-
Notifications
You must be signed in to change notification settings - Fork 5
/
Temy_KT_2018.txt
2865 lines (2657 loc) · 238 KB
/
Temy_KT_2018.txt
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
Темы курсовых, бакалаврских и магистерских
работ от международного научного центра
«Компьютерные технологии» и друзей — 2018
В этом документе приведены возможные темы для курсовых, бакалаврских и магистерских
работ, стартующих в 2018 году.
Темы предыдущих лет: 2017, 2016, 2015, 2014
Шаблон темы
Темы по биоинформатике
Разработка конвейера для анализа HiC данных
Разработка конвейера для анализа ChIP-seq данных
Разработка Кномикс-Биоты - интерактивной системы для анализа метагеномных данных
Мета-анализ микробиоты пива
Солвер для задачи flux variance analysis с термодинамическими ограничениями на
основе сведения к целочисленному линейному программированию
Разработка алгоритма для поиска соответствия атомов в биохимических реакциях
Построение филогенетических сетей для штаммов вирусов
Темы по машинному обучению и анализу данных
Детекция и распознавание символов на изображениях
Понимание естественного языка
Система оценки задач кластеризации
Система выбора и настройки алгоритмов кластеризации на основе SMBO & AT
Система выбора и настройки алгоритмов классификации на основе SMBO & AT
Интеллектуальное удаление объектов
по нескольким фотоснимкам с разных ракурсов
Автоматическое исправление искажений на фотографии
с помощью нейронных сетей
Визуальный автопилот для DJI дрона
Обращение Random Forest
Исследование отсекающих правил ансамблей фильтрующих алгоритмов выбора
признаков
Исследование применимости мета-обучения для выбора отсекающих правил
ансамблей фильтрующих алгоритмов выбора признаков
Открытая тема по обработке естественного языка в информационном поиске
Обфускация данных для машинного обучения
Применение B-сплайнов (NURBS) в методе Embedded Deformation
Использование спектральных поверхностных дескрипторов в задачах распознавания
пространственных объектов на 3D сцене
Семантическая сегментация 3D сцен
Генеративные модели для улучшения 3D сцены, восстановленной фотограмметрией /
заполнение отверстий в 3D моделях с помощью генеративных нейросетей
Генерация трехмерных моделей по фотографии
Transformer-based multi-document scientific abstracts generation
Language Modelling with Deep Transformers for Generating Pseudo-Scientific Texts
Transformer-based Graph Convolutional Networks for Multi-Document Summarization
Распознавание дерматологических структур на изображениях родинок
Распределенный алгоритм иерархической кластеризации сообществ в социальном
графе
Обучение метрики похожести сообществ с помощью выделения векторного
представления
Поиск мошеннических действий в социальных сетях с помощью методов выделения
векторного представления в графах
Профилирование пользователей из профессиональных социальных сетей
Идентификация одного и того же пользователя в различных соц сетях
Работа с мультиязычными данными для задачи определения психотипа по данным из
социальных сетей
Темы по дискретной оптимизации и формальным методам в киберфизических системах
Слайды В. Вяткина
Использование SAT/CSP-решателей в задаче планирования операций судов в порту
Modular, plugin-based IEC 61499 platform
Укладка конечных автоматов и сетей функциональных блоков на плоскость
Верификация программ с временными штампами
редсказание вычислительной сложности формальной верификации методами
П
машинного обучения
Автокорректировка управляющих программ по результатам их верификации
Алгоритмы управления в виде нейронных сетей: реализация на микроконтроллерах и
формальная верификация (возможно, это два проекта)
Темы по технологиям#heading=h.sohly55rm11gпрограммирования
Just-in-Time meets Divide-and-Conquer: что делать?
Темы по эволюционным вычислениям
[ЗАНЯТО] Тема 1. Адаптивный контроль параметров эволюционных алгоритмов в
случае, когда значения функции приспособленности динамически изменяются
Тема 2. Machine Learning meets Parameter Control
Темы 3, 4. Beyond Expected Optimization Times
Разработка эффективных операторов скрещивания и мутации в мультиплоидных
алгоритмах
Теоретический анализ методов адаптивной настройки параметров при решении
практических задач
Анализ адаптивной настройки мутации с помощью ε-greedy Q-learning на примере
задачи LeadingOnes
Теоретический анализ random-walk’ов
Разработка метода получения нижних оценок для бинарных несмещенных алгоритмов.
Адаптивный генетический алгоритм для генерации связей данных в приложении из
функциональных блоков
Итеративная разработка спецификации для формальных моделей
Разработка автоматического портфолио для black-box оптимизации (BBComp)
Разработка решений для соревновательных задач эволюционных вычислений
Получение дизайна сверхнаправленной диэлектрической наноантенны при помощи
эволюционных алгоритмов
Темы по сжатию видеопотоков
Темы по компьютерным сетям
Ускорения существующих методов верификации сетевых программ
Темы по конкурентным вычислениям
1. Can You Scale Machine Learning to Hundreds of Cores? (Dan Alistarh)
2. Communication-Scalable Machine Learning. (Dan Alistarh)
3. A Scalable Simulator for Billions of Interacting Molecules. (Dan Alistarh)
4. Concurrent Union-Find Algorithms. (Dan Alistarh)
7. Transactional Scalability on 1000+ Processor Cores. (Dan Alistarh)
8. Time-traveling concurrency control protocols. (Dan Alistarh)
9. CDSBench: A Serious Benchmarking Framework for Concurrent Data Structures. (Dan
Alistarh)
[ЗАНЯТО]10. Implementing Byzantine-Resilient Machine Learning Algorithms. (Dan Alistarh)
11. Compressing Neural Networks for Fun and Profit (Dan Alistarh)
1. Non-Volatile Computability (Petr Kuznetsov)
2. Byzantine Fault-Tolerant Reconfigurable Systems (Petr Kuznetsov)
3. Synchrony Assumptions for Blockchain Systems (Petr Kuznetsov)
4. Robust Cortical Learning (Petr Kuznetsov)
5. Combinatorial Structures for Bonded-Memory Computing (Petr Kuznetsov)
Темы от Транзаса
Разработка алгоритма динамической замены правил визуализации для электронных
навигационных карт
Разработка формата хранения данных для карт ручной корректуры
Шаблон темы
Руководители: ФИО (почта@сервер), ФИО2, …
Уровень: стажировка/курсовая/бакалаврская/магистерская
Описание предметной области
<текст>
Цель работы: <краткое описание>
Что следует сделать:
● Пункт планируемой деятельности 1
● Пункт планируемой деятельности 2
Ожидаемые результаты: <что видим в теме в качестве результата>
Требования: <требования к кандидатуре>
Источники:
● Статья по теме со ссылкой на скачивание
● URL полезного ресурса
Темы по биоинформатике
Разработка конвейера для анализа HiC данных
Руководители:Александр Тяхт ([email protected])
Уровень:курсовая
Описание предметной области:
Технология HiC - опубликованная в 2009 г. методика анализа пространственной структуры
хромосом, основанная на высокопроизводительном секвенировании. Анализ таких
“больших данных” совместно с другими омикс-данными позволяет прояснить
фундаментальные вопросы относительно архитектуры генома, регуляции генной
экспресии, биологии раннего развития и др. В настоящее время алгоритмы обработки HiC
данных стремительно развиваются.
