به مصابه ساختار مغز متنی هوش مصنوعی هستند و می‌تواننذ که تولید متن، خلاصه نویسی، ترجمه و به پرسش‌ها پاسخ بدهند.

عامل‌های هوش مصنوعی (AI Agent) یک سطح بالاتر هستند که معمولاً از یک LLM به‌عنوان موتور اصلی در ساختار خود استفاده می‌کنند، اما می‌توانند:

هدف تعیین کنن،

چند مرحله رو برنامه‌ریزی کنن،

به ابزارها و APIها وصل بشن،

حافظه داشته باشن و تجربه‌های قبلی رو به کار بگیرن.

شباهت‌ها:

هر دو بر پایه هوش مصنوعی زبانی ساخته شدن.

هر دو توانایی درک و تولید متن دارن.

عامل های هوش مصنوعی(AI Agents) بدون مدل های زبانی بزرگ(LLM) معنایی ندارند.

تفاوت‌ها:

مدل های زبانی بزرگ(LLM): فقط متن تولید می‌کنه و منتظر دستور کاربره.

عامل هوش مصنوعی(Agent): می‌تونه خودش تصمیم بگیره، به ابزارها وصل بشه و کار رو تا پایان اجرا کنه.

خلاصه:مدل زبانی بزرگ = نویسنده و تولیدکننده متن

عامل هوش مصنوعی = دستیار هوشمند و عمل‌گرا

‍

در کانال انجمن علمی کامپیوتر شبکه نخبگان ایران همراه ما باشید @computer_eng_association

۳۳۱

۱۴:۲۵

۳۰ اردیبهشت

کتاب ارزشمند"الگوریتم برتر: چگونه جستجو برای فراترین ماشین یادگیرنده، دنیای ما را بازسازی خواهد کرد"

احتمالا به این موضوع فکر کرده اید که یک الگوریتم واحد و نهایی بتواند تمام دانش قابل یادگیری در جهان را از داده‌ها استخراج کند؛ الگوریتمی که قادر باشد درمان سرطان را کشف کند، بازارهای مالی را پیش‌بینی نماید و هر وظیفه‌ای را تنها با مشاهده‌ی داده‌ها بیاموزد. این رویای بزرگ، هسته‌ی اصلی جستجو برای “الگوریتم برتر” است.

کتاب “The Master Algorithm” نوشته‌ی پدرو دومینگوس، یکی از پژوهشگران و متفکران پیشرو در حوزه‌ی یادگیری ماشین، یک اثر روشنگر و خواندنی است که شما را به قلب این موضوع می‌برد. این کتاب به جای غرق شدن در جزئیات فنی یک روش خاص، یک نقشه راه جامع از تمام قلمرو یادگیری ماشین ارائه می‌دهد و نشان می‌دهد که چگونه مکاتب فکری مختلف در حال رقابت و همکاری برای رسیدن به این هدف نهایی هستند.

این کتاب رویکردی داستان‌گونه و در عین حال عمیقاً مفهومی دارد. دومینگوس با زبانی شیوا، دنیای پیچیده‌ی هوش مصنوعی را به پنج “پارادایم” اصلی تقسیم می‌کند: نمادگرایان (Symbolists)، پیوندگرایان (Connectionists)، تکاملی‌ها (Evolutionaries)، بیزین‌ها (Bayesians) و قیاس‌گرایان (Analogizers). کتاب به شما می‌آموزد که هر یک از این رویکردها چگونه بخشی از پازل هوش را حل می‌کنند و چگونه ترکیب ایده‌های بزرگ آن‌ها می‌تواند ما را به سوی یک الگوریتم یکپارچه و جامع هدایت کند.

هدف این اثر، برداشتن پرده از رمز و راز یادگیری ماشین برای مخاطبان گسترده—از مدیران و کارآفرینان گرفته تا دانشجویان و علاقه‌مندان به علم—است. نویسنده قصد دارد به خواننده نشان دهد که الگوریتم‌ها چگونه در حال حاضر زندگی ما را شکل می‌دهند و چشم‌اندازی جسورانه از آینده‌ای را ترسیم می‌کند که در آن، “الگوریتم برتر” می‌تواند انقلابی در علم، کسب‌وکار و جامعه ایجاد کند. با مطالعه این کتاب نه تنها درکی از سازوکار ماشین‌های یادگیرنده پیدا می‌کنید، بلکه با فلسفه و جهت‌گیری آینده‌ی این حوزه نیز آشنا می‌شوید.

