انجام پایان نامه تخصصی هوش مصنوعی
در دنیای پرشتاب امروز، هوش مصنوعی (AI) نه تنها به یک رشته علمی پیشرو تبدیل شده، بلکه به ستون فقرات نوآوری در صنایع مختلف مبدل گشته است. انجام پایان نامه در این حوزه، دروازهای به سوی آینده شغلی درخشان و فرصتهای بینظیر پژوهشی میگشاید. اما مسیر نگارش یک پایاننامه تخصصی هوش مصنوعی، مملو از چالشهای فنی، نظری و نگارشی است. انتخاب موضوع مناسب، دستوپنجه نرم کردن با الگوریتمهای پیچیده، جمعآوری و تحلیل دادههای حجیم، و در نهایت نگارش منسجم و علمی، همگی نیازمند دانش عمیق، مهارت عملی و تجربه کافی است. در موسسه انجام پایان نامه پرواسکیل، با تکیه بر تخصص و تجربه گسترده تیم علمی خود، شما را در تمامی این مراحل یاری میکنیم تا پایاننامهای درخشان و قابل دفاع ارائه دهید.
آینده شما از همین امروز شروع میشود. برای شروع مسیر، روی ما حساب کنید.
🧠 نقشه راه موفقیت در پایاننامه هوش مصنوعی (اینفوگرافیک متنی) 🚀
💡
گام ۱: انتخاب موضوع هوشمندانه
جدید، مرتبط با صنعت، دادهمحور، دارای پتانسیل نوآوری. اجتناب از تکرار و ابهام.
📚
گام ۲: مرور ادبیات جامع
شناسایی شکافهای پژوهشی، درک وضعیت فعلی، استناد به منابع معتبر و بهروز.
⚙️
گام ۳: انتخاب روششناسی و ابزار
الگوریتمهای ML/DL، زبانهای Python/R، فریمورکهای TensorFlow/PyTorch. تطابق با مسئله.
📊
گام ۴: جمعآوری و پیشپردازش داده
کیفیت داده، پاکسازی، مهندسی ویژگی. حل چالش دادههای نویزدار و ناکافی.
📝
گام ۵: نگارش علمی و منسجم
ساختار منطقی، استناد صحیح، پرهیز از سرقت ادبی، ارائه نتایج شفاف.
🎤
گام ۶: آمادگی برای دفاع
تسلط بر محتوا، ارائه اثربخش، پاسخگویی به سوالات داوران با اعتماد به نفس.
چرا هوش مصنوعی برای پایاننامه؟ فرصتها و اهمیت
هوش مصنوعی دیگر تنها یک کلمه کلیدی در مقالات علمی نیست، بلکه به نیروی محرکه تحولات در حوزههایی چون پزشکی، مالی، حمل و نقل، آموزش و صنعت تبدیل شده است. این گستردگی کاربرد، زمینههای بیشماری را برای پژوهشهای نوآورانه فراهم میآورد. با انتخاب موضوعی در حوزه هوش مصنوعی، شما نه تنها به حل مسائل پیچیده دنیای واقعی کمک میکنید، بلکه مسیر شغلی خود را نیز در یکی از پرتقاضاترین و پردرآمدترین حوزههای فناوری هموار میسازید. تقاضا برای متخصصان هوش مصنوعی در بازار کار جهانی بهسرعت در حال افزایش است و یک پایاننامه قوی و تخصصی میتواند بلیط ورود شما به این بازار باشد. علاوه بر این، پژوهش در هوش مصنوعی نیازمند تفکر خلاقانه و حل مسئله است که به تقویت تواناییهای تحلیلی و مهارتهای برنامهنویسی شما کمک شایانی میکند.
- ✓ نوآوری بیپایان: هوش مصنوعی همچنان در حال تکامل است و هر روز مرزهای جدیدی را فتح میکند.
- ✓ فرصتهای شغلی فراوان: از مهندسی یادگیری ماشین تا دانشمند داده و محقق AI.
- ✓ تاثیر اجتماعی گسترده: حل مشکلات جهانی از سلامت تا محیط زیست.
چالشهای انتخاب موضوع در هوش مصنوعی و راه حلها
انتخاب موضوع اولین و یکی از مهمترین گامها در مسیر انجام پایاننامه است، بهویژه در حوزهای به وسعت هوش مصنوعی. دانشجویان اغلب با این چالشها مواجه میشوند:
- نوآوری و عدم تکرار: پیدا کردن موضوعی که قبلاً به طور گسترده پژوهش نشده باشد و پتانسیل افزودن به دانش موجود را داشته باشد، دشوار است.