Цель работы: Сборка и оптимизация вычислительного пайплайна для анализа HiC данных
с фокусом на данных по клеточным линиям Drosophila melanogaster - cовместно с
биологами и биоинформатиками из Института биологии гена (Москва). Применение для
анализа новых данных, накопленных в ИБГ.
Что следует сделать:
- Ознакомиться с принципами технологии HiC
- Сравнительный обзор пакетов для первичной обработки данных
- Создание схемы базы данных и наполнение ее экспериментальными данными из
ENCODE/modENCODE (включая RNA-seq и ChIP-seq для кросс-анализа)
- Валидация на данных из статьи
Ожидаемые результаты: вычислительный конвейер, заполненная база данных с
общедоступными и новыми данными,
Требования: знание R и/или Python, знание английского языка на уровне чтения научных
статей по биологии/биоинформатике.
Источники
1) Comprehensive mapping of long-range interactions reveals folding principles of the human
genome
https://www.ncbi.nlm.nih.gov/pubmed/19815776
2) Topological domains in mammalian genomes identified by analysis of chromatin
interactions
https://www.nature.com/articles/nature11082
3) A 3D Map of the Human Genome at Kilobase Resolution Reveals Principles of Chromatin
Looping
https://www.ncbi.nlm.nih.gov/pubmed/25497547
4) Comparison of computational methods for Hi-C data analysis
https://www.nature.com/articles/nmeth.4325
5) (одна из статей ИБГ) Active chromatin and transcription play a key role in chromosome
partitioning into topologically associating domains
https://genome.cshlp.org/content/early/2015/10/30/gr.196006.115
Разработка конвейера для анализа ChIP-seq данных
Руководители:Александр Тяхт ([email protected])
Уровень:курсовая
Описание предметной области:
Технология ChIP-seq - это способ изучения ДНК-связывающих белков на основе
NGS-секвенирования. Среди насущных вопросов, на которые можно ответить - как белки
колокализуются между собой и какие имеют мотивы связывания. Проект будет посвящен
анализу данных по ряду белков-инсуляторов, которые совместно с CP190 участвуют в
регуляции транскрипции.
Цель работы:
Оптимизация прототипа вычислительного пайплайна для анализа ChIP-seq данных и
разработка базы данных - cовместно с биологами и биоинформатиками из Института
биологии гена (Москва). Сравнение результатов работы пайплайна с данными
общедоступных баз.
Что следует сделать:
- Изучить принципы технологии ChIP-seq и основ анализа данных
- Ознакомиться с существующим прототипом пайплайном и базы
- Ознакомиться с базой GFP
- Оптимизация пайплайна
- Сравнить результаты анализа CHIP-seq с результатами базы GFP для ряда белков
Ожидаемые результаты: вычислительный конвейер, заполненная база данных с
общедоступными и новыми данными.
Требования: знание R и/или Python, знание английского языка на уровне чтения научных
статей по биологии/биоинформатике. Опыт работы с ChIP-seq - плюс.
Источники
1) Гайдлайн по об обработке CHIP-seq данных:
https://genome.cshlp.org/content/22/9/1813.long
2) Пример исследования архитектурных белков:
https://genome.cshlp.org/content/25/1/89.long
3) (одна из статей ИБГ) Architectural proteins Pita, Zw5,and ZIPIC contain
homodimerization domain and support specific long-range interactions in Drosophila
https://www.ncbi.nlm.nih.gov/pubmed/27137890
4) Recent advances in ChIP-seq analysis: from quality management to whole-genome
annotation
https://www.ncbi.nlm.nih.gov/pubmed/26979602
Разработка Кномикс-Биоты - интерактивной системы для анализа
метагеномных данных
Руководители:Александр Тяхт ([email protected])
Уровень:курсовая
Описание предметной области: Система Кномикс-Биота (https://biota.knomics.ru/) онлайн-портал для разведочного и статистического анализа данных по микробиоте
человека и других микробиот, полученных с помощью метагеномного секвенирования.
Среди функций - интерактивные модули визуализации, база данных, анализ ассоциаций
между составом микробиоты и факторами, курированная база опубликованных данных,
доступных для сравнительного анализа пользовательских данных. В настоящий момент
ведутся работы над усовершенствованием портала и наполнением базы знаний с учетом
запросов пользователей.
Цель работы: разработка и внедрение новых аналитических функций в системе
Кномикс-Биота (http://biota.knomics.ru) и обработка больших массивов метагеномных
данных.
Что следует сделать:
- Ознакомиться с системой Кномикс-Биота (biota.knomics.ru)
- Разобраться с основными терминами метагеномики и биоинформатики микробиоты
- Основные шаги - могут включать в себя 1 или более задач:
- Доработка модуля анализа временных рядов (time series)
- Улучшение первичного анализа данных (поиск баркодов, сборка парных
ридов)
- Улучшение алгоритма таксономической классификации
- Литературный поиск с целью сбора метагеномов кишечника человека и
мета-анализа с помощью Кномикс-Биоты на одну из тем (воспалительные
заболевания кишечника; метаболические нарушения; диета; пре-/пробиотики)
Ожидаемые результаты: улучшение существующих и/или создание новых аналитических
модулей; выявление новых ассоциаций между составом микробиоты и внешними
факторами на основе собранных Big Data.
Требования: знание R и/или Python, знание английского языка на уровне чтения научных
статей по биологии/биоинформатике. Опыт анализа метагеномов и данных по микробиоте
человека - плюс.
