نگارش پایان نامه برای دانشجویان هوش مصنوعی: راهنمای جامع از انتخاب موضوع تا دفاع موفق
💡 خلاصه مسیر موفقیت در پایان نامه هوش مصنوعی (اینفوگرافیک)
1. انتخاب و تعریف مسئله
- ✅ نوآوری و اهمیت
- ✅ منابع داده
- ✅ قابلیت اجرا
2. مرور ادبیات تخصصی
- 📚 مقالات روز
- 📚 شناسایی گپها
- 📚 الگوبرداری
3. طراحی متدولوژی AI
- ⚙️ مدلها و الگوریتمها
- ⚙️ جمعآوری داده
- ⚙️ معیارهای ارزیابی
4. پیادهسازی و آزمایش
- 💻 ابزار و زبانها
- 💻 مستندسازی کد
- 💻 اعتباردهی مدل
5. نگارش و دفاع
- ✍️ ساختار استاندارد
- ✍️ نتایج روشن
- ✍️ آمادگی برای پرسش
با پیروی از این گامها، مسیر نگارش پایاننامه هوش مصنوعی شما هموار خواهد شد.
نگارش پایاننامه، اوج دوران تحصیلات تکمیلی است و برای دانشجویان هوش مصنوعی، این مسیر میتواند هم چالشبرانگیز و هم فوقالعاده الهامبخش باشد. هوش مصنوعی (AI) یک حوزه با پویایی بینظیر است که پیوسته در حال تکامل است و هر روز شاهد نوآوریهای جدید در آن هستیم. بنابراین، پرداختن به یک موضوع در این زمینه، نیازمند درک عمیق، تحلیل دقیق و رویکردی ساختاریافته است. این راهنما با هدف ارائه یک نقشه راه جامع، از انتخاب موضوع و مرور ادبیات گرفته تا پیادهسازی، تحلیل نتایج و نهایتاً دفاع، تدوین شده است تا دانشجویان این رشته بتوانند با اطمینان خاطر بیشتری در مسیر نگارش پایاننامه خود گام بردارند. موسسات معتبری همچون موسسه انجام پایان نامه پرواسکیل، همواره بر اهمیت رویکرد علمی و عملی در نگارش پایاننامههای مرتبط با هوش مصنوعی تاکید دارند.
فهرست مطالب
- انتخاب موضوع پایاننامه در حوزه هوش مصنوعی
- اهمیت مرور ادبیات و گپهای تحقیقاتی
- طراحی متدولوژی و جمعآوری داده
- مراحل پیادهسازی و آزمایش مدلهای AI
- تحلیل نتایج و بحث علمی
- ملاحظات اخلاقی در پروژههای هوش مصنوعی
- ساختار استاندارد پایاننامه هوش مصنوعی
- نکات مهم در نگارش و ویرایش
- آمادگی برای جلسه دفاع
- چالشهای رایج و راهکارهای غلبه بر آنها
انتخاب موضوع پایاننامه در حوزه هوش مصنوعی
اولین و شاید حیاتیترین گام در مسیر نگارش پایاننامه، انتخاب یک موضوع مناسب است. در هوش مصنوعی، که شاخههای متنوعی از یادگیری ماشین، پردازش زبان طبیعی، بینایی ماشین گرفته تا رباتیک و سیستمهای خبره را شامل میشود، این انتخاب میتواند کمی پیچیده باشد. یک موضوع خوب باید سه ویژگی اصلی داشته باشد: نوآورانه باشد، قابلیت اجرا داشته باشد و علاقه شخصی شما را برانگیزد.
معیارهای انتخاب موضوع ایدهآل
- تازگی و نوآوری: آیا موضوع شما به یک مسئله حلنشده میپردازد یا راهکاری جدید برای یک مسئله موجود ارائه میدهد؟ در هوش مصنوعی، همواره جای کار برای بهبود الگوریتمها، کشف کاربردهای جدید یا ترکیب روشهای مختلف وجود دارد.
