انجام پایان نامه چگونه انجام می‌شود در هوش مصنوعی

دنیای هوش مصنوعی با سرعتی باورنکردنی در حال گسترش است و این حوزه، بستر مناسبی برای انجام پروژه‌های تحقیقاتی عمیق و کاربردی، به ویژه پایان‌نامه‌های دانشجویی فراهم آورده است. اما انجام پایان نامه در این رشته، به دلیل پیچیدگی‌های فنی و نوآوری‌های مستمر، چالش‌های خاص خود را دارد. هدف از این مقاله، ارائه یک راهنمای جامع و گام‌به‌گام است تا دانشجویان و پژوهشگران بتوانند با دیدی روشن‌تر، مسیر تحقیقاتی خود را در این حوزه آغاز کرده و به سرانجام برسانند. با ما همراه باشید تا از انتخاب موضوع تا نگارش و دفاع، تمامی ابعاد یک پایان نامه موفق در هوش مصنوعی را موشکافی کنیم.

مراحل اولیه و آماده‌سازی برای آغاز یک پایانامه هوش مصنوعی

قبل از شیرجه زدن به عمق الگوریتم‌ها و کدنویسی، هر پژوهشی نیاز به یک بنیان محکم و برنامه‌ریزیی دقیق دارد. این مرحله، سنگ بنای موفقیت پروژه شما در هوش مصنوعی خواهد بود. مشاوره پایان نامه در این گام‌ها حیاتی است.

انتخاب موضوع و ایده‌پردازی

انتخاب موضوع، اولین و شاید یکی از مهم‌ترین گام‌ها در مسیر انجام پایان نامه است. یک موضوع خوب باید هم برای شما جذاب باشد تا انگیزه کافی برای پیگیری آن را داشته باشید، و هم دارای پتانسیل تحقیقاتی مناسبی در حوزه هوش مصنوعی باشد. به زمینه‌هایی مانند یادگیری ماشین، یادگیری عمیق، پردازش زبان طبیعی، بینایی ماشین، رباتیک، هوش مصنوعی توضیه‌پذیر (XAI) یا اخلاق در AI فکر کنید. برای ایده‌های بیشتر، می‌توانید به کتگوری مقالات ما درباره نکات انتخاب موضوعات نوآورانه سر بزنید.

• شناسایی علایق: چه زیرشاخه‌ای از هوش مصنوعی بیشتر کنجکاوی شما را برمی‌انگیزد؟
• نیازهای صنعت و جامعه: کدام مشکلات واقعی می‌توانند با هوش مصنوعی حل شوند؟
• منابع موجود: آیا به داده‌ها، ابزارها و دانش لازم دسترسی دارید؟
• پتانسیل نوآوری: موضوع شما تا چه حد می‌تواند به دانش موجود اضافه کند؟

بررسی ادبیات و پیشینه تحقیق (Literature Review)

پس از انتخاب یک حوزه کلی، نوبت به غرق شدن در دنیای مقالات علمی می‌رسد. بررسی ادبیات به شما کمک می‌کند تا:

• متوجه شوید که پیش از شما چه کارهایی در این زمینه انجام شده است.
• شکاف‌های موجود در دانش (Research Gaps) را شناسایی کنید.
• متدولوژی‌ها و رویکردهای موفق را بشناسید.
• از تکرار تحقیقات قبلی اجتناب کنید.
• مرجعیت موضوعی خود را تقویت کنید.

استفاده از پایگاه‌های داده معتبر مانند Google Scholar, IEEE Xplore, ACM Digital Library, ArXiv و Semantic Scholar برای این مرحله ضروری است.

تعریف مسئلع و فرضیات

با توجه به پیشینع تحقیق، باید مسئله اصلی پایان نامه خود را به صورت واضح و قابل اندازه‌گیری تعریف کنید. این مسئله باید یک سوال مشخص باشد که تحقیق شما قصد پاسخ دادن به آن را دارد. فرضیات نیز پیش‌بینی‌های شما از نتایج هستند که قرار است در طول پژوهش مورد آزمون قرار گیرند.