Источники
1) Knomics-Biota - a system for exploratory analysis of human gut microbiota data
https://biota.knomics.ru/
https://www.biorxiv.org/content/early/2018/03/06/274993
Примеры статей-источников метагеномов по темам:
2) Extensive Modulation of the Fecal Metagenome in Children With Crohn’s Disease During
Exclusive Enteral Nutrition
https://www.nature.com/articles/ajg2015357
3) Gut microbiome diversity and high-fibre intake are related to lower long-term weight gain
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5500185/
4) Gut microbiota is associated with obesity and cardiometabolic disease in a population in
the midst of Westernization
https://www.nature.com/articles/s41598-018-29687-x
Мета-анализ микробиоты пива
Руководители:Александр Тяхт ([email protected])
Уровень:курсовая
Описание предметной области: Микробно-дрожжевое сообщество пива играют ключевую
роль в формировании биохимического состава продукта, влияет на его органолептические
свойства. Однако традиционные методы культивирования дрожжей дают представление
лишь о некоторых членах сообщества и их соотношении. Проект посвящен мета-анализу
накопленных данных о дрожжевом метагеноме пива.
Цель работы: развитие прототипа пайплайна для обработки метагеномных данных
ITS-секвенирования на базе аналитической системы Кномикс-Биота (http://biota.knomics.ru)
и статистическая обработка массивов опубликованных данных этого типа.
Что следует сделать:
- Ознакомиться с системой Кномикс-Биота (biota.knomics.ru)
- Разобраться с основными терминами метагеномики и микробной экологии пива
- Провести литературный поиск по теме “метагеном пива” и обработать найденные
сырые данные в Кномикс-Биоте
- Оптимизировать алгоритм таксономической классификации
- Провести многофакторный анализ по множеству исследований на предмет
ассоциаций микробиоты пива с органолептическими и другими параметрами
-
Возможно, впервые проанализировать новые данные от российских крафтовых
пивоварен
Ожидаемые результаты: мета-анализ состава пивного микробиома и оптимизированный
модуль анализа ITS-метагеномов.
Требования: знание R и/или Python, знание английского языка на уровне чтения научных
статей по биологии/биоинформатике. Представление об технологическом процессе и
основных органолептических и других характеристиках изучаемого объекта - плюс.
Источники
5) Knomics-Biota - a system for exploratory analysis of human gut microbiota data
https://biota.knomics.ru/
https://www.biorxiv.org/content/early/2018/03/06/274993
6) BeerDeCoded: the open beer metagenome project
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5657021/(типовой источник данных)
7) Mapping microbial ecosystems and spoilage-gene flow in breweries highlights patterns of
contamination and resistance https://elifesciences.org/articles/04634
8) The microbial diversity of an industrially produced lambic beer shares members of a
traditionally produced one and reveals a core microbiota for lambic beer fermentation
https://www.ncbi.nlm.nih.gov/pubmed/25846912
Солвер для задачи flux variance analysis с термодинамическими
ограничениями на основе сведения к целочисленному линейному
программированию
Руководители: Алексей Сергушичев ([email protected])
Уровень: бакалаврская/магистерская
Описание предметной области
Одной из актуальных областей биологии является изучение регуляции метаболизма
(набора биохимических реакций, необходимых для жизнедеятельности клетки). Во-первых,
стала ясна большая роль, которую метаболизм играет в биологических процессах,
особенно в иммунной системе и раковых клетках. Во-вторых, появилась возможность
широкого изучения метаболических процессов из-за удешевления технологий получения
данных транскриптомного и метаболомного профилирования, отражающих активность
ферментов и изменения в концентрациях веществ в клетке, соответственно.
Для анализа есть фреймворк flux balance analysis (FBA), который позволяет немного
моделировать потоки через реакции с помощью оптимизации с линейными ограничениями.
В стандартном виде у этого фреймворка есть проблема: он учитывает закон сохранения
масс, но в нем возможны не валидные потоки сточки зрения термодинамики
(положительный круговой поток). Для решения этой проблемы можно добавить
специальные ограничения, но они являются целочисленными и резко усложняют задачу
оптимизации (она становится NP-трудной).
В 2018 году Дмитрием Якутовым был разработан солвер для задачи оптимизации сложного
потока. В этой теме предлагается на основе этого солвера разработать солвер для задачи
Flux Variance Analysis (FVA), в которой требуется вычислить максимальный и минимальный
поток через каждую реакцию. Базовым решением является запуск 2*N оптимизаций для
каждой отдельной реакции.
Цель работы: сделать практический солвер для задачи FVA с использованием библиотеки
CPLEX.
Задачи:
● Разобраться в том, что такое целочисленное линейное программирование (ILP).
● Разобраться в том, как работает библиотека CPLEX для решения ILP-задач.
● Разобраться в работе Якутова.
● Придумать и реализовать дополнительные особенности сведения, учитывающие
специфику задачи.
● Придумать и реализовать ускоряющие эвристики.
Ожидаемые результаты: программа для решения задачи FVA с термодинамическими
ограничениями.
Источники
●
●
●
●
●
●
http://www.nature.com/nbt/journal/v28/n3/abs/nbt.1614.html— What is flux balance
analysis?
https://www.ncbi.nlm.nih.gov/pubmed/15135031— Thermodynamic constraints for
biochemical networks
https://link.springer.com/chapter/10.1007%2F978-3-319-43681-4_17— пример солвера
на графах для похожей задачи с использованием библиотеки CPLEX
Якутов Д.А. Солвер для задачи линейной оптимизации в пространстве
сбалансированных потоков с термодинамическими ограничениями
Fast-SNP: a fast matrix pre-processing algorithm for efficient loopless flux optimization of
metabolic models https://www.ncbi.nlm.nih.gov/pubmed/27559155
Accelerating flux balance calculations in genome-scale metabolic models by localizing the
application of loopless constraints https://arxiv.org/abs/1711.04084
Разработка алгоритма для поиска соответствия атомов в биохимических
реакциях
Руководитель: Алексей Сергушичев ([email protected])
Уровень: магистерская
Описание предметной области
Понимание механизма биохимической реакции: то есть какие атомы переходят в какие при
прохождении реакции, - является важной составляющей при интерпретации
экспериментальных данных, касающихся регуляции метаболизма в клетке. Обычно задача
определения соответствия решается с помощью варианта задачи изоморфизма графов,
при этом в идеале должны использоваться методы для поиска реакционного пути в
пространстве потенциальной энергии состояний реакции.
В работе предлагается разработать алгоритм для поиска соответствия атомов, строящий в
явном виде возможные переходные состояния реакции и использующий их энергию.
Цель работы: разработать алгоритм для поиска соответствия атомов в биохимической
реакции.
Задачи:
● Разобраться в том, что такое реакции.
● Разобраться в существующих методах.
● Научиться работать с веществами, их энергиями и реакциями.
● Сделать метод.
● Сравниться с существующими методами.