- اهمیت علمی و کاربردی: پروژه شما چه ارزشی برای جامعه علمی یا صنعت هوش مصنوعی خواهد داشت؟ آیا میتواند به حل مشکلی واقعی کمک کند؟
- دسترسی به دادهها و منابع: در هوش مصنوعی، دسترسی به مجموعه دادههای (Dataset) مناسب، یکی از بزرگترین چالشهاست. قبل از نهایی کردن موضوع، مطمئن شوید که دادههای لازم برای انجام آزمایشها و اعتبارسنجی مدل خود را میتوانید تهیه کنید یا خودتان قادر به تولید آن هستید. اطلاعات بیشتر در زمینه منابع دادههای بزرگ میتواند کمککننده باشد.
- قابلیت اجرا در مدت زمان مشخص: دامنه پروژه خود را واقعبینانه در نظر بگیرید. پروژهای که بیش از حد جاهطلبانه باشد، ممکن است در زمان مقرر به اتمام نرسد.
- علاقه شخصی و تخصص استاد راهنما: کار روی موضوعی که به آن علاقه دارید، انگیزه شما را بالا میبرد. همچنین، همکاری با استادی که در زمینه موضوع شما تخصص دارد، میتواند راهنماییهای ارزشمندی را به همراه داشته باشد.
چگونه ایدههای اولیه را توسعه دهیم؟
پس از انتخاب حوزهای کلی، باید ایدههای خود را مشخصتر کنید. شرکت در سمینارها، خواندن مقالات جدید در کنفرانسهای معتبر (مانند NeurIPS, ICML, AAAI) و مجلات علمی (مانند JMLR, IEEE T-PAMI) و مشورت با اساتید، منابع خوبی برای الهام گرفتن هستند. همچنین، بررسی پروژههای اخیر دانشگاهی میتواند دید مناسبی به شما بدهد.
اهمیت مرور ادبیات و گپهای تحقیقاتی
مرور ادبیات (Literature Review) تنها جمعآوری اطلاعات نیست؛ بلکه فرآیند درک، تحلیل و ترکیب دانش موجود است. این بخش به شما کمک میکند تا جایگاه تحقیق خود را در میان کارهای قبلی مشخص کنید و نشان دهید که چرا پروژه شما لازم و مهم است.
راهکارهای یک مرور ادبیات مؤثر
- جستجوی جامع: از پایگاههای داده علمی مانند Google Scholar, Scopus, Web of Science, arXiv و ACM Digital Library استفاده کنید. کلمات کلیدی مرتبط با موضوع خود را به دقت انتخاب کنید.
- شناسایی مقالات کلیدی (Pivotal Papers): به دنبال مقالاتی باشید که اساس بسیاری از تحقیقات بعدی در حوزه شما بودهاند. این مقالات معمولاً دارای ارجاعات (citations) بالایی هستند.
- تحلیل انتقادی: فقط به خلاصه کردن مقالات بسنده نکنید. نقاط قوت و ضعف هر تحقیق، متدولوژیهای به کار رفته، نتایج حاصل و محدودیتهای آنها را بررسی و نقد کنید.
- شناسایی گپهای تحقیقاتی: مهمترین خروجی مرور ادبیات، یافتن “گپهای تحقیقاتی” (Research Gaps) است. این گپها، سوالات یا مشکلاتی هستند که هنوز در ادبیات موجود به طور کامل پاسخ داده نشدهاند و پروژه شما میتواند به آنها بپردازد.
- سازماندهی مطالب: مقالات را بر اساس موضوع، روششناسی، سال انتشار یا نتایج، دستهبندی کنید. استفاده از نرمافزارهای مدیریت رفرنس مانند Mendeley یا Zotero برای مدیریت منابع علمی بسیار توصیه میشود.
طراحی متدولوژی و جمعآوری داده
بخش متدولوژی، قلب هر پایاننامه علمی است، جایی که شما به وضوح توضیح میدهید چگونه قصد دارید به اهداف تحقیق خود دست یابید. در هوش مصنوعی، این بخش شامل انتخاب مدلها، الگوریتمها، نحوه جمعآوری و پیشپردازش دادهها و معیارهای ارزیابی است.
مراحل طراحی متدولوژی در AI
- تعریف مسئله: ابتدا، مسئلهای که هوش مصنوعی شما قرار است حل کند را به طور رسمی تعریف کنید. این شامل ورودیها، خروجیها و اهداف سیستم است.
- انتخاب مدل/الگوریتم: با توجه به نوع مسئله (دستهبندی، رگرسیون، خوشهبندی، تولید محتوا و غیره)، مدلهای مناسب هوش مصنوعی را انتخاب کنید. این میتواند شامل شبکههای عصبی عمیق (CNN, RNN, Transformers)، SVM، درخت تصمیم و یا مدلهای تقویتی باشد.