این کتاب برای:

علاقه‌مندان به فناوری و آینده‌پژوهان که می‌خواهند بدانند موج بعدی انقلاب دیجیتال از کجا خواهد آمد؛

مدیران، کارآفرینان و استراتژیست‌ها که به دنبال درک پتانسیل واقعی داده‌ها و هوش مصنوعی برای تحول در کسب‌وکار خود هستند؛

دانشجویان و متخصصان رشته‌های مختلف که می‌خواهند بدون نیاز به دانش ریاضیات پیچیده، با مفاهیم بنیادی و چشم‌انداز کلی یادگیری ماشین آشنا شوند؛

و تمام اذهان کنجکاوی که می‌خواهند بدانند بزرگترین جستجوی علمی قرن بیست و یکم چیست و چه تأثیری بر آینده‌ی بشریت خواهد داشت، مناسب می‌باشد.
در کانال انجمن علمی کامپیوتر شبکه نخبگان ایران همراه ما باشید @computer_eng_association

۲۲۹

۱۰:۲۲

Pedro Domingos - The Master Algorithm_ How the Quest for the Ultimate Learning Machine Will Remake Our World (2015, Basic Books).pdf

۱۴.۱۶ مگابایت

کتاب ارزشمند"الگوریتم برتر: چگونه جستجو برای فراترین ماشین یادگیرنده، دنیای ما را بازسازی خواهد کرد"
در کانال انجمن علمی کامپیوتر شبکه نخبگان ایران همراه ما باشید @computer_eng_association

۲۹۳

۱۰:۲۳

۱ خرداد

انقلابی در تولید ابر نقاط سه‌بعدی با الهام از دنیای تصاویر: FoldDiff
مدل‌های انتشاری (Diffusion Models) در سال‌های اخیر دنیای هوش مصنوعی را متحول کرده‌اند و توانایی شگفت‌انگیزی در تولید تصاویر واقعی و باکیفیت از خود نشان داده‌اند. این مدل‌ها با شبیه‌سازی یک فرآیند فیزیکی، داده‌ها را به تدریج به نویز تبدیل کرده و سپس یاد می‌گیرند که چگونه این فرآیند را معکوس کنند و از نویز، داده‌های جدید بسازند. اما این رویکرد قدرتمند با یک چالش اساسی در دنیای سه‌بعدی، به‌ویژه در کار با «ابر نقاط» (Point Clouds)، روبرو است.
مشکل اصلی این است که مدل‌های انتشاری فرض می‌کنند داده‌ها در یک فضای برداری ساختاریافته قرار دارند؛ درست مانند پیکسل‌های یک تصویر که هر کدام جایگاه ثابتی در یک شبکه دارند. در مقابل، ابر نقاط مجموعه‌ای بی‌نظم از نقاط در فضای سه‌بعدی است و هیچ ترتیب ذاتی یا مشخصی بین نقاط آن وجود ندارد. این بی‌نظمی، که به «مسئله جایگشت» (Permutation Problem) معروف است، پایه‌های ریاضی مدل‌های انتشاری را متزلزل می‌کند.
تا پیش از این، راه‌حل رایج برای غلبه بر این مشکل، تبدیل ابر نقاط به یک نمایش ساختاریافته مانند شبکه‌های واکسلی (Voxel Grids) بود که می‌توان آن را معادل سه‌بعدی پیکسل‌ها دانست. اما این روش‌ها معایب بزرگی دارند: هزینه محاسباتی آن‌ها به صورت تصاعدی افزایش می‌یابد و فرآیند تبدیل، باعث ایجاد خطاهای کوانتیزاسیون و از بین رفتن جزئیات دقیق سطح می‌شود.
اما در یک نوآوری خلاقانه، نویسندگان مقاله FoldDiff به جای استفاده از واکسل‌های پرهزینه، یک راهکار جدید مبتنی بر عملیات «تا کردن» (Folding) ارائه می‌دهند. ایده اصلی این است که یک شبکه عصبی به نام FoldingNet آموزش داده می‌شود تا یک سطح ساده دوبعدی (مانند یک صفحه) را به گونه‌ای “تا” کند و تغییر شکل دهد که به ابر نقاط ورودی تبدیل شود. خروجی این فرآیند، یک نمایش جدید از ابر نقاط است که حالا یک ساختار منظم و ثابت دارد؛ زیرا ترتیب نقاط آن از همان صفحه دوبعدی اولیه به ارث برده شده است.
این نمایش ساختاریافته جدید، که می‌توان آن را نوعی «تصویر هندسی» (Geometry Image) در نظر گرفت، دو مزیت بزرگ دارد:

کاربرد جهانی (Global): کل شیء سه‌بعدی را می‌توان به یک تصویر هندسی تبدیل کرد و سپس از مدل‌های انتشاری قدرتمند و آماده‌ای که برای تصاویر دوبعدی طراحی شده‌اند (مانند UNet) برای تولید اشیاء جدید استفاده کرد.