Источники
●
●
●
Comparative evaluation of atom mapping algorithms for balanced metabolic reactions:
application to Recon 3D
https://jcheminf.biomedcentral.com/articles/10.1186/s13321-017-0223-1
Accurate atom-mapping computation for biochemical reactions.
https://www.ncbi.nlm.nih.gov/pubmed/22963657
Сергушичев А.А. Диссертация на тему «Методы вычислительного анализа
метаболических моделей для интерпретации транскриптомных и метаболомных
данных» http://is.ifmo.ru/disser/sergushichev-dissertation.pdf
Построение филогенетических сетей для штаммов вирусов
Руководители: Никита Алексеев ([email protected])
Уровень: магистерская
Описание предметной области
Построение филогенетических сетей для штаммов вирусов – биоинформатическая
задача, имеющая прямые практические приложение (например, восстановление
сценариев и очагов заражения в юридических целях на основании клинических
данных). Эта задача включает в себя как подзадачу геномной сборки для очень
близких геномов (штаммов одного и того же вируса), так и подзадачу нахождения
графа с минимальной суммарной длиной ребер, в который все эти штаммы
включены как вершины.
Цель работы: Разработка алгоритмов для построения филогенетических сетей для
штаммов вирусов
Ожидаемые результаты: Новые алгоритмы для восстановления набора гаплотипов
по “сырым” ридам. Новые алгоритмы для построения филогений, учитывающих не
только мутации, но и более сложные события (например, рекомбинации).
Требования: знание теории графов и теории вероятностей
Источники:
1. https://journals.plos.org/ploscompbiol/article?id=10.1371/journal.pcbi.1003457
2. https://pdfs.semanticscholar.org/6872/0ec71a5d4f1861ffb2d559ebc359a6493bfc.pdf
Темы по машинному обучению и анализу данных
Детекция и распознавание символов на изображениях
Руководители: Иван Сметанников([email protected]), Наталья Ханжина
Уровень:бакалаврская / магистерская
Описание предметной области
Автоматизация распознавания того, что изображено на фотографии, содержит множество
сложных случаев, которые неразрешимы для стандартных решений. Автоматизация
разбивается на задачи детекции и распознавания, однако в последнее время это стало
хорошо решать end-to-end архитектурами. Отдельную сложность представляет ситуация,
когда на изображении представлено несколько языков.
Цель работы
Разработка алгоритмов для детекции и распознавания символов на изображениях (есть
обсуждаемые варианты постановки)
Требования
Знание Python, понимание глубоких нейронных сетей, минимальный опыт в TensorFlow /
PyTorch
Оплачиваемая стажировка
Понимание естественного языка
Руководители: Иван Сметанников([email protected]), Наталья Ханжина
Описание предметной области
Понимание естественного языка — новая область в обработке естественного языка, связанная с
распознаванием не только того, что человек сказал, что что он хотел и что он имел в виду.
Цель работы
Разработка новых алгоритмов в этой области (есть обсуждаемые варианты постановки)
Требования
Опыт в NLP / Большое желание и смекалка
Оплачиваемая стажировка
Система оценки задач кластеризации
Руководители:Муравьёв Сергей ([email protected])
Уровень:бакалаврская
Описание предметной области: Существует масса алгоритмов кластеризации и способов
оценки разбиений, которые они производят. Однако ни универсального алгоритма, ни
универсальной метрики не существует и построить таковые невозможно. В рамках данной
работы предлагается разработать систему, которая рекомендует меру для каждой
конкретной решаемой задачи.
Цель работы: разработать систему рекомендации метрик оценки задач кластеризации на
основе мета-обучения.
Что следует сделать Изучить предметную область, почитать статьи про существующие
алгоритмы кластеризации и метрики их оценки, почитать про методы агрегации
пользовательских оценок. Построить систему на основе человеческих оценок,
рекомендующую метрику оценки задачи кластеризации. Подобная система уже была ранее
разработана два года назад, требуется также проанализировать её недостатки.
Ожидаемые результаты: система рекомендации метрики кластеризации на основе
мета-обучения.
Требования: знание Python, начальные знания теории оптимизации, умение разбираться в
технической литературе на английском языке, отсутствие академических задолженностей,
высокая коммуникативность.
Источники
1) Arbelaitz O. et al. An extensive comparative study of cluster validity indices //Pattern Recognition. –
2013. – Т. 46. – №. 1. – С. 243-256.
https://ccc.inaoep.mx/~ariel/2013/An%20extensive%20comparative%20study%20of%20cl
uster%20validity%20indices.pdf
2) An Impossibility Theorem for Clustering
https://www.cs.cornell.edu/home/kleinber/nips15.pdf
3) Filchenkov A., Muravyov S., Parfenov V. Towards cluster validity index evaluation and selection
//Artificial Intelligence and Natural Language Conference (AINL), IEEE. – IEEE, 2016. – С. 1-8.
https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=7891855
4) Hennig C. Cluster validation by measurement of clustering characteristics relevant to the user
//arXiv preprint arXiv:1703.09282. – 2017.
https://arxiv.org/pdf/1703.09282.pdf
Система выбора и настройки алгоритмов кластеризации на основе
SMBO & AT
Руководители:Муравьёв Сергей ([email protected])
Уровень:бакалаврская/магистерская(?)
Описание предметной области:
Существует масса алгоритмов кластеризации и способов оценки разбиений, которые они
производят. Однако ни универсального алгоритма, ни универсальной метрики не
существует и построить таковые невозможно. В рамках данной работы предлагается
разработать алгоритм, который, учитывая метрику оценки разбиения в качестве целевой
функции, производит поиск и настройку алгоритма кластеризации для подающегося на вход
набора данных.
Цель работы: разработать новый алгоритм поиска и настройку кластеризационной модели
на основе метода Active Testing с использованием запусков, полученных при помощи
SMAC-алгоритма.
Что следует сделать Изучить предметную область, почитать статьи про существующие
алгоритмы кластеризации и метрики их оценки, почитать про методы оптимизации SMBO.
Изучить существующие методы и выявить их недостатки Построить алгоритм и
провалидировать его на реальных данных. Убедиться, что построенный метод превосходит
по времени работы и по качеству результатов SMAC и Active Testing в отдельности.
Ожидаемые результаты: оптимизационный алгоритм, который принимает на вход метрику
оценки и набор данных и выдаёт настроенную модель, соответствующее наилучшему
значению заданной метрики.
Требования: знание Python, начальные знания теории оптимизации, умение разбираться в
технической литературе на английском языке, отсутствие академических задолженностей,
высокая коммуникативность.