-
جمعآوری و پیشپردازش دادهها:
- منابع داده: از مجموعه دادههای عمومی (مانند ImageNet, MNIST, SQuAD, Kaggle) استفاده کنید یا خودتان دادهها را جمعآوری کنید.
- پیشپردازش (Preprocessing): دادههای خام معمولاً نیاز به تمیزکاری، نرمالسازی، مقیاسبندی و تبدیل دارند. این مرحله برای اطمینان از کیفیت و سازگاری دادهها با مدل شما حیاتی است. اطلاعات بیشتر در زمینه پاکسازی داده بسیار مهم است.
- تقسیم دادهها: مجموعه داده را به زیرمجموعههای آموزش (Training), اعتبارسنجی (Validation) و آزمون (Test) تقسیم کنید تا از ارزیابی بیطرفانه مدل اطمینان حاصل شود.
- معیارهای ارزیابی (Evaluation Metrics): معیارهای کمی و کیفی را برای ارزیابی عملکرد مدل خود مشخص کنید (مثلاً دقت، بازیابی، F1-score، AUC، MSE، R-squared).
- تنظیم هایپرپارامترها و اعتبارسنجی متقابل: توضیح دهید چگونه هایپرپارامترهای مدل خود را تنظیم میکنید و از تکنیکهای اعتبارسنجی متقابل (Cross-validation) برای بهبود پایداری نتایج استفاده میکنید.
مراحل پیادهسازی و آزمایش مدلهای AI
پس از طراحی متدولوژی، نوبت به پیادهسازی عملی و اجرای آزمایشها میرسد. این بخش جنبه عملی پروژه شما را نشان میدهد و شامل کدنویسی، آموزش مدلها و جمعآوری نتایج است.
نکات کلیدی در پیادهسازی
- انتخاب زبان برنامهنویسی و فریمورک: پایتون با کتابخانههایی مانند TensorFlow, PyTorch, Keras و Scikit-learn، انتخاب رایجی در هوش مصنوعی است. توضیح دهید چرا این ابزارها را انتخاب کردهاید.
- مدیریت کد: از سیستمهای کنترل نسخه مانند Git برای مدیریت و ردیابی تغییرات در کد خود استفاده کنید. این کار در همکاریهای تیمی نیز بسیار مهم است.
- مستندسازی کد: کد خود را به خوبی مستندسازی کنید تا برای دیگران و حتی خودتان در آینده قابل درک باشد. توضیحات کافی در مورد هر بخش از کد، ورودیها، خروجیها و منطق آن ارائه دهید.
- منابع محاسباتی: پروژههای هوش مصنوعی، به خصوص یادگیری عمیق، نیازمند منابع محاسباتی قوی (GPU) هستند. توضیح دهید از چه منابعی (سیستم شخصی، سرورهای دانشگاه، سرویسهای ابری مانند Google Colab Pro, AWS, Azure) استفاده کردهاید.
- انجام آزمایشها و جمعآوری دادهها: آزمایشهای خود را به دقت اجرا کرده و نتایج حاصل از هر سناریو و تنظیمات مختلف را ثبت کنید. برای اطمینان از اعتبار، ممکن است نیاز باشد چندین بار آزمایشها را تکرار کنید.
تحلیل نتایج و بحث علمی
این بخش جایی است که شما نتایج خام به دست آمده از آزمایشهای خود را تفسیر میکنید و به سوالات تحقیق خود پاسخ میدهید. تحلیل نتایج نه تنها بیان اعداد و ارقام است، بلکه توضیح میدهد این اعداد چه معنایی دارند و چگونه به اهداف پروژه مرتبط میشوند.
نحوه ارائه و تحلیل نتایج
- ارائه شفاف نتایج: از جداول، نمودارها و اینفوگرافیکها برای نمایش بصری و قابل فهم نتایج خود استفاده کنید. نتایج باید به گونهای ارائه شوند که خواننده بتواند به راحتی عملکرد مدل شما را درک کند.
- مقایسه با کارهای قبلی: نتایج خود را با کارهای مشابهی که در مرور ادبیات ذکر کردهاید، مقایسه کنید. آیا مدل شما بهتر عمل میکند؟ چرا؟ اگر نه، دلایل آن چیست؟
- تفسیر آماری: از تحلیلهای آماری برای تأیید معنیداری نتایج خود استفاده کنید.
