Differences

This shows you the differences between two versions of the page.

--- staff:courses:theses [2019/09/30 13:38]
anton.filatov [Антон Филатов]
+++ staff:courses:theses [2022/12/10 09:08] (current)
@@ Line 3: / Line 3: @@
-===== Андрей Сучков =====
-===== Антон Филатов =====
-==== Occupancy grid map conflict ====
-Цель: Разрешение конфликтов в картах занятости, построенных различными агентами при решении задачи SLAM
-Предполагаемые задачи:
-* исследование способов сохранения 2D карты в файл
-* исследование способов выявления конфликтующих частей карт занятости
-* применение фильтрации для разрешения конфликтов
-==== Image clusterisation ML-free ====
-Цель: Разработка алгоритма выделения на изображении, полученного с видеокамеры, установленной на автомобиле, независимых частей без использования нейронных сетей.
-Предполагаемые задачи:
-* Применение различных способов для кластеризации изображений: функция максимального правдоподобия, быстрое преобразование Фурье
-* Оценка возможности работы таких алгоритмов в условии шумов
-* Оценка эффективности (скорости работы) таких алгоритмов
-==== Image clusterisation with ML ====
-Цель: Разработка алгоритма выделения на изображении, полученного с видеокамеры, установленной на автомобиле, независимых частей c использованием нейронных сетей
-Предполагаемые задачи:
-* Применение различных существующих нейронных сетей к задаче кластеризации объектов на изображении
-* Оценка эффективности одновременного применения нескольких разных типов нейронных сетей
-* Оценка точности в сравнении с "обычными" методами
-===== Артём Филатов =====
-===== Кирилл Кринкин =====
 ===== Марк Заславский =====
@@ Line 48: / Line 15: @@
   * разработка сценариев проверки на Bash | Python,
   * рандомизация условий
-==== Реализация SLAM-алгоритмов для построения 3д-моделей с помощью RGBD-камер (магистры) ====
-Цель: разработать решение для построения 3д-моделей по снимкам с RGBD-камер.
-Предполагаемые задачи:
-  * исследование различных slam-алгоритмов,
-  * обеспечение совместной работы нескольких алгоритмов,
-  * отбор подходящих датасетов,
-  * фильтрация и корректировка 3д-снимков.
 ===== Наталья Размочаева =====
-==== Исследование и разработка алгоритмов интеллектуального анализа данных розничной торговли ====
-Цель: разработать алгоритм интеллекутального анализа данных (ИАД) для решения задачи управления продажами, например, оптимизация продаж, прогнозирование продаж, и извлечение новой информации из данных
-Возможные задачи:
-  * Обзор литературы по применению алгоритмов ИАД и машинного обучения в области розничной торговли.
-  * Формирование стека применимых алгоритмов (статистический анализ, алгоритмы машинного обучения: алгоритмы feature selection и feature extraction, supervised и unsupervized, и пр.).
-  * Формирование критериев для сравнения выделенных алгоритмов.
-  * Сравнительный анализ алгоримов.
-  * Разработка модификаций (улучшений) алгоритмов, тестирование, отдалка, апробация.
-  * Разработка существенно новых алгоритмов, тестирование, отдалка, апробация.
-Технологии: Python3: numpy, pandas, skicit-learn, keras, tensorflow, tkinter, kivy
 ==== Исследование и разработка алгоритмов интеллектуального анализа гидроакустических данных  ====
@@ Line 91: / Line 33: @@
 Технологии: Python3: numpy, pandas, skicit-learn, keras, tensorflow, tkinter,  kivy
-==== Адаптация курса цифровой обработки сигналов на язык Python3 ====
-Цель: перенести реализацию задач и лабораторных работ курса цифровой обработки сигналов с Matlab на Python3
-Возможные задачи:
-* установка Matlab и приобретение навыков работы с Matlab
-* решение задач и лабораторных работ в среде Matlab
-* перенос решений задач и лабораторных работ на языке Matlab на язык Python3
-* отладка решений задач и лабораторных работ на языке Python3 (крайне важно убедиться в идентичности получаемых результатов как с помощью Matlab, так и с помощью Python3)
-* сформировать пулл задач непереносимых или переносимых с большим трудом: с большими потерями в производительности, скорости работы, затратах памяти
-Технологии: Matlab, Python3: numpy, pandas, skicit-learn, keras, tensorflow, kivy
-==== Разработка модулей геоинформационной системы ====
-Цель: реализация модулей на языке Python3 для встраивания в геоинформационную систему
-Возможные задачи:
-  * Знакомство с предментой областью геоинформационных систем
-  * Обзор бесплатных геоинформационных систем, сравнительный анализ
-  * Разработка модулей (скриптов) для расширения возможностей геоинформационных систем
-  * <//уточняются//>
-Технологии: ArcGis, Python3
 ===== Татьяна Берленко =====
