Differences
This shows you the differences between two versions of the page.
Both sides previous revision Previous revision Next revision | Previous revision | ||
tematy_prac_magisterskich [2022/09/12 13:35] pszwed [Klasteryzacja danych z TMDB] |
tematy_prac_magisterskich [2023/09/14 15:32] (current) pszwed [2023] |
||
---|---|---|---|
Line 1: | Line 1: | ||
====== Tematy prac magisterskich ====== | ====== Tematy prac magisterskich ====== | ||
+ | ===== 2023 ===== | ||
+ | Na razie szkic | ||
+ | - [Zarezerwowane A.P] Budowa i uczenie ChatBota [[https:// | ||
+ | - [Zarezerwowane B.B.] Uczenie zespołowe z wykorzystaniem platformy ray.io. Np. dla zagadnienia klasyfikacji. Budujemy zbiór równolegle uczonych klasyfikatorów C, a następnie podczas predykcji agregujemy wyniki (głosowanie). W pracy należy przetworzyć kilka zbiorów danych. Należy porównać działanie dla wybranych podzbiorów zbioru C. Dany klasyfikator " | ||
+ | - Zastosowanie algorytmu XYZ [PSO-roju cząstek lub ACO - mrówkowy lub ABC - pszczeli] w procesie wyboru cech opartym na metodzie zbiorów przybliżonych. Praca powinna zawierać przegląd zagadnień związanych ze zbiorami przybliżonymi (rough sets) i ich zastosowaniem do wyboru cech. RS dzielą przestrzeń na 3 podzbiory - elementów które należą do zbioru, te które nie należą i podzbiór brzegowy - elementów co do których nie ma pewności. W procesie wyboru cech usuwane są te atrybuty, które nie modyfikują tego podziału. Zazwyczaj potrzebny jest algorytm optymalizacyjny, | ||
+ | - [Zarezerwowane M.M.] Ustalanie autorstwa/ | ||
+ | - [Zarezerwowane P.W.] Autorstwo utworów muzycznych. Przygotowujemy kilka zestawów danych wewnątrz gatunków, np. muzyka klasyczna, pop, rock, klubowa, disco-polo, k-pop, itp. W ramach tch gatunków należy rozpoznać autora (zespół). Ponieważ współczesne utwory muzyczne są produktem poddanym mocnej obróbce dźwiękowej, | ||
+ | - Zastosowanie rozmytych map kognitywnych do klasyfikacji szeregów czasowych. Rozmyte mapy kognitywne są porównywalne z rekurencyjnymi sieciami neuronowymi [[https:// | ||
===== 2022 ===== | ===== 2022 ===== | ||
+ | ==== 1. Detekcja anomalii na nagraniach z rejestratorów lotniczych (MP ?) ==== | ||
- | ==== Detekcja anomalii na nagraniach z rejestratorów lotniczych | + | ==== 2. Klasyfikacja szeregów czasowych |
- | ==== Klasyfikacja szeregów czasowych (MW ?) ==== | ||
+ | ==== 3. Zastosowanie rozmytych map kognitywnych do predykcji natężenia ruchu drogowego ==== | ||
+ | // | ||
- | ==== Zastosowanie rozmytych map kognitywnych do predykcji natężenia ruchu drogowego ==== | ||
Rozmyte mapy kognitywne (ang. Fuzzy Cognitive Maps - FCM) są bliskie rekurencyjnym sieciom neuronowym. Celem pracy jest opracowanie i przebadanie algorytmu, który będzie automatycznie budował model dla wielowymiarowych danych z pomiarami natężenia ruchu drogowego w sieci autostrad. Źródłem danych będzie system PEMS. | Rozmyte mapy kognitywne (ang. Fuzzy Cognitive Maps - FCM) są bliskie rekurencyjnym sieciom neuronowym. Celem pracy jest opracowanie i przebadanie algorytmu, który będzie automatycznie budował model dla wielowymiarowych danych z pomiarami natężenia ruchu drogowego w sieci autostrad. Źródłem danych będzie system PEMS. | ||
- | ==== Estymacja gęstości prawdopodobieństwa dla danych komunikacyjnych ==== | + | ==== 4. Estymacja gęstości prawdopodobieństwa dla danych komunikacyjnych ==== |
// | // | ||
Line 21: | Line 30: | ||
Są to na ogół estymacje na podstawie odległości euklidesowej od punktów w przestrzeni R2. Celem pracy będzie opracowanie oprogramowania, | Są to na ogół estymacje na podstawie odległości euklidesowej od punktów w przestrzeni R2. Celem pracy będzie opracowanie oprogramowania, | ||
- | ==== Grupowanie i predykcja dla danych komunikacyjnych z systemu Car Sharing ==== | + | ==== 5. Grupowanie i predykcja dla danych komunikacyjnych z systemu Car Sharing ==== |
// | // | ||
Line 29: | Line 38: | ||
