Differences

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

--- tematy_prac_inzynierskich [2020/10/07 14:55]
pszwed [2. Algorytmy optymalizacji ciagłej z użyciem numpy]
+++ tematy_prac_inzynierskich [2024/06/17 14:54] (current)
pszwed [2024]
@@ Line 9: / Line 9: @@
 ====== Tematy prac inżynierskich ======
+===== 2024 =====
+Możliwe jest zgłaszanie propozycji własnych tematów. Ważnym dla mnie problemem jest wypełnienie rozwijanej aplikacji danymi tak, aby możliwe było przetestowanie wydajności. Raczej oczekiwane jest użycie 10000+ rekordów, a nie np. 20.
+==== 1. Algorytm uczenia ze wzmocnieniem do optymalizacji rozmieszczenia pojazdów w usłudze CarSharing ====
+Wprowadzenie: {{ ::prezentacja-pau-v05.pdf |}}
+===== 2023 =====
+Możliwe jest zgłaszanie propozycji własnych tematów. Ważnym dla mnie problemem jest wypełnienie rozwijanej aplikacji danymi tak, aby możliwe było przetestowanie wydajności. Raczej oczekiwane jest użycie 10000+ rekordów, a nie np. 20.
+==== 1. Aplikacja do analizy sieci społecznościowej pracowników AGH ====
+Zarezerwowane [M.D.]
+Zakres pracy:
+  - webscraping danych o publikacjach pracowników AGH (być może z pewnymi ograniczeniami)
+  - zapis do bazy danych
+  - budowa grafów powiązań pomiędzy pracownikami (wspólne publikacje, takie same słowa kluczowe publikacji)
+  - wizualizacja i przeglądanie danych
+==== 2. Uczenie ze wzmocnieniem na platformie Ray ====
+Opracowanie jednego lub kilku przykładów ucznia ze wzmocnieniem korzystającego z modułów platformy [[https://www.ray.io/|Ray]]
+Typowe zastosowanie - gra, której stan jest obserwowany i w zależności od stanu należy wydać odpowiednie polecenie.
+Przy wsparciu biblioteki proces uczenia rozdzielony pomiędzy współbieżne zadania lub agentów. Należy zbierać dane dotyczące wydajności systemu (w tym czasów wykonania).
+==== 3. Optymalizacja rozmieszczenia pojazdów w Car Sharing ====
+[D.K. - rezerwacja wersji z Gurobi]
+Celem jest rozwiązanie następującego zagadnienia:
+  * mamy k lokalizacji (na przykład dzielnic) oraz pewną liczbę n pojazdów
+  * w danym czasie t pojazdy są  rozmieszczone w lokalizacjach lub są w ruchu
+  * Znane jest prawdopodobieństwo P(i,j,t) przejazdu z lokalizacji i do j rozpoczynającego się w czasie t. Czasy możemy zdyskretyzować , np. do 15 min.
+  * Znany jest czas tego przejazdu T(i,j,t)
+  * Jeżeli rozważymy pewien horyzont czasowy, np. 24h to możemy zasymulować zachowanie systemu i obliczyć E[T] - wartość oczekiwaną sumarycznego czasu ruchu samochodów w ciągu doby. W ten sposób wyznaczamy wartość funkcji celu.
+  * W celu optymalizacji podejmujemy decyzję dotyczącą transferu pojazdu z lokalizacji i do j rozpoczętego w czasie t x_{ijt} = 0/1. Staramy przenieść samochody z lokalizacji o małym popycie do lokalizacji bardziej atrakcyjnych, niekoniecznie w danym momencie ale za kilka godzin.
+  * Liczba przemieszczanych w danym momencie samochodów jest ograniczona (np. m=10 to liczba pracowników zajmujących się przemieszczaniem)
+  * Do rozważenia - platforma gurobi,  [[https://www.gurobi.com/jupyter_models/vehicle-rental-optimization/]]
+  * lub opracowanie i implementacja własnago algorytmu heurystycznego
+[W zasadzie może to być kilka prac,  gurobi vs. własna implementacja, różne algorytmy, implemetacja na GPU - CUDA lub OpenCL, itd.]