• مسئله تحقیق (Research Question): دقیقا به دنبال حل چه چیزی هستید؟
• اهداف تحقیق (Research Objectives): برای رسیدن به پاسخ مسئله، چه کارهایی باید انجام شود؟
• فرضیات (Hypotheses): پیش‌بینی شما از نتایج، قبل از انجام تحقیق چیست؟

برنامه‌ریزیی زمان‌بندی و منابع

یک برنامه‌ریزیی دقیق، ستون فقرات هر پروژه تحقیقاتی موفقی است. با توجه به ماهیت فنی و زمان‌بر بودن پروژه‌های هوش مصنوعی، تخصیص زمان کافی برای هر مرحله از اهمیتت بالایی برخوردار است.

• ⏳ تهیه گانت چارت: تقسیم پروژه به وظایف کوچک‌تر و تخصیص زمان به هر یک.
• 💰 بودجه‌بندی (در صورت نیاز): هزینه‌های احتمالی برای دسترسی به داده‌ها، ابزارهای محاسباتی یا نرم‌افزارهای خاص.
• 👨‍🏫 انتخاب استاد راهنما و مشاور: وجود یک تیم متخصص، راهنمایی‌های ارزشمندی را ارائه می‌دهد.

متدولوژی و رویکردهای تحقیق در هوش مصنوعی

انتخاب متدولوژی مناسب، مسیر پژوهش شما را شکل می‌دهد. در هوش مصنوعی، رویکردهای متنوعی وجود دارد که هر کدام مزایا و محدودیت‌های خود را دارند. انتخاب درست این متدولوژی، تضمین‌کننده اعتبار علمی کار شماست.

انتخاب پارادایم تحقیق (کمی، کیفی، ترکیبی)

پایان نامه‌های هوش مصنوعی معمولاً ماهیت کمی دارند، زیرا بر اساس داده‌ها، مدل‌سازی و ارزیابی عملکرد عددی بنا شده‌اند. با این حال، در برخی موارد (مانند بررسی تأثیرات اجتماعی AI یا تحلیل نظرات کاربران)، رویکردهای کیفی یا ترکیبی نیز می‌توانند مفید باشند.

• تحقیق کمی: تأکید بر اندازه‌گیری، آمار و اعداد (بیشتر در AI).
• تحقیق کیفی: تأکید بر فهم عمیق مفاهیم، پدیده‌ها و تجربیات (در AI کمتر رایج).
• تحقیق ترکیبی: بهره‌گیری از هر دو رویکرد برای رسیدن به دیدگاهی جامع‌تر.

روش‌های جمع‌آوری داده در AI

داده، خون حیات پروژه‌های هوش مصنوعی است. کیفیت و کمیت داده‌ها مستقیماً بر نتایج تحقیق شما تأثیر می‌گذارد.

• داده‌های عمومی (Public Datasets): منابعی مانند Kaggle, UCI Machine Learning Repository, Google Dataset Search.
• داده‌های خصوصی/سازمانی: اگر با یک سازمان همکاری می‌کنید، ممکن است به داده‌های داخلی دسترسی داشته باشید.
• تولید داده (Data Generation): در برخی موارد، به ویژه در شبیه‌سازی‌ها یا رباتیک، ممکن است نیاز به تولید داده‌های مصنوعی داشته باشید.
• اسکرپینگ وب (Web Scraping): جمع‌آوری داده از وب‌سایت‌ها (با رعایت ملاحظات اخلاقی و قانونی).

برای کسب اطلاعات بیشتر در مورد روش‌های بهینه‌ جمع‌آوری داده در هوش مصنوعی، به بخش مربوطه در کتگوری مقالات ما مراجعه کنید.

انتخاب الگوریتم‌ها و مدل‌های هوش مصنوعی

بسته به نوع مسئله (دسته‌بندی، رگرسیون، خوشه‌بندی، ترجمه ماشینی و غیره) و ماهیت داده‌ها، الگوریتم‌های مختلفی را می‌توان انتخاب کرد.

• یادگیری ماشیُن (Machine Learning): SVM, Decision Trees, Random Forest, K-Means.
• یادگیری عمیق (Deep Learning): CNNs, RNNs, LSTMs, Transformers.
• یادگیری تقویتی (Reinforcement Learning): Q-learning, Policy Gradients.
• هوش جمعی (Swarm Intelligence): PSO, Ant Colony Optimization.

ابزارها و فناوری‌های مورد نیاز

پروژه‌های هوش مصنوعی بدون ابزارهای مناسب قابل انجام نیستند.

