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 [2019/10/17 08:28] timur.zhangirov [Разработка и реализация алгоритма сжатия данных на основе автокодирующих нейронных сетей] |
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 | ||
| - | |||
| - | |||
| - | ==== 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 ===== | ===== Марк Заславский ===== | ||
| Line 67: | Line 19: | ||
| ===== 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 95: | 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 | ||
staff/courses/theses.1571300902.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