-==== Электронная очередь для защиты лабораторной работы ====
+==== Электронная очередь для лабораторных занятий ====
 Цель: создать веб-приложение для записи в очередь и отслеживания статуса студента.
@@ Line 149: / Line 66: @@
 ===== Тимур Жангиров =====
+==== Сравнительный анализ методов выявления аномалий в микробиологических данных ====
+Цель: провести анализ методов выявления аномальных в микрибиологических данных и выдвинуть предложения по их улучшению
+Основная сложность заключается в том, что микробиологические данные имеют сложные характер, и стандартные статистические методы не всегда определяют аномалии. Поэтому основной упор необходимо сделать на сравнение статистических методов и методов машинного обучения.
-===== Дмитрий Карташев =====
+Возможные задачи:
+  * Провести обзор методов выявления аномальных данных
+  * Определить критерии сравнения методов
+  * Провести сравнения на данных разного качества в многомерном пространстве
+  * Провести сравнения на данных принадлежащих различным классам в многомерном пространсве
+  * Улучшить существующий или предложить новый метод
+==== Анализ эффективности генетических алгоритмов для построения нелинейной регрессии ====
+Цель: провести анализ эффективности применения генетических алгоритмов для построения нелинейной регрессии на микробиологических данных
+Так как стандартные методы построения регрессий подразумевают заранее известный вид зависимости (линейный, логарифмический, экспоненциальный, и.т.д.). Применение генетических алгоритмов потенциально позволит не только оптимизировать модель регрессии, но и автоматически определять вид зависимости.
+Возможные задачи:
+  * Провести обзор существующих методов построения нелинейной регрессии
+  * Разработать модель регрессии, которую можно обучить генетическими алгоритмами
+  * Определить параметры генетического алгоритма для построения регрессии
+  * Анализ эффективности генетических алгоритмов в данной задаче
+==== Анализ эффективности метода роя частиц для построения нелинейной регрессии ====
+Цель: провести анализ эффективности применения метода роя частиц для построения нелинейной регрессии на микробиологических данных
+Так как стандартные методы построения регрессий подразумевают заранее известный вид зависимости (линейный, логарифмический, экспоненциальный, и.т.д.). Применение метода роя частиц потенциально позволит не только оптимизировать модель регрессии, но и автоматически определять вид зависимости.
+Возможные задачи:
+  * Провести обзор существующих методов построения нелинейной регрессии
+  * Разработать модель регрессии, которую можно обучить методом роя частиц
+  * Определить параметры метода роя частиц для построения регрессии
+  * Анализ эффективности метода роя частиц в данной задаче
+==== Анализ алгоритма построения траекторий OCTNet в двумерном пространстве ====
+Цель: Провести анализ алгоритма построения траектории OCTNet, с целью выявления его ограничений и преимуществ над другими алгоритмами построений траекторий
+Основной упор необходимо сделать на построение траекторий (маршрутов) для интеллектуального агента ориентирующегося в замкнутых статических пространствах. Предполагается сравнанение, не только с детерминированными алгоритмами, но алгоритмами основанными на генеративно-состязательных нейронных сетях и нейронных сетях обученых методом любопытства.
+Возможные задачи:
+  * Провести обзор существующих алгоритмов построения траекторий
+  * Изучить алгоритм OCTNet
+  * Реализация алгоритма OCTNet
+  * Анализ алгоритма OCTNet
+  * Выдвижение гипотез по улучшению алгоритма OCTNet
+==== Разработка и реализация алгоритма аугментации микробиологических данных на основе генеративно-состязятальных сетей ====
+Цель: Разработать алгоритм аугментации микробиологических данных на основе генеративно-состязательных сетей
+Основные проблемы заключается в том, что большинство методов аугментации данных связанны с графическими данным, которые представлены в виде изображения, а методы направленные на неграфические данные могут генерировать неконсистентные данные. Применения генеративно-состязательных сетей потенциально решит проблему аугментации неграфических данных и валидацию получаемых данных.
+Возможные задачи:
+  * Провести обзор существующих алгоритмов аугметации данных
+  * Построение модели сети для аугментации
+  * Разработка алгоритма аугментации на основе генеративно-состязательных сетей
+  * Реализация алгоритма аугментации на основе генеративно-состязательных сетей
+  * Анализ эффективности алгоритма аугментации и сравнение с существующими алгоритмами аугменацтии данных

se.moevm.info

User Tools

Site Tools

Differences

Page Tools