- دسترسی به داده: بسیاری از پروژههای هوش مصنوعی نیازمند مجموعهدادههای (Dataset) بزرگ و با کیفیت هستند که دسترسی به آنها همیشه آسان نیست.
- محدوده پروژه (Scope): تعیین مرزهای واقعبینانه برای پروژه، نه خیلی کوچک و نه خیلی بزرگ، حیاتی است.
- منابع و ابزار: اطمینان از دسترسی به منابع محاسباتی و نرمافزاری لازم برای پیادهسازی.
- اخلاقیات: ملاحظات اخلاقی در استفاده از دادهها و کاربردهای هوش مصنوعی، بهویژه در حوزههای حساس.
راه حل: انتخاب موضوعی هوشمندانه و عملیاتی
برای غلبه بر این چالشها، توصیه میشود:
(برای راهنمای جامع انتخاب موضوع پایان نامه اینجا کلیک کنید)
- همسو با علایق و تخصص استاد: موضوعی را انتخاب کنید که با زمینه تحقیقاتی استاد راهنمای شما همپوشانی داشته باشد.
- مطالعه عمیق ادبیات: با مطالعه جدیدترین مقالات و کنفرانسها، شکافهای پژوهشی و سوالات بیپاسخ را پیدا کنید.
- بررسی دسترسی به دادهها: پیش از نهایی کردن موضوع، مطمئن شوید که دادههای لازم قابل دسترس هستند یا امکان تولید آنها را دارید. وبسایتهایی مانند Kaggle، UCI Machine Learning Repository و Google Datasets منابع خوبی هستند.
- مشاوره با متخصصین: از تجربه افراد متخصص در موسسه انجام پایان نامه پرواسکیل برای ارزیابی پتانسیل و چالشهای موضوع بهرهمند شوید.
- توجه به کاربرد عملی: موضوعاتی که دارای کاربرد عملی در صنعت یا جامعه هستند، ارزش بالاتری دارند و انگیزه شما را نیز حفظ میکنند.
مراحل کلیدی انجام پایاننامه هوش مصنوعی
پایاننامه هوش مصنوعی نیز مانند هر پژوهش علمی دیگری، از یک ساختار استاندارد پیروی میکند. درک صحیح این مراحل و برنامهریزی دقیق برای هر یک، کلید موفقیت است.
روششناسیهای پرکاربرد در پایاننامه هوش مصنوعی
قلب هر پایاننامه هوش مصنوعی، روششناسی آن است. انتخاب رویکرد صحیح، تعیین کننده کیفیت و اعتبار نتایج شما خواهد بود. برخی از پرکاربردترین روششناسیها عبارتند از:
- یادگیری ماشین (Machine Learning): شامل الگوریتمهای یادگیری نظارت شده (Supervised Learning) مانند رگرسیون و طبقهبندی (SVM, Decision Trees, Random Forest)، یادگیری بدون نظارت (Unsupervised Learning) مانند خوشهبندی (K-Means, DBSCAN) و کاهش ابعاد (PCA)، و یادگیری تقویتی (Reinforcement Learning) که در رباتیک و بازیها کاربرد دارد.
(آشنایی با الگوریتمهای یادگیری عمیق) - یادگیری عمیق (Deep Learning): زیرمجموعهای قدرتمند از یادگیری ماشین که از شبکههای عصبی عمیق استفاده میکند.
- شبکههای عصبی کانولوشنی (CNN): عمدتاً برای بینایی ماشین و تحلیل تصویر.
- شبکههای عصبی بازگشتی (RNN) و LSTM/GRU: برای پردازش دادههای توالیمحور مانند زبان طبیعی و سریهای زمانی.
- ترانسفورمرها (Transformers): انقلاب جدید در پردازش زبان طبیعی و حوزههای دیگر.
- پردازش زبان طبیعی (NLP): تمرکز بر تعامل کامپیوترها با زبان انسانی، شامل ترجمه ماشینی، تحلیل احساسات، خلاصهسازی متن.
- بینایی ماشین (Computer Vision): امکان دیدن و درک تصاویر و ویدیوها توسط کامپیوترها، کاربرد در تشخیص چهره، رانندگی خودکار.
- هوش مصنوعی توضیحپذیر (Explainable AI – XAI): درک چگونگی تصمیمگیری مدلهای هوش مصنوعی، که در حوزههای حساس مانند پزشکی و مالی اهمیت زیادی دارد.