Predykcja działa zupełnie nieźle dla dzielnic, ale duże dzielnice są dość niejednorodne. | Predykcja działa zupełnie nieźle dla dzielnic, ale duże dzielnice są dość niejednorodne. | ||
- | ==== Optymalizacja miejsc parkowania pojazdów w systemie Car Sharing ==== | + | ==== 6. Optymalizacja miejsc parkowania pojazdów w systemie Car Sharing ==== |
Celem pracy jest opracowanie i przebadanie algorytmu, który będzie podpowiadał decyzje o relokacji zaparkowanych pojazdów w celu lepszego zaspokojenia zapotrzebowania na pojazdy. | Celem pracy jest opracowanie i przebadanie algorytmu, który będzie podpowiadał decyzje o relokacji zaparkowanych pojazdów w celu lepszego zaspokojenia zapotrzebowania na pojazdy. | ||
- | ==== Hybrydowe metoda optymalizacji ciągłej ==== | + | ==== 7. Hybrydowe metoda optymalizacji ciągłej ==== |
+ | |||
+ | // | ||
Celem pracy jest opracowanie i przebadanie hybrydowego populacyjnego algorytmu optymalizacji. | Celem pracy jest opracowanie i przebadanie hybrydowego populacyjnego algorytmu optymalizacji. | ||
- | ==== Agentowa/ | + | ==== 8. Agentowa/ |
+ | |||
+ | // Rezerwacja A.Z.// | ||
Celem pracy jest opracowanie metody optymalizacji lokalnej (np. dla algorytmu pszczelego) zainspirowanej zachowaniem organizmów. Atrybutem agenta jest rozwiązanie. Agenci przeszukują swoją przestrzeń lokalną wykonując | Celem pracy jest opracowanie metody optymalizacji lokalnej (np. dla algorytmu pszczelego) zainspirowanej zachowaniem organizmów. Atrybutem agenta jest rozwiązanie. Agenci przeszukują swoją przestrzeń lokalną wykonując | ||
- | ==== Algorytm rekomendacji filmów (?) ==== | + | ==== 9. Algorytm rekomendacji filmów (?) ==== |
+ | |||
+ | // | ||
Na podstawie danych z MovieLens rozszerzonych o dane zawarte w TMDB: | Na podstawie danych z MovieLens rozszerzonych o dane zawarte w TMDB: | ||
plakat, opis fabuły, informacje o obsadzie, itp. Wykorzystanie sieci konwolucyjnych do przetwarzania posteru oraz LSTM (lub podobnych) do opisu fabuły. Do rozważenia warstwy embedding. | plakat, opis fabuły, informacje o obsadzie, itp. Wykorzystanie sieci konwolucyjnych do przetwarzania posteru oraz LSTM (lub podobnych) do opisu fabuły. Do rozważenia warstwy embedding. | ||
- | ==== Klasteryzacja danych z TMDB ==== | + | ==== 10. Klasteryzacja danych z TMDB ==== |
// | // | ||
Line 53: | Line 72: | ||
Zweryfikować jakość grupowania, stosując metrykę typu Vmeasure z użyciem informacji o gatunkach. | Zweryfikować jakość grupowania, stosując metrykę typu Vmeasure z użyciem informacji o gatunkach. | ||
- | ==== Przewidywanie cen nieruchomości (?) ==== | + | ==== 11. Przewidywanie cen nieruchomości (?) ==== |
+ | |||
+ | // | ||
- Web scraping danych z serwisu (gratka/ | - Web scraping danych z serwisu (gratka/ | ||
Line 60: | Line 81: | ||
- budowa cech (dane strukturalne i niestrukturalne na podstawie opisu) | - budowa cech (dane strukturalne i niestrukturalne na podstawie opisu) | ||
- sieć konwolucyjna dla zdjęć | - sieć konwolucyjna dla zdjęć | ||
+ | |||
+ | |||
+ | ==== 12. Ostatni slot ==== | ||
+ | |||
+ | |||
+ | - Przewidywanie sposobu wykorzystania terenu (ang. landuse) na podstawie zdjęć satelitarnych i danych OSM. Pobieranie zdjęć satelitarnych (Google?). Etykietowanie za pomocą danych OSM. Nanoszenie na obraz maski (obszarów ze znanymi etykietami). Zastosowanie algorytmów segmentacji opartych na sieciach neuronowych. | ||
+ | - Przygotowanie zbioru danych do rozpoznawania twarzy (na podstawie sekwencji wideo). Następnie użycie / dotrenowanie sieci typu OpenFace. Rozpoznawanie na klatkach wideo z wieloma twarzami. | ||
+ | - Symulacja deepfake. Celem jest zamiana twarzy na sekwencji wideo. (1) Rozpoznawanie punktów charakterystycznych - landmarków na dwóch zdjeciach A - oryginalnym i B - fałszywym (2) transformacja zdjęcia B zgodnie ze przesunięciami na A (3) Wygładzanie B - filtry i sieć GAN (4) Nałozenie B na oryginalne zdjęcie w miejsce A | ||
+ | - Ekstrakcja relacji z tekstów. Relacje pomiędzy zidentyfikowanymi terminami (ang. Named entity). | ||
===== 2021 ===== | ===== 2021 ===== |