• 💻 زبان‌های برنامه‌نویسی: پایتون (Python) با کتابخانه‌های غنی (TensorFlow, PyTorch, Scikit-learn) انتخاب اول است.
• 🚀 فریم‌ورک‌ها: TensorFlow, PyTorch برای یادگیری عمیق؛ Scikit-learn برای یادگیری ماشیُن کلاسیک.
• ☁️ منابع محاسباتی: برای مدل‌های پیچیده، نیاز به GPU (محلی یا ابری مانند Google Colab, AWS, Azure) خواهید داشت.
• 🗄️ ابزارهای مدیریت داده: Pandas, NumPy برای پیش‌پردازش و تحلیل داده.

فاز عملیاتی: پیاده‌سازیی و آزمایش

این مرحله، جایی است که ایده‌های شما به واقعیت تبدیل می‌شوند. از طراحی اولیه تا کدنویسی و اجرای آزمایشی، هر گام نیازمند دقت و توجه است.

طراحی معماری سیستم/مدل

قبل از شروع کدنویسی، طراحی یک معماری کلی برای سیستم یا مدل هوش مصنوعی شما ضروری است. این شامل تصمیم‌گیری در مورد ساختار کلی، جریان داده‌ها، اجزا و نحوه تعامل آن‌ها با یکدیگر است.

• دیاگرام‌های فلوچارت (Flowcharts): برای نمایش جریان منطقی برنامه.
• نمودارهای معماری: برای نمایش اجزای مختلف سیستم و ارتباطات آن‌ها.

کدنویسی و توسعه (زبان‌ها، فریم‌ورک‌ها)

با استفاده از زبان پایتون و فریم‌ورک‌های انتخاب شده، شروع به پیاده‌سازیی مدل خود کنید. کدنویسی تمیز، مستندسازی مناسب و استفاده از سیستم‌های کنترل نسخه مانند Git، بسیار توصیه می‌شود.

• پایتون: زبان استاندارد برای AI.
• TensorFlow/PyTorch: برای ساخت و آموزش شبکه‌های عصبی.
• Scikit-learn: برای الگوریتم‌های یادگیری ماشیُن کلاسیک.

آماده‌سازی و پیش‌پردازش داده‌ها

داده‌های خام معمولاً پر از نویز و ناسازگاری هستند. مرحله پیش‌پردازش، حیاتی است تا داده‌ها برای آموزش مدل آماده شوند. این شامل:

• پاکسازی داده (Data Cleaning): حذف مقادیر پرت، مدیریت مقادیر گم‌شده.
• نرمال‌سازی/استانداردسازی (Normalization/Standardization): مقیاس‌بندی ویژگی‌ها.
• استخراج ویژگی (Feature Engineering): ایجاد ویژگی‌های جدید از داده‌های موجود.
• تقسیم داده (Data Splitting): به مجموعه‌های آموزش (Training), اعتبارسنجی (Validation) و آزمون (Test).

آموزش و اعتبارسنجی مدل‌ها

پس از آماده‌سازی داده‌ها، مدل هوش مصنوعی خود را با داده‌های آموزش (Training Data) تعلیم دهید. از مجموعه داده‌های اعتبارسنجی (Validation Data) برای تنظیم هایپرپارامترها و جلوگیری از بیش‌برازش (Overfitting) استفاده کنید.

• تنظیم هایپرپارامترها (Hyperparameter Tuning): یافتن بهترین ترکیب پارامترها (مانند نرخ یادگیری، اندازه دسته).
• اعتبارسنجی متقابل (Cross-Validation): برای ارزیابی قوی‌تر عملکرد مدل.

ارزیابی عملکرد و معیارها

در نهایت، عملکرد مدل نهایی خود را با استفاده از داده‌های آزمون (Test Data) که مدل قبلاً هرگز آن‌ها را ندیده است، ارزیابی کنید. معیارهای ارزیابی بسته به نوع مسئله متفاوت هستند.

• 📈 برای دسته‌بندی: دقت (Accuracy), پریسیژن (Precision), رِکال (Recall), F1-Score, ماتریس درهم‌ریختگی (Confusion Matrix), AUC-ROC.
• 📉 برای رگرسیون: RMSE, MAE, R-squared.
• 📊 برای خوشه‌بندی: Silhouette Score, Davies-Bouldin Index.