انتخاب روششناسی بستگی به نوع مسئله، ماهیت دادهها و اهداف تحقیق شما دارد. مشاوره با اساتید و متخصصان موسسه انجام پایان نامه پرواسکیل میتواند در این مرحله به شما کمک کند تا بهترین رویکرد را انتخاب کنید و از ابتدا مسیر درستی را در پیش بگیرید.
ابزارها و زبانهای برنامهنویسی ضروری
پیادهسازی مدلهای هوش مصنوعی نیازمند تسلط بر ابزارها و زبانهای برنامهنویسی خاص است. انتخاب صحیح این ابزارها میتواند فرآیند توسعه و آزمایش را تسهیل کند.
-
پایتون (Python): زبان برنامهنویسی اصلی در حوزه هوش مصنوعی به دلیل سادگی، خوانایی و کتابخانههای قدرتمندش.
- کتابخانههای کلیدی: NumPy (محاسبات عددی)، Pandas (مدیریت داده)، Matplotlib و Seaborn (مصورسازی داده).
- فریمورکهای یادگیری ماشین/عمیق: TensorFlow, PyTorch, Keras, Scikit-learn.
- آر (R): زبان محبوب برای تحلیل آماری و مصورسازی دادهها، بهویژه در حوزههایی که نیاز به تحلیل عمیق آماری است.
-
فریمورکهای یادگیری عمیق:
- TensorFlow: توسعه یافته توسط گوگل، برای پروژههای مقیاس بزرگ و استقرار مدل.
- PyTorch: توسعه یافته توسط فیسبوک، محبوب در جامعه تحقیقاتی به دلیل انعطافپذیری.
- Keras: یک API سطح بالا که روی TensorFlow یا Theano اجرا میشود و توسعه سریع مدلها را امکانپذیر میسازد.
- پلتفرمهای ابری: AWS (Amazon Web Services), Google Cloud Platform (GCP), Microsoft Azure. این پلتفرمها دسترسی به منابع محاسباتی قدرتمند (GPU/TPU) و سرویسهای پیشساخته هوش مصنوعی را فراهم میکنند که برای مدلهای بزرگ و پروژههای پیچیده ضروری هستند.
چالش: پیچیدگی نصب و پیکربندی
یکی از مشکلات رایج، نصب و پیکربندی صحیح این ابزارها، بهویژه تنظیمات GPU است. این مرحله میتواند زمانبر و خستهکننده باشد. موسسه انجام پایان نامه پرواسکیل با ارائه راهنماییهای عملی و در صورت نیاز، کمک در نصب و پیکربندی محیط توسعه، این چالش را برای شما تسهیل میکند.
جمعآوری و پیشپردازش دادهها: سنگ بنای موفقیت
کیفیت دادهها، عامل اصلی موفقیت هر پروژه هوش مصنوعی است. حتی پیچیدهترین الگوریتمها نیز در صورت استفاده از دادههای بیکیفیت، نتایج مطلوبی نخواهند داشت. این بخش حیاتیترین و اغلب زمانبرترین مرحله در پروژه هوش مصنوعی است.
- منابع داده: میتواند شامل دادههای عمومی (Public Datasets)، دادههای اختصاصی (Proprietary Data) از سازمانها، یا دادههایی باشد که خودتان جمعآوری میکنید (Web Scraping, Sensor Data).
- پاکسازی داده (Data Cleaning): حذف دادههای ناقص، تکراری، نویزدار یا خارج از محدوده (Outliers). این مرحله از دقت بالایی برخوردار است.
- تبدیل داده (Data Transformation): نرمالسازی (Normalization) یا استانداردسازی (Standardization) مقادیر عددی، تبدیل دادههای متنی به بردارهای عددی (Embedding).
- مهندسی ویژگی (Feature Engineering): ایجاد ویژگیهای جدید از ویژگیهای موجود که میتواند عملکرد مدل را به شدت بهبود بخشد. این بخش نیازمند درک عمیق از مسئله و دادههاست.
- تقویت داده (Data Augmentation): در مواردی که حجم دادهها کم است (بهویژه در بینایی ماشین)، با ایجاد تغییرات جزئی در دادههای موجود، حجم مجموعه داده را افزایش میدهیم.
- ملاحظات اخلاقی: اطمینان از رعایت حریم خصوصی و استفاده مسئولانه از دادهها، بهویژه در پروژههایی که با اطلاعات شخصی سروکار دارند.
