Wiki - Факультет компьютерных наук - Вклад [ru]

Simultaneous Localization And Mapping

2018-11-07T19:16:38Z

Aapoludnitsin: Новая страница: «{{Карточка_проекта |name=Simultaneous Localization And Mapping |mentor=Андрей Паринов |mentor_login={{URLENCODE:parinov|WIKI}} |semest…»

{{Карточка_проекта
|name=Simultaneous Localization And Mapping
|mentor=Андрей Паринов
|mentor_login={{URLENCODE:parinov|WIKI}}
|semester=Осень 2018
|course=2
|number_of_students=1
|categorize=yes
}}

===Что это за проект?===
○ Проект ставит перед собой цель “научить” робота строить карту местности и понимать, где в этой карте назодится он и по какой траектории ему нужно идти, чтобы достичь своей цели. Это применимо в случаях, когда у робота нет доступа к уже готовой карте или таковой просто нет в природе (если он -- робот-пылесос в вашей квартире или исследует Марс). Он собирает данные откуда может и работает с ними, чтобы наиболее вероятно определить, какая вокруг обстановка и где находится он сам. Наша задача - разработать software для дрона, которому придется определять местоположение и строить модель окружаещей местности (карту). Для этого нужно понимать, какие данные ему следует собирать, потому что памяти на все возможные ракурсы, предметы и расстояния может не хватить. Мы попытаемся натаскать нейронную сеть на распознавание основных объектов, встречающихся дрону, и на основании таких данных проверим, как будет работать дрон с использованием алгоритмов, основанных на некоторых утверждениях теории вероятностей.
===Чему студент научится?===
○ Применению линейной алгебры и теории вероятностей в реальной жизни (узнает, как можно применить математическую модель для решения конкретной задачи), попрактикуется в работе с нейронными сетями и создании публикабельной статьи.
===Какие начальные требования?===
○ Навыки программирования на С++, познания в линейной алгебре, понимание основных принципов теории вероятностей, интерес к проблемам искусственного интеллекта
===Какие будут использоваться технологии?===
○ Метод МАР (maximum a posteriori) и все связанные с ним библиотеки в С++;
○ git;
○ любая ide;
○ google test.
===Темы вводных занятий===
○ SLAM - что это такое;
○ Метод МАР - как определить положение робота в пространстве по данным измерениям.
===Направления развития===
○ Обученные таким образом дроны могут играть важную роль в спасательных работах (обнаружение угрозы в туннелях метро или поиск
�человека в завалах), для этого можно совершенствовать полученные алгоритмы под конкретную цель.
===Критерии оценки===
○ 4-5 -- проведён обзор существующих работ по теме, выбрано базовое решение с готовой реализацией и эталонные данные, проведено его экспериментальное исследование на эталонных данных.
○ 6-7 - проведён подробный анализ работы базового решения на эталонных данных, выявлены основные причины неустойчивости системы, предложены модификации для базового алгоритма
○ 8-10 - разработан и реализован алгоритм с хорошей устойчивостью (но этот пункт будет уточняться, так как исследования только ведутся, и наша идея может оказаться нерабочей, это тоже будет важный результат)

===Контакты===
Андрей Паринов aparinov@hse.ru

Darin (deep and reinforced intelligence net)

2018-10-26T11:23:46Z

Aapoludnitsin:

{{Карточка_проекта
|name=DaRiNa (Deep reinforced net)
|mentor=Денис Симагин
|mentor_login={{URLENCODE:Simagin.denis|WIKI}}
|semester=Осень 2018
|course=3-4
|number_of_students= до 10
|categorize=yes
}}

===Что это за проект?===
Сочетание reinforcement learning и deep learning является горячей темой на сегодняшний день. К примеру, изучите статью [http://arxiv.org/pdf/1312.5602v1.pdf Playing atari with deep reinforcement learning]. Также вы, наверняка, слышали о AlpaGo, программе, которая впервые победила человека, профессионально играющего в Go. Подробнее об этом [https://storage.googleapis.com/deepmind-media/alphago/AlphaGoNaturePaper.pdf здесь]. Конечная цель перенести идеи статью [https://deepmind.com/blog/alphago-zero-learning-scratch/ AlphaGo Zero] на игру [https://en.wikipedia.org/wiki/Renju рендзю].

Для участия в проекте нужно пройти собеседование.

===Чему студент научится?===
Чтение научных статей на английском
Погружение в машинное обучение, сверточные нейронные сети
Обучение с подкреплением
Плохие шутки
===Какие начальные требования?===
Машина с UNIX-подобной ОС и мощной видеокартой (возможно облачная)
Знание Python 3, Git и работа с командной оболочкой
Хорошая математическая подготовка
Английский
===Какие будут использоваться технологии?===
Python3, scipy stack, PyTorch
AWS/Gсloud
===Темы вводных занятий?===
Обучении с учителем
Линейные модели, градиентный спуск
Введение в нейронные сети
Сверточные сети
Обучение с подкреплением
===Направления развития?===
DeepMind и Blizzard сделали [https://deepmind.com/blog/deepmind-and-blizzard-open-starcraft-ii-ai-research-environment/ песочницу] для StarCraft II, поле для исследований просто безгранично.

===Критерии оценки?===
В конце проекта проводится турнир между алгоритмами, на основе которого и выставляются оценки.