تجزیه و تحلیل نتایج و بحث

این بخش، قلب هر تحقیق علمی است. نتایج خام به تنهایی ارزش زیادی ندارند؛ مهم، توانایی شما در تفسیر، تحلیل و قرار دادن آن‌ها در چارچوب دانش موجود است.

تفسیر داده‌ها و یافته‌ها

پس از اجرای مدل‌ها و جمع‌آوری نتایج، باید آن‌ها را به دقتت تفسیر کنید. آیا نتایج با فرضیات شما همخوانی دارند؟ چه الگوها یا روندهایی در داده‌ها مشاهده می‌شود؟

• معنی‌دار بودن نتایج: آیا تفاوت‌های مشاهده شده، از نظر آماری معنی‌دار هستند؟
• اثرگذاری مدل: مدل شما چقدر در حل مسئله موفق بوده است؟

مقایسه با پیشینه تحقیق

نتایج خود را با کارهای مشابهی که در بخش پیشینه تحقیق بررسی کرده‌اید، مقایسه کنید. آیا مدل شما بهتر عمل کرده است؟ چرا؟ چه بهبودهایی داشته‌اید؟ این مقایسه به اعتبار و اهمیتت کار شما می‌افزاید.

چالش‌ها و محدودیت‌ها

هیچ تحقیقی کامل نیست. شفافیت در مورد چالش‌هایی که با آن‌ها مواجه شده‌اید و محدودیت‌های روش‌شناختی یا داده‌ای کارتان، نشان‌دهنده صداقت علمی شماست و به پژوهشگران آینده نیز کمک می‌کند.

نوآوری و سهم تحقیق

به وضوح بیان کنید که تحقیق شما چه نوآوری‌هایی دارد و چه سهمی در پیشرفت دانش در حوزه هوش مصنوعی ایفا می‌کند. این می‌تواند شامل یک الگوریتم جدید، یک کاربرد جدید از الگوریتم‌های موجود، یا یک مجموعه داده جدید باشد.

نگارش پایان نامه: از پیش‌نویس تا دفاع

نتایج عالی بدون نگارش مناسب، ارزش خود را از دست می‌دهند. نگارش پایان نامه فرصتی است تا شما کار خود را به بهترین شکل ممکن به جامعه علمی ارائه دهید.

ساختار استاندارد پایانامه

اکثر دانشگاه‌ها و مؤسسات، ساختار استانداردی برای پایان نامه‌ها دارند.

• چکیده (Abstract): خلاصه‌ای فشرده از کل کار.
• مقدمه (Introduction): معرفی موضوع، مسئله، اهمیتت و اهداف تحقیق.
• مرور ادبیات (Literature Review): بررسی جامع پیشینه تحقیق.
• متدولوژی (Methodology): توضیح دقیق روش‌ها، داده‌ها و ابزارهای مورد استفاده.
• نتایج (Results): ارائه یافته‌های تحقیق به صورت عینی و بدون تفسیر.
• بحث (Discussion): تفسیر نتایج، مقایسه با پیشینه، محدودیت‌ها و نوآوری‌ها.
• نتیجه‌گیری و پیشنهادات (Conclusion & Future Work): جمع‌بندی نهایی و ارائه مسیرهای پژوهشی آینده.
• منابع (References): لیست تمامی منابع مورد استفاده.
• پیوست‌ها (Appendices): کدها، داده‌ها یا اطلاعات تکمیلی.

نگارش هر بخش (با تمرکز بر نکات کلیدی در AI)

در هر بخش، به وضوح و با استدلال قوی بنویسید. در بخش‌های مربوط به هوش مصنوعی، دقتت در توضیح جزئیات فنی الگوریتم‌ها، معماری مدل‌ها، پیش‌پردازش داده‌ها و معیارهای ارزیابی بسیار مهم است. از نمودارها، جداول و تصاویر برای شفاف‌سازی مفاهیم پیچیده استفاده کنید.

• مقدمه: جذابیت موضوع، گپ تحقیقاتی.
• مرور ادبیات: ارزیابی نقادانه، نه فقط خلاصه‌نویسی.
• متدولوژی: آنقدر دقیق بنویسید که فرد دیگری بتواند تحقیق شما را تکرار کند.
• نتایج: با استفاده از نمودارهای واضح و تفسیر مختصر.
• بحث: ارتباط نتایج با اهداف و فرضیات، و نوآوری‌های کار.