(اهمیت اخلاق در پروژههای هوش مصنوعی)
مشکل: دادههای نویزدار، ناقص یا نامتعادل
بسیاری از دانشجویان با دادههایی مواجه میشوند که نویز زیادی دارند، بخشهایی از آنها ناقص است یا کلاسهای هدف به طور نامتعادل توزیع شدهاند. این مشکلات میتوانند باعث آموزش نادرست مدل و نتایج ضعیف شوند. موسسه انجام پایان نامه پرواسکیل با ارائه راهکارهای پیشرفته برای پیشپردازش دادهها و متعادلسازی مجموعهدادهها، به شما کمک میکند تا مدلی قوی و قابل اعتماد توسعه دهید.
نگارش پایاننامه: از مقدمه تا نتیجهگیری
پس از اتمام بخشهای پژوهشی و عملیاتی، نگارش علمی پایاننامه فرا میرسد. این مرحله نیازمند دقت، وضوح و رعایت استانداردهای آکادمیک است.
-
ساختار استاندارد:
- مقدمه: معرفی موضوع، اهمیت، سوالات تحقیق، اهداف و ساختار پایاننامه.
- مرور ادبیات: تحلیل جامع کارهای پیشین و شناسایی شکافها.
- روششناسی: شرح دقیق و شفاف نحوه انجام تحقیق (دادهها، الگوریتمها، ابزارها).
- پیادهسازی و نتایج: توضیح جزئیات پیادهسازی و ارائه نتایج به صورت جداول و نمودارها.
- بحث و نتیجهگیری: تفسیر نتایج، مقایسه با فرضیات، محدودیتها، و پیشنهاد برای کارهای آتی.
- سبک نگارش علمی: استفاده از زبانی دقیق، عینی و رسمی. پرهیز از ابهام و کلیگویی.
- استناددهی و رفرنسنویسی: رعایت دقیق فرمتهای استنادی (APA, IEEE, ISO و غیره) برای جلوگیری از سرقت ادبی.
- پرهیز از سرقت ادبی: تمامی مطالب باید با زبان خودتان نوشته شده و در صورت استفاده از منابع دیگر، به درستی استناد شود.
چالش: انسجام نگارشی و رعایت استانداردهای دانشگاهی
بسیاری از دانشجویان، بهویژه در پایاننامههای فنی مانند هوش مصنوعی، ممکن است در بخش نگارش علمی و تبدیل ایدههای پیچیده به متنی روان و منسجم با مشکل مواجه شوند. موسسه انجام پایان نامه پرواسکیل با ارائه خدمات ویرایش، بازخوانی و راهنمایی در اصول نگارش مقالات علمی و پایاننامه، به شما کمک میکند تا پایاننامهای با بالاترین استانداردهای دانشگاهی ارائه دهید.
دفاع از پایاننامه هوش مصنوعی
دفاع از پایاننامه، اوج تلاش شماست و فرصتی برای ارائه کار خود به هیئت داوران. آمادگی کامل برای این مرحله، به اندازه خود پژوهش اهمیت دارد.
- تهیه اسلایدها: اسلایدهایی واضح، جذاب و متمرکز بر نکات کلیدی (مشکل، روش، نتایج، مشارکت). پرهیز از شلوغی و متن زیاد.
- تمرین ارائه: چندین بار ارائه خود را تمرین کنید تا به زمانبندی و روانی کلام مسلط شوید.
- تسلط بر محتوا: آماده باشید تا به تمامی جزئیات فنی، روششناختی و نظری پایاننامهتان پاسخ دهید.
- آمادگی برای پرسش و پاسخ: پیشبینی سوالات احتمالی داوران (نقاط قوت، محدودیتها، کارهای آتی، دلایل انتخاب روشها).
- نمایش عملی (اختیاری): در صورت امکان و متناسب با موضوع، یک دمو کوتاه از پیادهسازی مدل میتواند بسیار تاثیرگذار باشد.
مشکل: اضطراب دفاع و عدم توانایی در انتقال مفاهیم پیچیده
ترس از سخنرانی و عدم توانایی در توضیح شفاف مفاهیم فنی و پیچیده هوش مصنوعی در زمان محدود، چالشهایی رایج هستند. موسسه انجام پایان نامه پرواسکیل با برگزاری جلسات مشاوره دفاع، بازخورد روی اسلایدها و شبیهسازی جلسه دفاع، به شما کمک میکند تا با اعتماد به نفس کامل و با آمادگی حداکثری در جلسه دفاع حاضر شوید.