-
بحث و تفسیر:
- نتایج چه چیزی به ما میگویند؟ آیا فرضیههای شما تأیید شدهاند؟
- به محدودیتهای مطالعه خود صادقانه اشاره کنید. هیچ پروژهای کامل نیست و اشاره به محدودیتها نشاندهنده درک عمیق شما از تحقیق است.
- پیشنهاداتی برای کارهای آینده ارائه دهید. این میتواند شامل بهبود مدل، استفاده از دادههای بیشتر یا بررسی کاربردهای جدید باشد.
ملاحظات اخلاقی در پروژههای هوش مصنوعی
با رشد سریع هوش مصنوعی، توجه به ابعاد اخلاقی این فناوری اهمیت فزایندهای یافته است. پایاننامه شما باید نشان دهد که شما از این ملاحظات آگاه هستید و آنها را در طراحی و اجرای پروژه خود در نظر گرفتهاید.
جنبههای اخلاقی کلیدی در AI
- حریم خصوصی دادهها: اگر با دادههای حساس یا شخصی کار میکنید، چگونه حریم خصوصی افراد را حفظ کردهاید؟ (مثلاً با ناشناسسازی دادهها).
- سوگیری (Bias): آیا مدل شما ممکن است دچار سوگیری باشد (به دلیل دادههای آموزشی یا طراحی الگوریتم) و نتایج ناعادلانهای تولید کند؟ چگونه این سوگیری را کاهش دادهاید یا حداقل آن را تشخیص دادهاید؟ این مسئله در سیستمهای تصمیمگیری خودکار بسیار حیاتی است.
- شفافیت و قابلیت توضیحپذیری (Explainability): آیا میتوانید نحوه عملکرد مدل خود را توضیح دهید؟ در برخی کاربردها (مانند پزشکی یا قضایی)، قابلیت توضیحپذیری مدلهای AI اهمیت زیادی دارد.
- امنیت: آیا مدل شما در برابر حملات خصمانه (Adversarial Attacks) مقاوم است؟
- تأثیرات اجتماعی: آیا پروژه شما میتواند تأثیرات منفی اجتماعی داشته باشد؟ چگونه آنها را به حداقل رساندهاید؟
ساختار استاندارد پایاننامه هوش مصنوعی
یک پایاننامه خوب، ساختاری منطقی و پیوسته دارد که خواننده را از مسئله تا راهحل و نتایج، هدایت میکند. اگرچه جزئیات ساختار ممکن است بین دانشگاهها کمی متفاوت باشد، اما الگوی کلی زیر برای پایاننامههای هوش مصنوعی رایج است.
| فصل | محتوای اصلی |
|---|---|
| فصل ۱: مقدمه | معرفی کلی موضوع، بیان مسئله، اهمیت تحقیق، اهداف، فرضیهها و ساختار پایاننامه. |
| فصل ۲: مرور ادبیات | بررسی و تحلیل تحقیقات قبلی، شناسایی گپهای تحقیقاتی و جایگاه کار شما. |
| فصل ۳: روش تحقیق (متدولوژی) | شرح جزئیات مدلها و الگوریتمهای AI، جمعآوری داده، پیشپردازش، معیارهای ارزیابی و تنظیمات آزمایشها. |
| فصل ۴: پیادهسازی و آزمایشها | توضیح جزئیات پیادهسازی، ابزارهای استفاده شده، روند انجام آزمایشها و دادههای خام جمعآوری شده. |
| فصل ۵: نتایج و بحث | ارائه و تحلیل نتایج به دست آمده، مقایسه با کارهای قبلی، بحث در مورد دلایل و پیامدها. |
| فصل ۶: نتیجهگیری و پیشنهادات | خلاصه یافتههای اصلی، محدودیتهای تحقیق و پیشنهاداتی برای کارهای آینده. |
| منابع | لیست کامل تمامی منابع علمی که در پایاننامه به آنها ارجاع داده شده است. |
| ضمائم (اختیاری) | کدها، مجموعه دادهها، نتایج جزئی، شواهد تکمیلی که حجم زیادی دارند. |
نکات مهم در نگارش و ویرایش
یک پایاننامه با محتوای علمی قوی، اگر خوب نگارش و ویرایش نشده باشد، تأثیرگذاری لازم را نخواهد داشت. وضوح، دقت و انسجام از اصول اساسی نگارش علمی هستند.