+==== 4. Propagacja informacji w dużym grafie (= grafie sieci drogowej) ====
+[Zarezerwowane P.G. 02.07.2023]
+Celem pracy jest implementacja i testy oprogramowania implementującego 2-3 algorytmy propagacji informacji w grafie. Załóżmy, że utworzymy graf sieci drogowej Krakowa wydzielając kilkudziesięciometrowe odcinki dróg. Aktywacja jednego z odcinków (np. zmiana gęstości ruchu lub innego parametru) powinna być rozpropagowana w jego sąsiedztwie. Możliwe algorytmy to przesyłanie komunikatów do sąsiadów, rozwiązania wzorowane na automatach komórkowych lub losowe błądzenie po grafie (z ograniczeniem liczby kroków).
+Oczekiwana jest wizualizacja wyników (np. pogrubione/pokolorowane odcinki dróg). Możliwa implementacja na GPU (CUDA lub OpenCL).
+==== 5. Zapytania w języku naturalnym do bazy danych (geograficznych) ====
+[Zarezerwowane A.M.]
+Interesuje nas zbiór danych przechowywanych w bazie OSM (https://www.openstreetmap.org/) dla Polski.
+Zakładamy pewną skończoną liczbę typów zapytań dotyczących różnych obiektów (około 20-30) , np.:
+  * "miejscowość poniżej 10000 mieszkańców położone w pobliżu jeziora"
+  * "parkingi w Krakowie w dzielnicy Krowodrza"
+takie zapytania należy rozpoznać i zamienić na kwerendy do BD, a następnie wyświetlić wyniki w aplikacji webowej
+  * Do przetwarzania tekstu i rozpoznawania typów zapytań i ich argumentów należy użyć biblioteki spaCy [[https://spacy.io/]] a zwłąszcza [[https://spacy.io/api/matcher]]
+  * Aplikację można zaprojektować w architekturze backend - frontend, albo w postaci monolitycznej.
+  * Językiem spaCy jest Python, więc
+       * albo usługa będzie dostępna poprzez mikroserwis,
+       * albo backend będzie napisany w Pythonie (np. Flask, FastAPI)
+       * albo cała aplikacja będzie napisana w Pythonie (np. Django lub dash)
+==== 6. Gra połączona z agentową symulacją świata ====
+[Rezerwacja J.G]
+===== 2021 =====
+**Wyczerpałem limit prac inżynierskich**
+Możliwe jest zgłaszanie własnych tematów. Jednak, nie chcę prowadzić prac polegających na implementacji aplikacji webowej/mobilnej
+z użyciem typowego stosu technologicznego, do której dorobiona jest specyfikacja w stylu [[http://home.agh.edu.pl/~pszwed/wiki/doku.php?id=amo:projekt_tematy|Analizy i Modelowania Oprogramowania]]. Na ogół bardzo trudno taką aplikację wypełnić danymi i później porządnie przetestować.
+=== 1. Optymalizacja ciągła: PyTorch + algorytm pszczeli===
+[zajęte, MW]
+=== 2. Optymalizacja ciągła - algorytm mrówkowy===
+Obejmuje opracowanie algorytmu (specyficzna implementacja). Platforma TensorFlow lub PyTorch lub CUDA
+Testy z użyciem funkcji testowych z konferencji CEC
+[zajęte MS]
+=== 3. Inne algorytmy optymalizacji ciągłej ===
+Do ustalenia.  [jeszcze jeden temat zarezerwowany ... AZ]
+=== 4. Baza wiedzy z rozmytymi relacjami===
+Na przykładzie rekomendacji dietetycznych dla różnych typów schorzeń.