نکات طلایی برای یک پایاننامه هوش مصنوعی متمایز
برای اینکه پایاننامه شما نه تنها قابل دفاع باشد، بلکه بدرخشد و تأثیرگذار باشد، به نکات زیر توجه کنید:
- نوآوری واقعی: حتی یک بهبود کوچک در یک الگوریتم موجود یا کاربردی جدید برای یک روش قدیمی، میتواند ارزش نوآورانه داشته باشد.
- رویکرد بین رشتهای: ترکیب هوش مصنوعی با رشتههای دیگر (مانند پزشکی، اقتصاد، علوم اجتماعی) میتواند به موضوعات بسیار جذاب و پرکاربردی منجر شود.
- تاثیر عملی: سعی کنید پروژه شما پتانسیل حل یک مشکل واقعی در صنعت یا جامعه را داشته باشد.
- توجه به اخلاقیات و شفافیت: بهویژه در هوش مصنوعی، مسائل مربوط به سوگیری (Bias)، حریم خصوصی و توضیحپذیری بسیار مهم هستند. به این جنبهها در کار خود بپردازید.
- مستندسازی دقیق: کدها، دادهها و تمامی مراحل را به دقت مستندسازی کنید تا کار شما قابل بازتولید و ادامه باشد.
با در نظر گرفتن این نکات، میتوانید پایاننامهای ارائه دهید که نه تنها الزامات دانشگاهی را برآورده میکند، بلکه به عنوان یک منبع علمی ارزشمند و یک نقطه عطف در مسیر حرفهای شما مطرح شود.
سوالات متداول (FAQ) در مورد انجام پایان نامه هوش مصنوعی
۱. چگونه میتوانم یک موضوع پایان نامه هوش مصنوعی نوآورانه انتخاب کنم؟
بهترین راه، مطالعه عمیق مقالات روز، بررسی روندهای جدید هوش مصنوعی در صنایع مختلف، و شناسایی “شکافهای پژوهشی” یا مسائلی است که هنوز به طور کامل حل نشدهاند. همچنین میتوانید یک روش موجود را به یک حوزه کاربردی جدید تعمیم دهید. مشاوره با اساتید و متخصصان موسسه انجام پایان نامه پرواسکیل نیز در این مرحله بسیار کمککننده است.
۲. اگر به مجموعه دادههای بزرگ دسترسی نداشته باشم، چه کاری باید انجام دهم؟
نبود دادههای بزرگ یک چالش رایج است. میتوانید از مجموعهدادههای عمومی (Public Datasets) استفاده کنید، به تکنیکهای تقویت داده (Data Augmentation) روی آورید، یا روی موضوعاتی تمرکز کنید که با دادههای کوچکتر نیز قابل بررسی هستند (مانند Few-Shot Learning). همچنین، برخی پروژهها نیازمند جمعآوری دادههای اولیه از طریق نظرسنجی یا آزمایشهای خاص هستند.
۳. برای انجام پایان نامه هوش مصنوعی، چه زبانهای برنامهنویسی و ابزارهایی را باید یاد بگیرم؟
زبان پایتون (Python) به دلیل کتابخانههای جامع (مانند TensorFlow, PyTorch, Keras, Scikit-learn) اصلیترین انتخاب است. همچنین آشنایی با R برای تحلیلهای آماری و Jupyter Notebook/Lab برای توسعه و مستندسازی کد مفید خواهد بود. در صورت نیاز به منابع محاسباتی بالا، کار با پلتفرمهای ابری مانند AWS یا Google Cloud نیز توصیه میشود.
۴. چطور میتوانم از سرقت ادبی در پایاننامهام جلوگیری کنم؟
همواره مطالب را با زبان خودتان بنویسید و حتی اگر ایدهای را از منبعی گرفتهاید، آن را بازنویسی کرده و سپس به منبع اصلی استناد کنید. استفاده از ابزارهای مدیریت رفرنس (مانند Mendeley یا Zotero) برای سازماندهی منابع و استفاده صحیح از فرمتهای استنادی (مثل APA یا IEEE) بسیار مهم است. هر گونه نقل قول مستقیم باید با گیومه و ارجاع دقیق همراه باشد.