کاربرد محلی (Local): می‌توان شیء را به قطعات کوچک‌تر تقسیم کرد و هر قطعه را به یک «توکن تاخورده» (Folded Token) تبدیل نمود. این توکن‌ها بسیار فشرده و کارآمد هستند و می‌توانند به عنوان ورودی برای معماری‌های پیشرفته‌ای مانند ترنسفورمرهای انتشاری (DiT) استفاده شوند. این کار هزینه محاسباتی را به شدت کاهش می‌دهد و عملکرد بهتری نسبت به روش‌های مبتنی بر واکسل به همراه دارد.
در نهایت، FoldDiff نه‌تنها یک راه‌حل فنی برای یک چالش قدیمی ارائه می‌دهد، بلکه با تحلیل نظری دقیق، دلیل شکست مدل‌های پیشین را نیز توضیح می‌دهد. این چارچوب با کارایی بالا، هزینه‌های کمتر و تولید نتایج باکیفیت‌تر ، پلی میان دنیای موفق تولید تصاویر دوبعدی و حوزه چالش‌برانگیز تولید داده‌های سه‌بعدی ایجاد می‌کند و مسیر را برای نسل جدیدی از مدل‌های مولد در این حوزه هموار می‌سازد.
در کانال انجمن علمی کامپیوتر شبکه نخبگان ایران همراه ما باشید @computer_eng_association

۲۰۱

۱۰:۴۵

FoldDiff; Folding in Point Cloud Diffusion.pdf

۱۰.۵۶ مگابایت

انقلابی در تولید ابر نقاط سه‌بعدی با الهام از دنیای تصاویر: FoldDiff
در کانال انجمن علمی کامپیوتر شبکه نخبگان ایران همراه ما باشید @computer_eng_association

۲۵۶

۱۰:۴۶

۵ خرداد

بازارسال شده از انجمن علمی مهندسی پلیمر

🧪 انجمن علمی مهندسی پلیمر شبکه نخبگان ایران برگزار می‌کند:

دوره آموزشی مقاله‌نویسی

مدرس: مهندس عباس بیاتی

کارشناس ارشد مهندسی مکانیک از دانشگاه تهران

دبیر انجمن علمی مهندسی پلیمر شبکه نخبگان ایران

نویسنده ۱۶ عنوان مقاله ISI

برنده جایزه البرز (نوبل ایرانی)

داور مجلات معتبر بین المللی

داور علمی مورد اعتماد انتشارات iop

سرفصل‌های مهم دوره:

آشنایی با دنیای انتشار علمی و انواع مقالات

انتخاب موضوع هوشمند و قابل چاپ

تبدیل پایان‌نامه یا پروژه پژوهشی به مقاله

نگارش بخش‌های اصلی مقاله؛ Title، Abstract، Introduction، Methodology، Results و Conclusion

جستجوی منابع علمی و اصول رفرنس‌نویسی

اخلاق پژوهش، سرقت علمی و اشتباهات رایج در مقاله‌نویسی

انتخاب ژورنال مناسب و آشنایی با Scope و Guide for Authors

نگارش Cover Letter، فرآیند Submit و پاسخ‌دهی به داوران

افزایش دیده‌شدن پژوهش، استناد و اثرگذاری مقاله

تمرین عملی و بررسی نمونه مقالات موفق

زمان برگزاری: ۱۸، ۲۰ و ۲۲ خرداد

ساعت: ۱۸:۳۰ الی ۲۰:۳۰

به‌صورت مجازی در بستر اسکای‌روم

هزینه ثبت‌نام:

دانشجویان: ۴۵۰ هزار تومان

داوطلبان آزاد: ۵۵۰ هزار تومان

ارائه گواهی معتبر دوزبانه از شبکه نخبگان ایران

جهت ثبت‌نام و دریافت اطلاعات بیشتر پیام دهید:‎@mohadese_ezazi همراه ما باشید.| شبکه نخبگان ایران || انجمن علمی مهندسی پلیمر |

۸:۱۸