Источники
1) Leite R., Brazdil P., Vanschoren J. Selecting classification algorithms with active testing
//International workshop on machine learning and data mining in pattern recognition. – Springer,
Berlin, Heidelberg, 2012. – С. 117-131.
https://www.researchgate.net/profile/Joaquin_Vanschoren/publication/260311386_Selecting_Classi
fication_Algorithms_with_Active_Testing/links/55ca0be008aeb975674a400f.pdf
2) Feurer M., Springenberg J. T., Hutter F. Initializing Bayesian Hyperparameter Optimization via
Meta-Learning //AAAI. – 2015. – С. 1128-1135.
http://www.aaai.org/ocs/index.php/AAAI/AAAI15/paper/download/10029/9349
3) Arbelaitz O. et al. An extensive comparative study of cluster validity indices //Pattern Recognition. –
2013. – Т. 46. – №. 1. – С. 243-256.
https://ccc.inaoep.mx/~ariel/2013/An%20extensive%20comparative%20study%20of%20cluster%20
validity%20indices.pdf
4) An Impossibility Theorem for Clustering
https://www.cs.cornell.edu/home/kleinber/nips15.pdf
5) Hennig C. Cluster validation by measurement of clustering characteristics relevant to the user
//arXiv preprint arXiv:1703.09282. – 2017.
https://arxiv.org/pdf/1703.09282.pdf
Система выбора и настройки алгоритмов классификации на основе
SMBO & AT
Руководители:Муравьёв Сергей ([email protected])
Уровень:бакалаврская/магистерская(?)
Описание предметной области:
Существует масса алгоритмов классификации. Однако универсального алгоритма не
существует и построить таковой невозможно. В рамках данной работы предлагается
разработать алгоритм, который производит поиск и настройку алгоритма классификации
для подающегося на вход набора данных.
Цель работы: разработать новый алгоритм поиска и настройку классификационной
модели на основе метода Active Testing с использованием запусков, полученных при
помощи SMAC-алгоритма.
Что следует сделать Изучить предметную область, почитать статьи про существующие
алгоритмы классификации, почитать про методы оптимизации SMBO. Изучить
существующие методы и выявить их недостатки Построить алгоритм и провалидировать
его на реальных данных. Убедиться, что построенный метод превосходит по времени
работы и по качеству результатов SMAC и Active Testing в отдельности.
Ожидаемые результаты: оптимизационный алгоритм, который принимает на вход метрику
оценки и набор данных и выдаёт настроенную модель, соответствующее наилучшему
значению заданной метрики.
Требования: знание Python, начальные знания теории оптимизации, умение разбираться в
технической литературе на английском языке, отсутствие академических задолженностей,
высокая коммуникативность.
Источники
1) Leite R., Brazdil P., Vanschoren J. Selecting classification algorithms with active testing
//International workshop on machine learning and data mining in pattern recognition. – Springer,
Berlin, Heidelberg, 2012. – С. 117-131.
https://www.researchgate.net/profile/Joaquin_Vanschoren/publication/260311386_Selecting_Classi
fication_Algorithms_with_Active_Testing/links/55ca0be008aeb975674a400f.pdf
2) Feurer M., Springenberg J. T., Hutter F. Initializing Bayesian Hyperparameter Optimization via
Meta-Learning //AAAI. – 2015. – С. 1128-1135.
http://www.aaai.org/ocs/index.php/AAAI/AAAI15/paper/download/10029/9349
Интеллектуальное удаление объектов
по нескольким фотоснимкам с разных ракурсов
Руководители: Ефимова В.А. ([email protected]), Фильченков А.А. ([email protected])
Уровень: бакалаврская/магистерская
Описание предметной области
На вход даются несколько снимков, сделанные с разных ракурсов, нужно удалить с
итоговой фотографии набор указанных объектов: люди, провода, дорожные знаки, столбы.
Сейчас это реализуется следующим образом: делается несколько снимков с одной
точки, объекты, поменявшие свое положение замещаются неподвижными частями фона, а
стационарные нежелательные объекты остаются. Adobe Photoshop позволяет удалить
выделенный вручную объект, но для получения удовлетворительного результата
выделение не должно пересекать каких-либо границ.
Цель работы: Требуется решить задачу более интеллектуально, методами машинного
обучения (с помощью нейронных сетей) и полностью автоматически удалять
нежелательные объекты.
Что следует сделать:
● Находить на фото людей, провода, дорожные знаки, столбы.
● Находить на других фото области, которые перекрываются.
● Достоверно совмещать области.
● Оценивать результат.
Ожидаемые результаты: android или десктопное приложение, в котором реализован
придуманный алгоритм. Программа должна обрабатывать фотоснимки и высокого
разрешения.
Требования: приложение должно быть реализовано на java/kotlin/python.
Источники:
● Shotton, Jamie, et al. "Textonboost for image understanding: Multi-class object recognition
and segmentation by jointly modeling texture, layout, and context." International Journal of
Computer Vision 81.1 (2009): 2-23. https://arxiv.org/pdf/1511.07122.pdf
● Fang, Chiung-Yao, et al. "An automatic road sign recognition system based on a
computational model of human recognition processing." Computer vision and Image
understanding 96.2 (2004): 237-268.
https://www.sciencedirect.com/science/article/pii/S1077314204000761
●
Про приложение камеры в Asus ZenFone
https://edgeup.asus.com/2018/introducing-zenfone-5z-ai-snapdragon-845/
Автоматическое исправление искажений на фотографии
с помощью нейронных сетей
Руководители: Ефимова В.А. ([email protected]), Фильченков А.А. ([email protected])
Уровень: бакалаврская
Описание предметной области
Из-за свойств линз фотографии приобретают специфические искажения
перспективы: вертикальные, горизонтальные бочкообразные. Для их исправления
существуют алгоритмы, но само обнаружение искажений происходит вручную, например,
искажения можно исправлять с помощью Adobe Photoshop.
Цель работы: автоматически в пост-обработке исправлять искажения с помощью
нейронной сети. После этого фотография изменит свою форму, так что требуется
достроить ее до прямоугольника указанных пропорций.
Что следует сделать:
● Найти границы объектов на фото с помощью сверточных фильтров.
● Определить искажения (объекты по краям изображения, которые неправильно
выровнены).
● Применить алгоритм исправления искажений.
● Достроить края изображения.
Ожидаемые результаты: приложение, позволяющее в автоматическом режиме
исправлять искажения на фотографиях.
Требования: приложение должно быть реализовано на java/kotlin/python.