۵. موسسه انجام پایان نامه پرواسکیل چگونه میتواند به من در انجام پایان نامه هوش مصنوعی کمک کند؟
موسسه ما با تیمی از متخصصان باتجربه در حوزه هوش مصنوعی، در تمامی مراحل از انتخاب موضوع و نگارش پروپوزال، تا مشاوره در انتخاب روششناسی و ابزارها، کمک در جمعآوری و پیشپردازش دادهها، پیادهسازی و کدنویسی، تحلیل نتایج، نگارش علمی و تخصصی پایاننامه و آمادهسازی برای دفاع، در کنار شما خواهد بود. هدف ما این است که شما یک پایاننامه با کیفیت بالا و قابل دفاع ارائه دهید.
پایاننامه هوش مصنوعی شما، سکوی پرتاب به سوی آینده!
انجام یک پایاننامه تخصصی در حوزه هوش مصنوعی، گامی بزرگ در مسیر پیشرفت علمی و شغلی شماست. این مسیر میتواند چالشبرانگیز باشد، اما با راهنمایی صحیح و حمایت تخصصی، میتوانید این چالشها را به فرصتهایی برای درخشش تبدیل کنید. در موسسه انجام پایان نامه پرواسکیل، ما متعهدیم که با دانش عمیق و تجربه عملی خود، شما را در تمامی مراحل این پروژه مهم همراهی کنیم.
اجازه ندهید پیچیدگیهای هوش مصنوعی مانع رسیدن شما به اهدافتان شود.
با کارشناسان پرواسکیل تماس بگیرید
(مشاوره اولیه کاملاً رایگان است)
راهنمای جامع انتخاب موضوع پایان نامه
آشنایی با الگوریتمهای یادگیری عمیق
اهمیت اخلاق در پروژههای هوش مصنوعی
اصول نگارش مقالات علمی و پایاننامه
پروژه های یادگیری ماشین
مشاوره پروپوزال هوش مصنوعی
خدمات تحلیل داده پایان نامه
مقالات علمی در هوش مصنوعی
تفاوت یادگیری عمیق و ماشین
/* Basic body font and color for readability */
body {
font-family: ‘Tahoma’, sans-serif; /* Or any preferred Persian font like Vazirmatn */
color: #333;
line-height: 1.6;
margin: 0;
padding: 20px;
background-color: #fcfdff;
}
/* General responsive adjustments */
@media (max-width: 768px) {
.intro-section, .infographic-container, .content-section {
padding: 15px;
margin-bottom: 25px;
}
p, li {
font-size: 0.95em !important;
line-height: 1.6 !important;
}
table {
display: block;
width: 100%;
overflow-x: auto;
white-space: nowrap; /* Prevents text wrap in cells for better table scroll */
}
table thead, table tbody, table th, table td, table tr {
display: block;
}
table thead tr {
position: absolute;
top: -9999px;
left: -9999px;
}
table tr {
border: 1px solid #ddd;
margin-bottom: 10px;
display: flex;
flex-direction: column;
padding: 10px;
border-radius: 8px;
}
table td {
border: none !important;
position: relative;
padding-left: 50% !important;
text-align: right !important;
white-space: normal;
}
table td:before {
content: attr(data-label);
position: absolute;
left: 6px;
width: 45%;
padding-right: 10px;
white-space: nowrap;
font-weight: bold;
text-align: left;
color: #007bff;
}
.infographic-container > div {
flex-basis: 100% !important; /* Stack infographic items on small screens */
margin-bottom: 20px;
}
a[href^=”#”] {
font-size: 1.1em !important;
padding: 12px 25px !important;
}
}
/* Tablet and larger phones */
@media (min-width: 769px) and (max-width: 1024px) {
.infographic-container > div {
flex-basis: calc(50% – 30px) !important;
}
}
/* Styling for the H1 title wrapper */
.h1-wrapper {
font-size: 2.5em;
font-weight: bold;
color: #1a2a44;
text-align: center;
background-color: #f0f4f8;
padding: 20px 0;
border-bottom: 3px solid #007bff;
margin-bottom: 30px;
}
// JavaScript for responsive table headers for mobile (if needed, otherwise CSS only for visual simulation)
// This part is for better semantic representation in a real web page and not strictly for a copied block editor
document.addEventListener(‘DOMContentLoaded’, function() {
var tables = document.querySelectorAll(‘table’);
tables.forEach(function(table) {
var headers = [];
table.querySelectorAll(‘th’).forEach(function(th) {
headers.push(th.textContent.trim());
});
table.querySelectorAll(‘tr’).forEach(function(row, rowIndex) {
if (rowIndex === 0) return; // Skip header row
row.querySelectorAll(‘td’).forEach(function(td, colIndex) {
td.setAttribute(‘data-label’, headers[colIndex] + ‘:’);
});
});
});
});