راهنمای نگارش مؤثر
- زبان و سبک: از زبان رسمی و آکادمیک استفاده کنید. جملات باید روشن، مختصر و دقیق باشند. از اصطلاحات تخصصی هوش مصنوعی به درستی استفاده کنید.
- انسجام و پیوستگی: اطمینان حاصل کنید که هر پاراگراف و هر فصل به فصلهای قبل و بعد خود متصل است. جریان منطقی مطالب را حفظ کنید.
- ارجاعدهی صحیح: تمامی منابعی که استفاده کردهاید را به درستی ارجاع دهید. از یک سبک ارجاعدهی ثابت (مانند APA, IEEE) استفاده کنید. رعایت اصول ارجاعدهی علمی برای جلوگیری از سرقت ادبی ضروری است.
- ویرایش دقیق: پس از اتمام نگارش، متن را چندین بار ویرایش کنید. از نظر گرامری، املایی و نگارشی، هیچ غلطی نباید وجود داشته باشد. خواندن متن توسط یک فرد دیگر میتواند به شناسایی اشتباهات کمک کند.
- خلاصه نویسی (Abstract): خلاصه پایاننامه باید جامع و مختصر باشد و تمامی جنبههای اصلی تحقیق (مقدمه، روش، نتایج و نتیجهگیری) را پوشش دهد. این بخش اغلب اولین چیزی است که خوانده میشود.
آمادگی برای جلسه دفاع
جلسه دفاع، فرصتی است تا شما کار خود را به هیئت داوران و جامعه علمی معرفی کنید و از آن دفاع نمایید. آمادگی کامل برای این جلسه، کلید موفقیت است.
مراحل آمادهسازی برای دفاع
- تهیه اسلاید: اسلایدها باید بصری، مختصر و شامل نکات کلیدی پایاننامه باشند. از تصاویر، نمودارها و ویدئوهای کوتاه (برای نمایش عملکرد مدل AI) استفاده کنید.
- تمرین ارائه: چندین بار ارائه خود را تمرین کنید. زمانبندی را رعایت کرده و روی بیان روان و اعتماد به نفس کار کنید. تمرین جلوی دوستان یا همکاران میتواند بسیار مفید باشد.
- پیشبینی سوالات: سعی کنید سوالاتی که ممکن است از شما پرسیده شود را پیشبینی کنید. این سوالات میتوانند در مورد محدودیتها، انتخاب متدولوژی، تفسیر نتایج یا کارهای آینده باشند. آمادهسازی پاسخهای دقیق و مستدل، اعتماد به نفس شما را افزایش میدهد.
- تسلط بر جزئیات: حتی اگر بخشهایی از کار را فرد دیگری (مثلاً در یک پروژه تیمی) انجام داده باشد، شما باید بر تمامی جزئیات آن تسلط داشته باشید.
- مدیریت استرس: دفاع، یک رویداد پراسترس است. از تکنیکهای مدیریت استرس استفاده کنید و مطمئن باشید که زحمات شما به ثمر خواهد نشست.
چالشهای رایج و راهکارهای غلبه بر آنها
مسیر نگارش پایاننامه هوش مصنوعی بدون چالش نیست. از مشکلات فنی گرفته تا مسائل مرتبط با زمانبندی و نگارش، دانشجویان ممکن است با موانعی روبرو شوند.