Источники:
● Про искажения в целом:
http://home.agh.edu.pl/~kwant/wordpress/wp-content/uploads/KSzczesny_thesis_v5.pdf
● Sawhney, Harpreet S., and Rakesh Kumar. "True multi-image alignment and its
application to mosaicing and lens distortion correction." IEEE Transactions on Pattern
Analysis and Machine Intelligence21.3 (1999): 235-243.
https://pdfs.semanticscholar.org/3cec/1c5c4dd1aa47d92e24d06bc5970f32b7c826.pdf
● Простейший алгоритм для исправления искажений:
http://www.tannerhelland.com/4743/simple-algorithm-correcting-lens-distortion/
Создание обложки художественной книги по ее краткому содержанию с
помощью нейронных сетей
Руководители: Ефимова В.А. ([email protected]), Фильченков А.А. ([email protected])
Уровень: курсовая/бакалаврская/магистерская
Описание предметной области: Автор пишет новую книгу, но не создает для нее обложки.
Ее можно создать, привлекая к работе художника, а можно сгенерировать без
использования человеческого труда.
Цель работы: Сгенерировать правдоподобную обложку для художественной книги.
Что следует сделать:
● Выделить из краткого содержания художественного текста ключевые слова (3-7).
● Автоматически выбрать из базы картинки по ним.
● Автоматически подбирать картины (допустим, из живописи), которые позволят
объединить выбранные по словам картинки.
● Пользователь выбирает стиль, в котором будет выполнено итоговое изображение
(не по названию, а по одной из картинок предложенных на предыдущем шаге).
● Требуется соединить изображения по данным словам (возможно, при этом исключив
некоторые) и сделать их похожими на выбранную картинку. Это делается
нейросетью с применением neural style transfer.
Ожидаемые результаты: Адекватное изображение.
Требования: Программа должна быть написана на языке Java или Python.
Источники:
● Carretero-Campos, C., et al. "Improving statistical keyword detection in short texts:
Entropic and clustering approaches." Physica A: Statistical Mechanics and its Applications
392.6 (2013): 1481-1492.
https://www.sciencedirect.com/science/article/pii/S0378437112010175
● https://en.wikipedia.org/wiki/Part-of-speech_tagging
●
●
●
Ghiasi, Golnaz, et al. "Exploring the structure of a real-time, arbitrary neural artistic
stylization network." arXiv preprint arXiv:1705.06830(2017).
https://arxiv.org/pdf/1705.06830.pdf
Neural Style Transfer
https://medium.com/tensorflow/neural-style-transfer-creating-art-with-deep-learning-using-t
f-keras-and-eager-execution-7d541ac31398
Neural Style Transfer
https://medium.com/artists-and-machine-intelligence/neural-artistic-style-transfer-a-compre
hensive-look-f54d8649c199
Визуальный автопилот для DJI дрона
Руководители: Шаламов В. В. ([email protected]), Фильченков А.А. ([email protected])
Уровень: курсовая/бакалаврская/магистерская
Описание предметной области
Компания DJI выросла из автопилотов для квадрокоптеров.
Их дроны летают великолепно, используя данные из множества источников:
- GPS,
- компас
- IMU (inertial measurement unit, measures and reports an object's specific force, angular velocity
and attitude (including its course angle, pitch angle, and roll angle) using data from an
accelerometer, gyroscope, thermometer, and barometer.).
- ультразвуковые сенсоры
- визуальные сенсоры (вертикальные и горизонтальные).
Потребительские дроны стоят 1-2к$, более продвинутые модели 3-5к$ и больше.
Используются для любительской и профессиональной съёмки видео и фото с воздуха.
Если у дрона пропадает связь с пультом или заканчивается аккумулятор, он возвращается
на точку взлета автоматически, используя GPS.
В последнее время все более популярными и дешевыми становятся "глушилки",
устройства, наводящие помехи на частоты 2.4, 5, и диапазоны GPS L1, L2 и L5.
Если у дрона пропал сигнал GPS (что обычно не происходит по естественным причинам),
он либо сразу садится на землю, либо "висит на месте" и дрейфует по ветру, пока не сядет
аккумулятор и не будет включена аварийная посадка.
В таком случае дрон с большой вероятностью либо садится на "вражескую территорию",
либо может сесть где-то в воду или на деревья.
Велик риск потерять довольно дорогой дрон.
Планируется использовать также данные о том, по какому пути дрон летел, пока GPS был.
Цель - разработать систему, которая поможет дрону быстро вылететь из зоны помех,
вернув контроль пилоту, либо полностью вернуться на точку взлета, ориентируясь на видео
с камеры(камер) сенсоров-камер, компаса, датчика высоты.
(Без GPS и контроля со стороны оператора).
Основные задачи:
- склейка изображений с камеры (основной камеры у большинства дронов, либо “ходовой” у
DJI Inspire2) и информации с датчиков
- матчить картинки с камеры по GPS и визуально с изображением с Google Earth
- поиск текущей картинки "под дроном" в (*)
- работа с DJI API, реализация режима полета "по картинке"
DJI developers API - изучить, что у них есть.
Визуальный возврат домой:
- Ограниченная скорость.
- периодические фото основной камерой вниз (кроме съёмки видео)
- постоянные фото нижними (мелкими) камерами, склейка и матчинг по карте и
координатам.
- при потере всего - дрон ищет себя визуально камерой, возвращается по прошлому
маршруту как летел
Может быть сложно, но хотя бы надо улететь из зоны потери сигнала.
Возврат домой по направлению:
- дрон уже умеет отслеживать свой маршрут по карте.
- скорее всего умеет логировать все повороты и смещения.
=> Можно вычислить по карте, на сколько надо сместиться (вектор домой)
НО: сильный ветер может значительно сносить дрон
=> Ориентироваться по камерам вниз.
Очень не точно, нужно как можно скорее выйти из области глушилки и вернуться.
Цель работы:
Цель - разработать систему, которая поможет дрону быстро вылететь из зоны помех,
вернув контроль пилоту, либо полностью вернуться на точку взлета, ориентируясь на видео
с камеры(камер) сенсоров-камер, компаса, датчика высоты.
(Без GPS и контроля со стороны оператора).
Что следует сделать:
●
●
Разработка алгоритмов склейки изображений, визуальное позиционирование по
камере, датчикам, нестабильному GPS и всему остальному что доступно.
Реализация мобильного приложения \ плагина к DJIgo, который позволит дрону
летать по “визуальному автопилоту”
Ожидаемые результаты: дрон умеет себя позиционировать и летать по визуальному
автопилоту некоторое расстояние или хотя бы умеет возвращаться из зоны потери сигнала
обратно, бороться с ветром
Требования: Знание C++, алгоритмов. Любовь к дронам.