نکات نگارشی و رفرنس‌دهی

رعایت اصول نگارش علمی، دستور زبان، علائم نگارشی و شیوه صحیح رفرنس‌دهی (APA, IEEE, Chicago و غیره) ضروری است. استفاده از نرم‌افزارهای مدیریت رفرنس مانند Mendeley یا Zotero توصیه می‌شود. همچنین، از ابزارهای بررسی سرقت ادبی برای حصول اطمینان از اصالت کار خود استفاده کنید.

آمادگی برای دفاع (ارائه و پاسخ به سوالات)

مرحله دفاع، فرصت نهایی برای ارائه و دفاع از کارتان است.

• 🗣️ تهیه اسلایدهای حرفه‌ای: تمرکز بر نکات کلیدی، نتایج و نوآوری‌ها.
• 👂 پیش‌بینی سوالات: فکر کنید که داوران چه سوالاتی ممکن است بپرسند و برای آن‌ها پاسخ آماده کنید.
• 🎤 تمرین ارائه: چندین بار ارائه خود را تمرین کنید تا مسلط و روان باشید.

چالش‌ها و راهکارهای رایج در پایان نامه‌های هوش مصنوعی

همانطور که هر مسیر تحقیقاتی دشواری‌های خاص خود را دارد، هوش مصنوعی نیز از این قاعده مستثنی نیست. شناخت این چالش‌ها و یافتن راه حل برای آنها، به شما کمک می‌کند تا با آمادگی بیشتری پیش بروید. اگر نیاز به راهنمایی در این زمینه‌ها دارید، مشاوره پایان نامه تخصصی می‌تواند راهگشا باشد.

چالش دسترسی به داده‌های باکیفیت

یافتن داده‌های کافی، تمیز و برچسب‌گذاری شده برای آموزش مدل‌های هوش مصنوعی، یکی از بزرگترین چالش‌هاست. داده‌های نامناسب می‌توانند منجر به نتایج گمراه‌کننده شوند.

• ❌ مشکل: کمبود داده، داده‌های نویزدار، عدم دسترسی به داده‌های حساس.
• ✅ راهکارها:
  • استفاده از Data Augmentation (افزایش داده) برای تولید داده‌های جدید از داده‌های موجود.
  • استفاده از Transfer Learning (یادگیری انتقالی) بر روی مدل‌های از پیش آموزش‌دیده.
  • همکاری با سازمان‌ها یا استفاده از داده‌های عمومی (با اطمینان از کیفیت آن‌ها).
  • تولید داده‌های مصنوعی در صورت امکان (مثلاً در شبیه‌سازی‌ها).

چالش پیچیدگی مدل‌ها و نیاز به منابع محاسباتی قوی

بسیاری از مدل‌های پیشرفته هوش مصنوعی، به خصوص در یادگیری عمیق، نیازمند قدرت محاسباتی بالا (GPU) و زمان آموزش طولانی هستند. دسترسی به این منابع برای همه دانشجویان فراهم نیست.

• ❌ مشکل: کمبود GPU، زمان آموزش زیاد، هزینه‌های سرور ابری.
• ✅ راهکارها:
  • استفاده از پلتفرم‌های ابری رایگان یا ارزان‌قیمت مانند Google Colab.
  • بهینه‌سازی کد و مدل برای کاهش نیاز به منابع.
  • استفاده از مدل‌های سبک‌تر (Lightweight Models) یا تقلیل ابعاد (Dimensionality Reduction).
  • بهره‌گیری از سرورهای دانشگاه یا آزمایشگاه.

چالش اطمینان از صحت و تکرارپذیری نتایج

با توجه به ماهیت تصادفی برخی الگوریتم‌ها و تفاوت در پیاده‌سازیی‌ها، حصول اطمینان از تکرارپذیری نتایج (Reproducibility) می‌تواند چالشی باشد.

• ❌ مشکل: نتایج متفاوت در هر بار اجرا، دشواری در بازتولید تحقیقات دیگران.
• ✅ راهکارها:
  • ثبت seed برای تولید اعداد تصادفی.
  • مستندسازی دقیق تمامی مراحل، کدها و محیط نرم‌افزاری.
  • استفاده از Docker یا Virtual Environments برای ایزوله کردن محیط توسعه.

