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 Next revision Both sides next revision | ||
|
staff:courses:theses [2019/09/30 12:13] natalya.razmochaeva [Разработка модулей геоинформационной системы] |
staff:courses:theses [2019/10/21 11:52] anton.filatov |
||
|---|---|---|---|
| Line 7: | Line 7: | ||
| ===== Антон Филатов ===== | ===== Антон Филатов ===== | ||
| + | |||
| ===== Артём Филатов ===== | ===== Артём Филатов ===== | ||
| Line 23: | Line 24: | ||
| * 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 66: | Line 42: | ||
| 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 | ||
| ===== Татьяна Берленко ===== | ===== 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. | Цель: создать веб-приложение для записи в очередь и отслеживания статуса студента. | ||
| Line 124: | Line 75: | ||
| ===== Тимур Жангиров ===== | ===== 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. | ||
| + | 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 | ||
staff/courses/theses.txt · 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