Источники:
● http://14.139.186.108/jspui/bitstream/123456789/31653/1/Elements%20of%20Aerial%20P
hoto%20Interpretation.pdf
● http://developer.dji.com/
● https://mirquadrocopterov.ru/obshhie-voprosy/datchiki-uderzhaniya-vysoty-drona.html
● https://www.jammer-store.com/drones-frequencies.html
● https://link.springer.com/article/10.1007/s10846-010-9489-5
Обращение Random Forest
Руководители: Шаламов В. В. ([email protected]), Фильченков А. А. ([email protected])
Уровень: бакалаврская
Описание предметной области
Алгоритм машинного обучения Random Forest (Множество деревьев решений) позволяет по
вектор признаков предсказывать некую целевую величину.
Задача состоит в том, чтобы научиться по Random Forest’у получать ту область
пространства, на векторах из которой будет наблюдаться экстремум (наибольшие или
наименьшие значения целевой величины).
Обратить одно дерево легко: найти наибольший\наименьший лист, подниматься до корня
дерева, в каждом из узлов применяя каждое ограничение по пути.
Цель работы:
Задача состоит в том, чтобы научиться по Random Forest’у получать ту область
пространства, на векторах из которой будет наблюдаться экстремум (наибольшие или
наименьшие значения целевой величины).
Что следует сделать:
● Реализовать свой Random Forest (можно переделать библиотечный код из
scikit-learn)
● Добавить возможность “обращать его”, то есть находить в его области определения
подмножество, на котором ожидается экстремум
Ожидаемые результаты: Реализация Random Forest’а, которая помимо стандартного API
поддерживает ответ на “а на каких векторах будет предсказано наибольшее значение”.
Требования: Знание Python. Бонусом будет знание C++
Источники:
● http://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestRegresso
r.html
● https://habr.com/post/320726/
Исследование отсекающих правил ансамблей фильтрующих
алгоритмов выбора признаков
Руководители:Сметанников Иван ([email protected])
Уровень:бакалаврская/магистерская
Описание предметной области:Одной из основных проблем машинного обучения
является “проклятие размерности”, когда число признаков в наборе данных сопоставимо
или превосходит число объектов, либо просто очень велико. Чтобы решить данную
проблему применяются алгоритмы уменьшения размерности, в частности алгоритмы
выбора признаков. Наиболее быстрыми и, как следствие, применимыми к большим
массивам данным являются фильтрующие алгоритмы выбора признаков (далее фильтры),
а также ансамблирующие алгоритмы выбора признаков, основанные на фильтрах.
Сами фильтры состоят из двух частей: меры значимости признаков (или ранжирующей
метрики), и отсекающего правила. Мера позволяет оценивать насколько выбранный
признак или множество признаков релевантно решаемой задаче, а отсекающее правило
основываясь на полученных значениях метрики решает какие признаки нужно оставить, а
какие отсечь. При этом, в данной области машинного обучения, остается открытым вопрос
выбора “адекватного” отсекающего правила, так как в большинстве случаев, несмотря на
явную зависимость получаемых от этого результатов, оно выбирается “на глаз”.
Цель работы: предложить новое отсекающее правило, которое обладало бы высокой
устойчивостью по входным данным и давало преимущество в качестве получаемых
моделей машинного обучения по сравнению с другими отсекающими правилами для
ансамблей фильтрующих алгоритмов выбора признаков
Что следует сделать: Прочесть несколько статей по алгоритмам выбора признаков,
фильтрующим алгоритмам выбора признаков и ансамблей фильтрующих алгоритмов
выбора признаков. Изучить предметную область на наличие статей по отсекающим
правилам, провести аналитический обзор. Реализовать систему, осуществляющую выбор
признаков путем ансамблирования фильтров на основе метода MeLiF для заданного
набора данных, позволяющую исследовать различные отсекающие правила как на
качество, так и на стабильность получаемых результатов. Реализовать множество
существующих отсекающих правил, провести различные вычислительные эксперименты и
провести их анализ. На основе проведенного анализа предложить несколько новых
отсекающих правил, провести их экспериментальное исследование, выбрать лучшее. По
необходимости заузить предлагаемые рекомендации на некоторую прикладную
предметную область.
Ожидаемые результаты: новая мера значимости признаков, её экспериментальное
исследование, рекомендации по прикладному использованию. Англоязычная статья
Scopus/WoS.
Требования: знание Java, начальные знания теории оптимизации, умение разбираться в
технической литературе на английском языке, отсутствие академических задолженностей,
высокая коммуникативность.
Источники
1) A review of feature selection techniques in bioinformatics
https://academic.oup.com/bioinformatics/article-abstract/23/19/2507/185254
2) An ensemble of filters and classifiers for microarray data classification.
https://www.sciencedirect.com/science/article/pii/S0031320311002718
3) MeLiF: filter ensemble learning algorithm for gene selection
https://www.ingentaconnect.com/contentone/asp/asl/2016/00000022/00000010/art00081
Исследование применимости мета-обучения для выбора отсекающих
правил ансамблей фильтрующих алгоритмов выбора признаков
Руководители:Сметанников Иван ([email protected])
Уровень:бакалаврская
Описание предметной области:Одной из основных проблем машинного обучения
является “проклятие размерности”, когда число признаков в наборе данных сопоставимо
или превосходит число объектов, либо просто очень велико. Чтобы решить данную
проблему применяются алгоритмы уменьшения размерности, в частности алгоритмы
выбора признаков. Наиболее быстрыми и, как следствие, применимыми к большим
массивам данным являются фильтрующие алгоритмы выбора признаков (далее фильтры),
а также ансамблирующие алгоритмы выбора признаков, основанные на фильтрах.
Сами фильтры состоят из двух частей: меры значимости признаков (или ранжирующей
метрики), и отсекающего правила. Мера позволяет оценивать насколько выбранный
признак или множество признаков релевантно решаемой задаче, а отсекающее правило
основываясь на полученных значениях метрики решает какие признаки нужно оставить, а
какие отсечь. При этом, в данной области машинного обучения, остается открытым вопрос
выбора “адекватного” отсекающего правила, так как в большинстве случаев, несмотря на
явную зависимость получаемых от этого результатов, оно выбирается “на глаз”.
Мета-обучение является одним из относительно новых разделов машинного обучения,
которое позволяет по предварительно собранной статистике запусков алгоритма
машинного обучения на различных наборах данных из некоторой предметной области,
позволяет оптимизировать запуск данного алгоритма на новых наборах данных из той же
предметной области.
