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

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

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

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.

Цель: подготовить набор автоматически проверяемых задач для языка Verliog.

Предполагаемые задачи:

• переформулирование задач из книги для автоматической проверки,
• разработка сценариев проверки на Bash | Python,
• рандомизация условий

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

Цель: разработать программное обеспечение для моделирования и исследования гидроакустических сигналов

Возможные задачи:

• исследование физики формирования сигналов (как сигнал формируется, какие значимые условия формирования сигнала)
• исследование физики распространения гидроакустического сигнала: определение значимых условий для распространения сигнала
• моделирование гидроакустических сигналов (генерация сигналов при различных условиях)
• исследование гидроакустических сигналов в зависимости от разлинчых условий
• прогнозирование поведения гидроакустических сигналов в зависимости от разных значений различных условий
• исследование алгоритмов отбора (feature selection) и алгоритмов выделения (feature extraction) значимых параметров

Технологии: Python3: numpy, pandas, skicit-learn, keras, tensorflow, tkinter, kivy

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

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

Цель: создать веб-приложение для записи в очередь и отслеживания статуса студента.

Возможные задачи:

• вход в приложение с помощью аккаунта на stepik и/или github
• реализация возможностей записи студента в очередь и просмотра своего номера в очереди
• реализация возможности управлять очередью для преподавателя
• реализация возможности указывать статус попытки студента (в том числе, загружать фото)
• …

Технологии: Python3, js, html, css, docker, apache.

Цель: создать веб-приложение просмотра, анализа и отслеживания жульничества во время выполнения лабораторных работ.

Возможные задачи:

• изучение существующих инструментов отслеживания жульничества
• сбор кода из источников, указанных преподавателем (Stepik, github, текстовые файлы)
• удобный просмотр кода для преподавателя
• анализ кода на жульничество
• …

Технологии: Python3, js, html, css, docker, apache.

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:

• 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

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

Цель: Разработка алгоритма сжатия данных на основе автокодирующих нейронных сетей с целью повышения качества архивации по сравнению с существующими алгоритмами

Данный алгоритм может применяться в разработке нового архиватора или нового протокола передачи данных

Возможные задачи:

• Провести обзор существующих алгоритмов архивации
• Разработать нейросетевую модель для архивации данных
• Реализация алгоритма архивации
• Анализ разрабатонного алгоритма

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

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