Differences

This shows you the differences between two versions of the page.

--- tematy_prac_magisterskich [2022/09/12 20:17]
pszwed
+++ tematy_prac_magisterskich [2023/09/14 15:32] (current)
pszwed [2023]
@@ Line 1: / Line 1: @@
 ====== Tematy prac magisterskich ======
+===== 2023 =====
+Na razie szkic
+  - [Zarezerwowane A.P] Budowa i uczenie ChatBota [[https://chatterbot.readthedocs.io/en/stable/index.html]]. Uczenie na podstawie plików z napisami do filmów. Web scraping plików z napisami. Prosta aplikacja, np. Dash demonstrująca jego działanie
+  - [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 "widzi" tylko części zbioru. Przetestujemy różne podziały - zachowujące częstości wystąpienia klas i ukierunkowane na wybieranie części klas. Testujemy także podział: klasa A i inne. Sklasyfikowane jako "inne" trafiają do kolejnego klasyfikatora. Kontynuujemy tworząc łańcuch...
+  - 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, które sprawdzi różne kombinacje. A więc z XYZ należy podstawić jakiś znany algorytm (metaheurystykę) dla zagadnień dyskretnych. Klasycznym rozwiązaniem jest alg. genetyczny. Dodatkową modyfikacją ma być zmiana w relacji nierozróżnialności. Zamiast równości atrybutu, spełnienie predykatu.
+  - [Zarezerwowane M.M.] Ustalanie autorstwa/stylu obrazów. W pracy należy zgromadzić przykłady obrazów różnych artystów reprezentujących różne style. Stosujemy dwie etykiety - autor i styl. Następnie generujemy wycinki obrazów i trenujemy klasyfikator z funkcją straty agregującą autora i styl. Klasyfikator jest uczony na wycinkach obrazów (mniej więcej w stylu laboratorium dotyczącego augmentacji danych z Comp Intelligence). Zastosujemy transfer learning (z douczaniem i bez).
+  - [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, można przypuszczać, że nowsze gatunki będą słabiej rozróżnialne. Do ekstrakcji cech wykorzystywana jest librosa. Na ten temat było laboratorium z Eksploracji danych dla specjalności IO.
+  - Zastosowanie rozmytych map kognitywnych do klasyfikacji szeregów czasowych. Rozmyte mapy kognitywne są porównywalne z rekurencyjnymi sieciami neuronowymi [[https://en.wikipedia.org/wiki/Fuzzy_cognitive_map]]. Użyjemy mapy kognitywnej wyższego stopnia, która będzie pamiętała k poprzednich wartości. Liczba węzłów wyjściowych odpowiada liczbie klas. Mapa ma przetwarzać ciągi róznej długości (bez wyrównania). Należy przetestować kilkanąscie jedno i wielowymiarowych zbiorów danych dla różnych stopni mapy. Platforma TensorFlow i zastosowanie gradientowego algorytmu uczenia mapy.
 ===== 2022 =====
@@ Line 35: / Line 43: @@
 ==== 7. Hybrydowe metoda optymalizacji ciągłej ====
+//Zarezerwowane MS//
 Celem pracy jest opracowanie i przebadanie hybrydowego populacyjnego algorytmu optymalizacji.  Jego ideą jest podział procesu optymalizacji na epoki, podczas których nieprzerwanie wykonywana jest określona liczba iteracji algorytmu o pewnej konfiguracji.  Po zakończeniu epoki jej populacja przechodzi do następnej epoki, w której następuje wybór innego  algorytmu/konfiguracji. Wybór następuje z pewnym prawdopodobieństwem, które zmienia się w zależności od oceny algorytmu/konfiguracji w poprzedniej epoce.
@@ Line 72: / Line 83: @@
+==== 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 =====