Направления исследований

Уважаемые магистры!

Для успешного освоения дисциплин магистерской программы и продуктивной работы в течении всего курса обучения необходимо с первого месяца магистратуры определиться с тематикой научных исследований. Научные направления, разрабатываемые преподавателями кафедры ИСТ охватывают широкий спектр современных IT-технологий. Целесообразно рассмотреть направления научных и научно-прикладных исследований, представленных ниже. Вы также можете самостоятельно предложить руководителю направление разработок.

1. Направление Big Data

Основная цель: Разработка алгоритмов, решение конкретных задач в рамках распределенных СУБД (можно и на основе реляционных, но нужно подбирать соответствующие задачи).

Подзадачи для решения:

  • Применение MongoDB (не обязательно эту СУБД, таких много) для решения задач математической физики. Задачи математической физики предполагают обработку больших объемов данных. Именно эта проблема привела к развитию подхода NoSQL.
  • Применение MongoDB для обработки иерархических данных. Задача абстрактная: 1) выбираем проблему (например, древовидные структуры данных, которые меняются во времени); 2) говорим, что такие задачи достаточно распространены на практике и требуют решения; 3) разрабатываем алгоритмы эффективного управления данными в таких задачах.
  • Нетрадиционное использование MongoDB. СУБД в рамках подхода NoSQL предназначены для обработки плохо структурированных данных. Под эту характеристика попадают множество задач современной науки и производства. Чем менее структурированы данный и чем их больше, тем эффективнее применение NoSQL-СУБД.
  • В рамках данного направления рассматриваются также системы Hadoop… Использование данного подхода предпочтительней применения отдельных СУБД! При практической реализации задач в данной области необходимо предусмотреть аналитическую обработку данных!

Методы и средства (технологии, на основе которых реализуется):

  • MongoDB и другие СУБД
  • Java, Python, …
  • Hadoop, Hortonworks, Cloudera, …

Стартовые задачи (с чего начать):

  • скачать и установить MongoDB, Hadoop, Hortonworks, Cloudera, …
  • скачать тестовый набор данных и конвертировать его (например, «отграбить» все данные из персональных страниц преподавателей сайта ncfu.ru)
  • продумать задачу: показать преимущество обработки данных на нескольких узлах кластера перед традиционными реляционными методами
  • решить задачу распределенной обработки данных интеллектуальными методами на базе вычислительного кластера
  • оформить и написать статью.

2. Направление GPGPU

Основная цель: решение различных задач по обработке различных данных на GPU-процессорах.

Подзадачи для решения:

  • Алгоритмы визуализации трехмерных данных большого объема с использованием GPU (генерация интерактивных моделей и видео).
  • Параллельная обработка данных с использованием CUDA (любые задачи).
  • Интеллектуальные алгоритмы (распознавание образов в видео и изображениях).
  • Решение задач математической физики с использованием численного метода SPH.
  • Методы ML на GPU

Методы и средства (технологии, на основе которых можно реализовать):

  • Nsight Visual Studio + CUDA + разные библиотеки под GPU

Стартовые задачи (с чего начать):

  • написать конвертер на C++ для перевода универсального формата obj для 3d моделей в объекты на языке C++
  • разработать систему частиц для метода SPH
  • решить задачу методом SPH
  • оформить и написать статью

3. Направление AI, ML

Основная цель: применение и разработка методов ML, AI; обучение и внедрение ANN.

Подзадачи для решения:

  • Задачи компьютерного зрения.
  • Тренировка искусственных нейронных сетей с использованием передовых технологий.
  • Разработка новых архитектур ANN.
  • Поиск новых методов применения ANN.

Методы и средства (технологии, на основе которых можно реализовать):

  • Nsight Visual Studio + CUDA + разные библиотеки под GPU
  • CUDA + Caffe + Python
  • Theano, Torch, TensorFlow, …
  • CUDA + Caffe + OpenCV + C++

Стартовые задачи (с чего начать):

  • Установить Nsight Visual Studio + CUDA + разные библиотеки под GPU
  • Обучить ANN
  • Реализовать развертывание ANN для решения практической / научной задачи
  • оформить и написать статью

4. Направление Embedded Systems / Robotics / Augmented and Virtual Reality

Основная цель: исследования и разработки практического плана на базе Arduino, Jetson TK1.

Подзадачи для решения:

  • Задачи компьютерного зрения.
  • Практические задачи робототехники.
  • Разработка приложений дополненной реальности.

Методы и средства (технологии, на основе которых можно реализовать):

  • Nsight Visual Studio + CUDA + разные библиотеки под GPU
  • CUDA + Caffe + Python + Jetson TK1
  • OpenCV + C++ / Python + Jetson TK1
  • Unreal Engine / Unity
  • Mobile Development

Стартовые задачи (с чего начать):

  • Разработать 3D-модель
  • Спроектировать и разработать подсистему дополненной реальности
  • Реализовать управление виртуальным трехмерным объектом с использованием технологий дополненной / виртуальной реальности
  • оформить и написать статью