محمدرضا محمدنژاد

محمدرضا محمدنژاد

مدیر ارشد فنی (CTO) در شرکت سرگرمی سازان

۲ارتباط ۱۲مهارت
سمنان | سمنان
استاد دروس یکپارچه سازی کاربردهای سازمانی، آزمایشگاه شبکه، آزمایشگاه سیستم عامل
دانشگاه فرزانگان
دکترا دانشگاه سمنان
تحصیلات
دانشگاه سمنان
۱۳۹۸ اکنون
دکترا مهندسی کامپیوتر هوش مصنوعی
دانشگاه سمنان
۱۳۹۴ - ۱۳۹۷
کارشناسی ارشد مهندسی کامپیوتر هوش مصنوعی
دانشگاه سمنان
۱۳۹۰ - ۱۳۹۴
کارشناسی مهندسی فناوری اطلاعات IT
-
دیپلم ریاضی
استعداد درخشان سمنان(تیزهوشان)
تجارب کاری
۱۳۹۷ اکنون
استاد دروس یکپارچه سازی کاربردهای سازمانی، آزمایشگاه شبکه، آزمایشگاه سیستم عامل
دانشگاه فرزانگان
۱۳۹۷ اکنون
استاد دروس مبانی کامپیوتر، چند رسانه ای، یکپارچه سازی کاربردهای سازمانی، کارگاه کامپیوتر
دانشگاه سمنان
۱۳۹۵ - ۱۳۹۷
استاد دروس هوش مصنوعی، آزمایشگاه شبکه، آزمایشگاه گرافیک
دانشکده فنی و حرفه ای سمنان
۱۳۹۴ اکنون
مدیر ارشد فنی
سرگرمی سازان آسمان امید
۱۳۹۴ - ۱۳۹۴
حل تمرین درس مهندسی فناوری اطلاعات گروه کامپیوتر
دانشگاه سمنان
۱۳۹۳ - ۱۳۹۳
دبیر اجرایی چهارمین جشنواره درون دانشگاهی حرکت
دانشگاه سمنان
۱۳۹۳ - ۱۳۹۴
حل تمرین درس طراحی الگوریتم گروه کامپیوتر
دانشگاه سمنان
۱۳۹۲ - ۱۳۹۳
دبیر اجرایی اولین دوره مسابقات دانشگاهی سودوکو
دانشگاه سمنان
۱۳۹۲ - ۱۳۹۴
حل تمرین درس هوش مصنوعی گروه کامپیوتر
دانشگاه سمنان
۱۳۹۲ - ۱۳۹۲
دبیر اجرایی سومین جشنواره درون دانشگاهی حرکت
دانشگاه سمنان
۱۳۹۲ - ۱۳۹۴
دبیر شورای دبیران انجمن های علمی
دانشگاه سمنان
۱۳۹۱ - ۱۳۹۴
دستیار آزمایشگاه کامپیوتر و شبکه
دانشگاه سمنان
۱۳۹۱ - ۱۳۹۱
حل تمرین درس ساختمان های داده گروه کامپیوتر
دانشگاه سمنان
۱۳۹۰ - ۱۳۹۴
حل تمرین درس مبانی کامپیوتر و برنامه نویسی گروه کامپیوتر
دانشگاه سمنان
پروژه‌ها
۱۳۹۷
مدیر ارشد فنی در سرگرمی سازان آسمان امید
۱۳۹۶ - ۱۳۹۷
سودوکوی آنلاین
مدیر ارشد فنی در سرگرمی سازان آسمان امید
۱۳۹۵ - ۱۳۹۶
مدیر ارشد فنی در سرگرمی سازان آسمان امید
۱۳۹۴ - ۱۳۹۵
مدیر ارشد فنی در سرگرمی سازان آسمان امید
پروژه‌ها
۱۳۹۷-۱۲
طراحی عامل هوشمند با یادگیری تقویتی عمیق در فضای بازی
چهارمین کنفرانس ملّی و دومین کنفرانس بین‌المللی «بازی‌های رایانه‌ای؛ فرصت‌ها و چالش‌ها»
برنامه‌‌‌نو‌یسی هوش مصنوعی مناسب و معقول برای بخش کوچکی از بازی کار چالش برانگیزی است. ساختن عامل هوشمندی که بتواند رفتار پیچیده و انسان نما داشته باشد، یکی از المان های سرگرم کننده بازی است، یکی از راه‌های پیاده سازی این امر به صورت اتوماتیک استفاده از یادگیری ماشین است. یادگیری تقویتی عمیق یکی از شاخه‌های یادگیری ماشین است که در آن عامل به‌وسیله انجام اعمال در محیط و گرفتن پاداش آموزش می‌بیند و تابع تخمین‌زننده یادگیری تقویتی، شبکه عصبی است. هدف مقاله استفاده از یادگیری تقویتی عمیق برای آموزش عامل هوشمند در فضای بازی است، بازی مورد آزمایش بازی غار اژدها است. نتایج به‌دست آمده نماینگر عملکرد خوب الگوریتم PPO در تولید عامل هوشمند است.