چالش اخلاق در هوش مصنوعی

با پیشرفت هوش مصنویی، ملاحظات اخلاقی پیرامون حریم خصوصی داده‌ها، تعصبات (Bias) در الگوریتم‌ها، شفافیت و مسئولیت‌پذیری افزایش یافته است.

• ❌ مشکل: تعصبات ناخواسته در مدل، نقض حریم خصوصی، عدم شفافیت.
• ✅ راهکارها:
  • استفاده از داده‌های متنوع و نماینده برای کاهش Bias.
  • بررسی اصول اخلاق AI در طراحی و پیاده‌سازی.
  • توجه به هوش مصنوعی توضیه‌پذیر (Explainable AI – XAI) برای شفاف‌سازی تصمیمات مدل.

آینده پژوهش در هوش مصنوعی و موضوعات نوظهور

حوزه هوش مصنوعی پویا و دائماً در حال تحول است. دانشجویان می‌توانند با تمرکز بر این زیرشاخه‌های نوظهور، به پیشرفت‌های مهمی دست یابند.

یادگیری عمیق و شبکه‌های عصبی

علی‌رغم پیشرفت‌های چشمگیر، هنوز پتانسیل زیادی برای توسعه معماری‌های جدید، بهینه‌سازی فرآیندهای آموزش و کاربردهای novel در یادگیری عمیق وجود دارد. موضوعاتی مانند شبکه‌های مولد تخاصمی (GANs) و مدل‌های Diffusion نیز داغ هستند.

هوش مصنوعی توضیه‌پذیر (XAI)

با افزایش پیچیدگی مدل‌های AI، نیاز به فهم چرایی تصمیمات آن‌ها حیاتی است. پژوهش در زمینه XAI به دنبال ایجاد روش‌هایی برای شفاف‌سازی و تفسیرپذیری مدل‌های پیچیده است.

یادگیری تقویتی (Reinforcement Learning)

این زیرشاخه از AI که بر اساس یادگیری از طریق پاداش و تنبیه کار می‌کند، در زمینه‌هایی مانند رباتیک، بازی‌ها و بهینه‌سازی سیستم‌ها، پتانسیل‌های بی‌نظیری دارد.

هوش مصنوعی و رباتیک

ادغام هوش مصنوعی با رباتیک به ربات‌های خودکار و هوشمندتر منجر می‌شود که می‌توانند در محیط‌های پیچیده به صورت مستقل عمل کنند.

هوش مصنوعی در حوزه‌های خاص

کاربرد هوش مصنوعی در حوزه‌هایی مانند پزشکی (تشخیص بیماری، کشف دارو)، مالی (پیش‌بینی بازار)، هنر (تولید محتوا) و کشاورزی، زمینه‌های بکر و پرباری برای پژوهش فراهم می‌آورد.

جدول راهنمای ابزارها و منابع پرکاربرد

پرسش‌های متداول (FAQ)

نتیجه‌گیری و فراخوان به عمل

انجام پایان نامه در هوش مصنوعی، مسیری پرچالش اما فوق‌العاده باارزش و هیجان‌انگیز است. با برنامه‌ریزیی دقیق، انتخاب متدولوژی مناسب، پیاده‌سازیی فنی قوی، و نگارش علمی و مستند، می‌توانید به نتایجی درخشان دست یابید و سهمی مؤثر در پیشبرد این حوزه داشته باشید. به یاد داشته باشید که این مسیر، یک سفر یادگیری مداوم است و هر چالشی فرصتی برای رشد و کسب تجربه بیشتر.

@media (max-width: 768px) {
h1 { font-size: 2.2em !important; }
h2 { font-size: 1.8em !important; }
h3 { font-size: 1.4em !important; }
p, li, td, th { font-size: 0.95em !important; }
.infographic-summary > div { flex: 1 1 100% !important; }
.cta-box p { font-size: 1.1em !important; }
.cta-box a { font-size: 1.3em !important; padding: 12px 25px !important; }
}
@media (max-width: 480px) {
h1 { font-size: 1.8em !important; }
h2 { font-size: 1.5em !important; }
h3 { font-size: 1.2em !important; }
p, li, td, th { font-size: 0.9em !important; }
.cta-box a { font-size: 1.1em !important; padding: 10px 20px !important; }
}