staff:courses:theses
Differences
This shows you the differences between two versions of the page.
| Both sides previous revision Previous revision Next revision | Previous revision | ||
|
staff:courses:theses [2019/10/03 15:20] timur.zhangirov [Тимур Жангиров] |
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 ===== | ===== Марк Заславский ===== | ||
| Line 48: | Line 15: | ||
| * разработка сценариев проверки на Bash | Python, | * разработка сценариев проверки на Bash | Python, | ||
| * рандомизация условий | * 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 ===== | ===== 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 ==== | ==== Исследование и разработка алгоритмов интеллектуального анализа гидроакустических данных ==== | ||
| Line 91: | Line 33: | ||
| Технологии: Python3: numpy, pandas, skicit-learn, keras, tensorflow, tkinter, kivy | 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 | ||
| Line 149: | Line 66: | ||
| ===== Тимур Жангиров ===== | ===== Тимур Жангиров ===== | ||
| - | === Сравнительный анализ методов выявления аномальных данных в микробиологических данных === | + | ==== Сравнительный анализ методов выявления аномалий в микробиологических данных ==== |
| - | Цель: провести анализ методов выявления аномальных данных и выдвинуть предложения по их улучшению | + | 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. | ||
| Возможные задачи: | Возможные задачи: | ||
| Line 159: | Line 78: | ||
| * Улучшить существующий или предложить новый метод | * Улучшить существующий или предложить новый метод | ||
| - | === Анализ эффективности генетических алгоритмов для построения нелинейной регрессии === | + | ==== Анализ эффективности генетических алгоритмов для построения нелинейной регрессии ==== |
| - | Цель: провести анализ эффективности применения 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: | Возможные задачи: | ||
| Line 168: | Line 89: | ||
| * Анализ эффективности генетических алгоритмов в данной задаче | * Анализ эффективности генетических алгоритмов в данной задаче | ||
| - | === Разработка и реализация алгоритма сжатия данных на основе автокодирующих нейронных сетей === | + | ==== Анализ эффективности метода роя частиц для построения нелинейной регрессии ==== |
| - | Цель: Разработка алгоритма архивации данных на основе автокодирующих нейронных сетей с целью повышения качества архивации по сравнению с существующими алгоритмами | + | 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: | Возможные задачи: | ||
| - | * Провести обзор существующих алгоритмов архивации | + | * Провести обзор существующих методов построения нелинейной регрессии |
| - | * Разработать нейросетевую модель для архивации данных | + | * Разработать модель регрессии, которую можно обучить методом роя частиц |
| - | * Реализация алгоритма архивации | + | * Определить параметры метода роя частиц для построения регрессии |
| - | * Анализ разрабатонного алгоритма | + | * Анализ эффективности метода роя частиц в данной задаче |
| - | === Анализ алгоритма построения траекторий OCTNet в двумерном пространстве === | + | ==== 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 | 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: | Возможные задачи: | ||
| Line 187: | Line 112: | ||
| * Выдвижение гипотез по улучшению алгоритма OCTNet | * Выдвижение гипотез по улучшению алгоритма OCTNet | ||
| - | === Разработка и реализация алгоритма аугментации микробиологических данных на основе генеративно-состязятальных сетей === | + | ==== Разработка и реализация алгоритма аугментации микробиологических данных на основе генеративно-состязятальных сетей ==== |
| - | Цель: Разработать алгоритм аугментации данных на основе генеративно-состязательных 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: | Возможные задачи: | ||
| Line 196: | Line 123: | ||
| * Реализация 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 | * Анализ эффективности алгоритма аугментации и сравнение с существующими алгоритмами аугменацтии данных | ||
| - | ===== Дмитрий Карташев ===== | ||
staff/courses/theses.1570116032.txt.gz · Last modified: 2022/12/10 09:08 (external edit)
Except where otherwise noted, content on this wiki is licensed under the following license: CC Attribution-Share Alike 4.0 International