۱۳۹۷-۰۹
کنفرانس تحقیقات بازی های دیجیتال؛گرایش ها،فناوری ها و کاربردها
(برترین مقاله در بخش فنی و مهندسی) بازی های ویدیویی، اگر بسیار آسان باشند، خسته کننده و کسالت آور میشوند، و غیرقابل تحمل میشوند، اگر بسیار سخت باشند. بیشتر بازی های فردی، قابلیت تنظیم درجه سختی بازی را دارند، اما به طور معمول این تنظیم به صورت استاتیک است و از آنجا که عموما برای بازیکن ها تخمین توانایی شان در بازی دشوار است، در نهایت بازیای که صورت میگیرد بسیار دشوار یا بسیار آسان میشود. این پژوهش روش تنظیم پویای درجه سختی بازی با استفاده از یادگیری تقویتی عمیق پیشنهاد داده است که تجربه بازی مطلوبی را برای انواع مختلف بازیکنان ایجاد کند. در این روش عامل هوشمند در طول بازی با توجه به عملکرد بازیکن انتخاب های بهینه انجام میدهد و در صورتی که بر اساس شاخص سختی بازی، درجه سختی همسان نباشد، انتخاب های کمتر از بهینه میکند. ایده اصلی پژوهش استفاده از یادگیری عمیق، جهت تبدیل مشکل یادگیری به یک مشکل بهینه سازی برای ساخت هوش مصنوعی تطبیقی است.
۱۳۹۶-۰۷
کنفرانس تحقیقات بازی های دیجیتال؛گرایش ها،فناوری ها و کاربردها
در بازیهای کامپیوتری، شخصیتها یا حریفانی مصنوعی هستند که نشان از رفتارهای هوشمندانه پیچیده ای دارند و درارتقا المانهای سرگرم کننده بازی بسیار موثرند. برای ساخت این رفتارها باید آنها را در زبان برنامه نویسی پیاده کرد که کاری بسیار دشوار و زمانبر است. یکی از راههای آسان سازی این امر، یادگیری از طریق مشاهده است. فرآیندی که در آن عامل به وسیله مشاهده عملیات آموزش میبیند و در هوش مصنوعی و روباتیک روشی است برای آموزش عامل هوشمند در یک عملیات، بدون پیاده سازی مستقیم دستورات. هدف مقاله پیاده سازی عامل هوشمند در بازیهای آنلاین با الگوریتم های یادگیری ماشین و با استفاده ازλ Probabilistic finite-state automata است. بازی مورد آزمایش بازی غار اژدها است. نتایج به دست آمده نمایانگر عملکرد خوبλ_PFAدر تولید عامل هوشمند است.
۱۳۹۶-۰۷
کنفرانس تحقیقات بازی های دیجیتال؛گرایش ها،فناوری ها و کاربردها
(برترین مقاله در بخش فنی و مهندسی) هدف این مقاله تحقیق بر رابطه بین ویژگیهای یک بازی و میزان موفقیت آن از نظر معیار درآمد است. مطالعه بر روی 31 ویژگی از بازیها انجام گرفته، میزان درآمد این بازیها، براساس موقعیت آنها در کافه بازار ایران اندازه گیری شده، سپس این اطلاعات با مدل رگرسیون خطی و درخت تصمیم مدل شده است. مدل رگرسیون برای نمایش تاثیر ویژگیها بر موفقیت بازیها و درخت تصمیم برای شناسایی الگوهای پرتکرار بازیهای موفق، ارایه میشوند
مهارت ها
| ۱نفر
| ۱نفر
| ۱نفر
| ۱نفر
| ۱نفر
| ۱نفر
| ۱نفر
| ۱نفر
زبان ها
انگلیسی | حرفه‌ای
توانایی خواندن متون، نوشتن نامه و درک و بیان جملات
توضیحات