This shows you the differences between two versions of the page.
staff:courses:theses [2019/10/04 12:21] timur.zhangirov [Тимур Жангиров] |
staff:courses:theses [2022/12/10 09:08] |
||
---|---|---|---|
Line 1: | Line 1: | ||
- | ====== Идеи для тем дипломов ====== | ||
- | |||
- | |||
- | |||
- | ===== 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 | ||
- | |||
- | |||
- | ==== 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. | ||
- | |||
- | |||
- | |||
- | |||
- | ===== 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 | ||
- | |||
- | |||
- | |||
- | ===== 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 ==== | ||
- | |||
- | 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 | ||
- | |||
- | ==== 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 лабораторных занятий ==== | ||
- | |||
- | 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. | ||
- | |||
- | ==== Проверка кода студента на жульничество ==== | ||
- | |||
- | 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. | ||
- | |||
- | |||
- | ===== 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 | ||
- | |||
- | === Разработка и реализация алгоритма сжатия данных на основе автокодирующих нейронных сетей === | ||
- | 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 | ||
- | |||
- | === 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 | ||
- | ===== Дмитрий Карташев ===== | ||