جدول چالشها و راهکارها
| چالش | راهکار |
|---|---|
| عدم دسترسی به دادههای کافی یا با کیفیت | استفاده از مجموعه دادههای عمومی (Public Datasets)، تولید دادههای مصنوعی (Synthetic Data)، تکنیکهای Data Augmentation یا مشاوره با متخصصین جمعآوری داده. |
| مشکلات فنی در پیادهسازی و کدنویسی | استفاده از مستندات کتابخانهها و فریمورکها، جستجو در Stack Overflow و GitHub، مشورت با همکاران و اساتید، و شکستن مسئله به بخشهای کوچکتر. |
| عملکرد ضعیف مدلهای AI | بررسی خطاهای دادهای، تنظیم هایپرپارامترها، تغییر معماری مدل، استفاده از تکنیکهای Regularization، یا امتحان کردن مدلهای دیگر. |
| مشکل در سازماندهی و نگارش محتوا | ایجاد یک طرح کلی (Outline) دقیق، نوشتن بخشها به صورت مرحلهای، ویرایش منظم، و کمک گرفتن از سرویسهای ویرایش پایاننامه. |
| مدیریت زمان و مقابله با اهمالکاری | تعیین جدول زمانی واقعبینانه، تقسیم کار به وظایف کوچکتر، تعیین اهداف هفتگی و روزانه، و استفاده از ابزارهای مدیریت پروژه. |
مواجهه با این چالشها بخشی طبیعی از فرآیند پژوهش است. مهم این است که با صبر و پشتکار و با استفاده از راهکارهای مناسب، آنها را پشت سر بگذارید. استفاده از تجربیات دانشجویان قبلی، مشاوره با اساتید و حتی استفاده از خدمات تخصصی در زمینههایی که نیاز به کمک بیشتری دارید، میتواند بسیار راهگشا باشد.
آیا برای نگارش پایاننامه هوش مصنوعی خود به مشاوره تخصصی نیاز دارید؟
مسیر نگارش پایاننامه میتواند پیچیده و طاقتفرسا باشد. اگر در هر مرحله از انتخاب موضوع تا تحلیل نتایج و دفاع، نیاز به راهنماییهای حرفهای دارید، موسسه انجام پایان نامه پرواسکیل با تیمی از متخصصین مجرب در حوزه هوش مصنوعی، آماده ارائه مشاوره و پشتیبانی جامع به شماست.
این مقاله به صورت جامع و با در نظر گرفتن تمامی ابعاد نگارش پایاننامه در حوزه هوش مصنوعی تهیه شده است تا راهنمایی ارزشمند برای دانشجویان عزیز باشد.
/* General Responsive Styles – though inline CSS often overrides, these are good practice for overall page */
body {
font-family: ‘B Nazanin’, Arial, sans-serif; /* Fallback to Arial, sans-serif if B Nazanin isn’t available */
margin: 0;
padding: 0;
background-color: #f4f7f6; /* Light background for the whole page */
direction: rtl; /* Right-to-left for Persian */
}
@media (max-width: 768px) {
h1 {
font-size: 2em !important;
padding: 15px 0 !important;
margin-bottom: 25px !important;
}
h2 {
font-size: 1.8em !important;
margin-top: 30px !important;
margin-bottom: 15px !important;
padding-bottom: 8px !important;
}
h3 {
font-size: 1.4em !important;
margin-top: 25px !important;
margin-bottom: 10px !important;
}
p, ul, ol, table, div {
font-size: 1em !important;
line-height: 1.7 !important;
}
.cta-button {
padding: 12px 25px !important;
font-size: 1.1em !important;
}
.info-graphic-card {
flex: 1 1 100% !important; /* Stack infographic cards on small screens */
max-width: 100% !important;
}
table {
width: 100% !important;
display: block;
overflow-x: auto; /* Ensure tables are scrollable on small screens */
white-space: nowrap;
}
td, th {
white-space: normal; /* Allow text to wrap within cells */
}
}
@media (max-width: 480px) {
h1 {
font-size: 1.8em !important;
padding: 10px 0 !important;
margin-bottom: 20px !important;
}
h2 {
font-size: 1.6em !important;
margin-top: 25px !important;
margin-bottom: 12px !important;
padding-bottom: 6px !important;
}
h3 {
font-size: 1.3em !important;
margin-top: 20px !important;
margin-bottom: 8px !important;
}
.cta-button {
padding: 10px 20px !important;
font-size: 1em !important;
}
}
a {
text-decoration: none;
}
a:hover {
text-decoration: underline;
}
/* Custom font import (if available/needed, otherwise relies on system fonts) */
@font-face {
font-family: ‘B Nazanin’;
src: url(‘path/to/BNazanin.woff2’) format(‘woff2’),
url(‘path/to/BNazanin.woff’) format(‘woff’);
font-weight: normal;
font-style: normal;
}
@font-face {
font-family: ‘B Nazanin’;
src: url(‘path/to/BNazanin-Bold.woff2’) format(‘woff2’),
url(‘path/to/BNazanin-Bold.woff’) format(‘woff’);
font-weight: bold;
font-style: normal;
}