Цель работы: разработать систему мета-обучения, позволяющую выбирать отсекающее
правило для заданного набора данных
Что следует сделать: Прочесть несколько статей по алгоритмам выбора признаков,
фильтрующим алгоритмам выбора признаков, ансамблей фильтрующих алгоритмов
выбора признаков, мета-обучению. Изучить предметную область на наличие статей по
отсекающим правилам, провести аналитический обзор. Реализовать систему,
осуществляющую выбор признаков путем ансамблирования фильтров на основе метода
MeLiF для заданного набора данных, позволяющую исследовать различные отсекающие
правила как на качество, так и на стабильность получаемых результатов. Реализовать
множество существующих отсекающих правил, провести различные вычислительные
эксперименты на большом числе наборов данных, собрать информацию по запускам.
Реализовать систему-мета обучения, позволяющую по заданному набору данных
определять его мета-признаки и рекомендовать наиболее релевантное отсекающее
правило. Провести экспериментальное исследование построенной системы.
Ожидаемые результаты: система мета-обучения для выбора меры значимости признаков,
её экспериментальное исследование, рекомендации по прикладному использованию.
Англоязычная статья Scopus/WoS.
Требования: знание Java, начальные знания теории оптимизации, умение разбираться в
технической литературе на английском языке, отсутствие академических задолженностей,
высокая коммуникативность.
Источники
1) A review of feature selection techniques in bioinformatics
https://academic.oup.com/bioinformatics/article-abstract/23/19/2507/185254
2) An ensemble of filters and classifiers for microarray data classification.
https://www.sciencedirect.com/science/article/pii/S0031320311002718
3) MeLiF: filter ensemble learning algorithm for gene selection
https://www.ingentaconnect.com/contentone/asp/asl/2016/00000022/00000010/art00081
4) Metalearning: Applications to data mining
https://books.google.ru/books?hl=en&lr=&id=-Gsi_cxZGpcC&oi=fnd&pg=PA1&dq=+Metalearning:+
applications+to+data+mining&ots=wj-Kk_tvQm&sig=McWmQ6P2clCJEov8iULHW3jcU6k&redir_es
c=y#v=onepage&q=Metalearning%3A%20applications%20to%20data%20mining&f=false
Открытая тема по обработке естественного языка в информационном
поиске
Руководители: Фильченков А. А. ([email protected]), Чивилихин Д.С. ([email protected])
Уровень: магистерская
Описание предметной области
Требуется разработать поисковую систему для научных статей, позволяющую выполнять
эффективный и качественный поиск по относительно небольшой базе статей по узкой
тематике. За основу можно взять один из свободно распространяемых поисковых движков с
открытым исходным кодом. Требуется изучить современные результаты и открытые задачи
в области обработки естественного языка для информационного поиска, предложить и
разработать методы, обеспечивающие максимально полные и релевантные результаты
поиска по заданному запросу.
Работа будет выполняться в рамках научного проекта с компанией Corning, одним из
крупнейших в мире производителей стекла и оптоволокна.
Цель работы: Разработать поисковую систему для научных статей.
Что следует сделать: На начальном этапе проекта (до конца 2018 года) необходимо
провести глубокий аналитический обзор существующих методов, современных трендов и
открытых задач в области обработки естественного языка для информационного поиска.
Конкретная научная задача будет сформулирована на основе результатов обзора.
Работа будет выполняться в рамках научного проекта с компанией Corning, одним из
крупнейших в мире производителей стекла и оптоволокна.
Ожидаемые результаты:
●
Результат первого этапа - научно-технический отчет по обработке естественного
языка для информационного поиска, содержащий сформулированные направления
возможных исследований.
● Итоговый результат - разработанная поисковая система.
Требования:
● Ответственность и коммуникабельность.
● Работа на очной основе в МНЛ КТ.
● Понимание принципов работы методов машинного обучения и опыт их применения.
Источники: ...
Обфускация данных для машинного обучения
Руководители: Фильченков А. А. ([email protected]), Чивилихин Д.С. ([email protected])
Уровень: бакалаврская / магистерская
Описание предметной области
При применении машинного обучения часто встает вопрос приватности данных. Например,
компания-заказчик-обладатель-данных хочет проанализировать свои данные с помощью
машинного обучения в другой компании или университет. Однако данные содержат
коммерческую тайну, поэтому передавать их в “сыром” виде нельзя.
Работа будет выполняться в рамках научного проекта с компанией Corning, одним из
крупнейших в мире производителей стекла и оптоволокна.
Цель работы: разработать систему для обфускации табличных и графических данных,
позволяющую эффективно применять методы машинного обучения на полученных
обфусцированных данных.
Что следует сделать:
●
●
●
●
Провести аналитический обзор существующих подходов к обфускации данных.
Проанализировать примеры данных, предоставленные компанией, и подобрать
подходящие методы.
Разработать и реализовать методы обфускации.
Протестировать предложенные решения.
Ожидаемые результаты:
Реализованная работающая система.
Требования:
● Ответственность и коммуникабельность.
● Понимание принципов работы методов машинного обучения и опыт их применения.
● Работа на очной основе в МНЛ КТ.
Источники: ..
Применение B-сплайнов (NURBS) в методе Embedded Deformation
Руководитель: Роман Безбородов ([email protected])
Уровень: бакалаврская / магистерская
Применение в задачах компьютерной графики, а в частности для манипуляции 3D
моделей.
Задача экспериментальная и не факт, что получится, но попробовать было бы здорово.
Лучше для магистра, так как если тема не пойдет, то времени делать новую уже не
будет.
Использование спектральных поверхностных дескрипторов в задачах
распознавания пространственных объектов на 3D сцене
Руководитель: Роман Безбородов ([email protected])
Уровень: бакалаврская / магистерская
Берем геодезические сверточные сети или другие аналогичные и учимся распознавать
объекты.
В задаче крайне сложная математика, но код для дескрипторов и нейросетей у меня
уже имеется. Остается попробовать собрать датасет и использовать имеющиеся
наработки для детектирования.
P.S. Спектральные дескрипторы особенно хороши для деформируемых моделей,
поэтому класс решаемых задач лучше распространить на тему с детектированием
деформированных моделей
Семантическая сегментация 3D сцен
Руководитель: Роман Безбородов ([email protected])
Уровень: бакалаврская / магистерская
Берем нейронки для 3D и генеративную сеть, получаем сегментацию.
Генеративные модели для улучшения 3D сцены, восстановленной
фотограмметрией / заполнение отверстий в 3D моделях с помощью
генеративных нейросетей
Руководитель: Роман Безбородов ([email protected])
Уровень: бакалаврская / магистерская
Все те же сверточные-генеративные сети в 3D для улучшения качества реконструкции.
Генерация трехмерных моделей по фотографии
Руководитель: Роман Безбородов ([email protected])