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 [2019/10/01 09:14] tatyana.berlenko |
staff:courses:theses [2019/10/21 11:50] natalya.razmochaeva |
||
---|---|---|---|
Line 33: | Line 33: | ||
* Оценка эффективности одновременного применения нескольких разных типов нейронных сетей | * Оценка эффективности одновременного применения нескольких разных типов нейронных сетей | ||
* Оценка точности в сравнении с "обычными" методами | * Оценка точности в сравнении с "обычными" методами | ||
- | ===== Артём Филатов ===== | ||
- | ===== Кирилл Кринкин ===== | ||
- | |||
- | ===== Марк Заславский ===== | ||
- | |||
- | |||
- | ==== Задачи на язык Verilog по Харрису Харрису ==== | ||
- | |||
- | 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 | ||
==== Реализация SLAM-алгоритмов для построения 3д-моделей с помощью RGBD-камер (магистры) ==== | ==== Реализация SLAM-алгоритмов для построения 3д-моделей с помощью RGBD-камер (магистры) ==== | ||
Line 62: | Line 48: | ||
- | ===== Наталья Размочаева ===== | + | ===== Артём Филатов ===== |
- | ==== Исследование и разработка алгоритмов интеллектуального анализа данных розничной торговли ==== | + | ===== Кирилл Кринкин ===== |
- | Цель: разработать алгоритм интеллекутального анализа данных (ИАД) для решения задачи управления продажами, например, оптимизация продаж, прогнозирование продаж, и извлечение новой информации из данных | + | ===== Марк Заславский ===== |
- | 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 | + | ==== Задачи на язык Verilog по Харрису Харрису ==== |
+ | |||
+ | 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 | ||
+ | |||
+ | |||
+ | |||
+ | ===== Наталья Размочаева ===== | ||
==== Исследование и разработка алгоритмов интеллектуального анализа гидроакустических данных ==== | ==== Исследование и разработка алгоритмов интеллектуального анализа гидроакустических данных ==== | ||
Line 91: | Line 81: | ||
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 114: | ||
===== 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. | ||
- | ===== 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 | ||