+Obejmuje: bazę, interfejs dostępu REST do odczytu i zapisu, aplikację webową. Należy wypełnić bazę przykładowymi danymi, np dla 2-3 schorzeń i produktów spozywczych.  [zajęte MK]
+=== 5. Repozytorium danych tekstowych na potrzeby NLP ===
+Obejmuje projekt i implementację bazy danych + web scraping artykułów z wybranych 2-3 źródeł (np. PubMed), indeksowanie według wybranych terminów. [zarezerwowane PM]
+=== 6. Rozpoznawanie aktywności użytkownika na podstawie odczytów czujników urządzenia mobilnego ===
+Aplikacja mobilna zbierająca i interpretująca dane. Należy zarejestrować przykłady odczytów (bieg, chód,  jazda samochodem, rowerem). Następnie przeprowadzić ekstrakcję cech (widmo częstotliwości, zero-crossing rate, itp) i przeprowadzić klasyfikację.  [zarezerwowane]
+=== 7. Predykcja szeregów czasowych z użyciem Rozmytych Map Kognitywnych ===
+Implementacja na platformie TensorFlow lub PyTorch. Najchętniej na (części) danych typu PEMS https://dot.ca.gov/programs/traffic-operations/mpr/pems-source
+=== 8. Projekt i implementacja wybranych algorytmów grupowania dla PostgreSQL===
+Przykładowe algorytmy to k-means, db-scan, ward.  Implementacja w języku PL/pgSQL. Projekt obejmuje generację danych syntetycznych różnych rozmiarów i testy algorytmów. [zarezerwowane HM]
+=== 9. Rozpoznawanie emocji w głosie===
+W ramach pracy należy zdefiniować kilka kategorii emocji (spokojna rozmowa, uprzejma rozmowa z klientem, kłótnia, program informacyjny, itp.) Dla każdej kategorii należy wyekstrahować około 100 kilkunastosekundowych przykładów z różnych źródeł (filmy, podcasty). Następnie korzystając z biblioteki librosa wyekstrahować cechy i przeprowadzić klasyfikację. Patrz [[http://home.agh.edu.pl/~pszwed/wiki/doku.php?id=med:start]]
+[zajęte MW]
+=== 10. Generacja informacji o ruchu w grafie ===
+Graf sieci drogowej na podstawie mapy OSM. Rozmiar - co najmniej aglomeracja. W sieci porusza się duża liczba obiektów, dla każdego obiektu losowany jest punkt startowy i końcowy i wyznaczana droga (np. algorytmem A-star). Oprogramowanie ma zbierać informacje o koncentracji obiektów w danym miejscu i przedziale czasu (natężeniu ruchu).    [zarezerwowane SK]
+=== 11. Grupowanie obiektów na mapie===
+Implementacja algorytmu, który będzie łączył w grupy blisko położone obiekty. Odległość musi uwzględniać rzeczywistą odległość w sieci drogowej (długość drogi wyznaczonej np. algorytmem A-star). [zarezerwowane KR]
+=== 12. Wirtualny wyścig ===
+[Zajęte AK]
+=== 13. Animacja awatara ===
+[zarezerwowane AG]
+<!--
+**Na razie nie mam propozycji tematów **
+Generalnie, nie chcę prowadzić tematów polegających na implementacji aplikacji webowej/mobilnej z użyciem typowego stosu technologicznego, do której dorobiona jest specyfikacja w stylu [[http://home.agh.edu.pl/~pszwed/wiki/doku.php?id=amo:projekt_tematy|Analizy i Modelowania Oprogramowania]]. Na ogół bardzo trudno taką aplikację wypełnić danymi i później porządnie przetestować.
+Typowy zakres prac
+  * eksploracji danych/uczenie maszynowego - tu można wybrać kilka obszarów - obrazy, muzyka, NLP, szeregi czasowe, np. dane o natężeniu ruchu drogowego, notowania giełdowe
+  * algorytmy optymalizacji ciagłej (ale na platformie typu TensorFlow lub PyTorch)
+  * może to być implementacja systemu, który będzie miał jakiś inteligentny komponent albo będzie przydatne w tej dziedzinie - jak narzędzie do etykietowania
+-->
 ===== 2020 =====