Darin (deep and reinforced intelligence net)

2018-10-26T11:18:46Z

Aapoludnitsin:

{{Карточка_проекта
|name=DaRiNa (Deep reinforced net)
|mentor=Денис Симагин
|mentor_login={{URLENCODE:Simagin.denis|WIKI}}
|semester=Осень 2018
|course=3-4
|number_of_students= до 10
|categorize=yes
}}

===Что это за проект?===
Сочетание reinforcement learning и deep learning является горячей темой на сегодняшний день. К примеру, изучите статью Playing atari with deep reinforcement learning. Также вы, наверняка, слышали о AlpaGo, программе, которая впервые победила человека, профессионально играющего в Go. Подробнее об этом здесь. Конечная цель перенести идеи статью AlphaGo Zero на игру рендзю.

Для участия в проекте нужно пройти собеседование.

===Чему студент научится?===
Чтение научных статей на английском
Погружение в машинное обучение, сверточные нейронные сети
Обучение с подкреплением
Плохие шутки
===Какие начальные требования?===
Машина с UNIX-подобной ОС и мощной видеокартой (возможно облачная)
Знание Python 3, Git и работа с командной оболочкой
Хорошая математическая подготовка
Английский
===Какие будут использоваться технологии?===
Python3, scipy stack, PyTorch
AWS/Gсloud
===Темы вводных занятий?===
Обучении с учителем
Линейные модели, градиентный спуск
Введение в нейронные сети
Сверточные сети
Обучение с подкреплением
===Направления развития?===
DeepMind и Blizzard сделали песочницу для StarCraft II, поле для исследований просто безгранично.

===Критерии оценки?===
В конце проекта проводится турнир между алгоритмами, на основе которого и выставляются оценки.

Ann (answering neural net)

2018-10-26T10:59:41Z

Aapoludnitsin: Новая страница: «{{Карточка_командного_проекта |name=Ann (answering neural net) |company=Яндекс |mentor=Денис Симагин |mentor_login={{UR…»

{{Карточка_командного_проекта
|name=Ann (answering neural net)
|company=Яндекс
|mentor=Денис Симагин
|mentor_login={{URLENCODE:Simagin.denis|WIKI}}
|semester=Осень 2018
|course=3-4
|number_of_students=3-4
|categorize=yes
}}

===Что это за проект?===
Это исследовательский проект. Существует датасет SQuAD 2.0. Проблема заключается в том, чтобы прочитать параграф текста, а затем по вопросу сгенерировать ответ. Уже существует пачка научных статей, посвященных этой задаче. Наша цель заключается в том, чтобы изучить существующие методы, попробовать обучить собственную модель и на основе ее построить фактологический поиск по статьям Википедии.

На первом этапе в качестве базового поиска можно использовать поисковую машину Яндекса. Однако один из студентов может взять на себя также и задачу базового поиска. В качестве демонстрации проделанной работы предлагаю сделать специальный навык для Алисы (это значит, что сервис должен отвечать онлайн), по сути поднять собственный сервис на одной из облачных платформ.

Команда Яндекса любезно согласилась нам предоставить разметку для реальных фактологических запросов к Алисе. А студенты, которые покажут лучшие результаты, смогут пройти летнюю стажировку и сделать вклад в Алису, внедрив своё решение.

Для того, чтобы попасть на проект, нужно пройти собеседование.

===Чему студент научится?===
Работа в команде, проведение ревью, развертывание сервиса в облаке.
Современные модели работы с текстом, разработка на Python3.
Плохим шуткам.
===Какие начальные требования?===
Наличие хорошей машины с GPU (или аренда в облаке).
Навыки в обучении больших моделей.
Уверенное владение Python3.
Умение читать научные статьи на английском.
===Какие будут использоваться технологии?===
Python3, scipy stack, PyTorch.
AWS/Gсloud
Возможно MongoDB для базового поиска.
===Направления развития?===
Повышение качества модели.
Расширение базы документов.
Ускорение работы.
===Критерии оценки?===
Оценка команды будет зависеть от конечного качества модели, в качестве базы возьмем текущее качество фактологических ответов Алисы.

Персональные оценки выставляются на основе личного вклада студента (может быть выше, чем оценка команда).

===Контакты===
[[Участник:Simagin.denis|Денис Симагин]]

Darin (deep and reinforced intelligence net)

2018-10-26T10:54:53Z

Aapoludnitsin: Новая страница: «{{Карточка_командного_проекта |name=DaRiNa (Deep reinforced net) |company=Яндекс |mentor=Денис Симагин |mentor_login={{…»

{{Карточка_командного_проекта
|name=DaRiNa (Deep reinforced net)
|company=Яндекс
|mentor=Денис Симагин
|mentor_login={{URLENCODE:Simagin.denis|WIKI}}
|semester=Осень 2018
|course=3-4
|number_of_students=3-4
|categorize=yes
}}

===Что это за проект?===
Это исследовательский проект. Существует датасет SQuAD 2.0. Проблема заключается в том, чтобы прочитать параграф текста, а затем по вопросу сгенерировать ответ. Уже существует пачка научных статей, посвященных этой задаче. Наша цель заключается в том, чтобы изучить существующие методы, попробовать обучить собственную модель и на основе ее построить фактологический поиск по статьям Википедии.

На первом этапе в качестве базового поиска можно использовать поисковую машину Яндекса. Однако один из студентов может взять на себя также и задачу базового поиска. В качестве демонстрации проделанной работы предлагаю сделать специальный навык для Алисы (это значит, что сервис должен отвечать онлайн), по сути поднять собственный сервис на одной из облачных платформ.

Команда Яндекса любезно согласилась нам предоставить разметку для реальных фактологических запросов к Алисе. А студенты, которые покажут лучшие результаты, смогут пройти летнюю стажировку и сделать вклад в Алису, внедрив своё решение.

Для того, чтобы попасть на проект, нужно пройти собеседование.

===Чему студент научится?===
Работа в команде, проведение ревью, развертывание сервиса в облаке.
Современные модели работы с текстом, разработка на Python3.
Плохим шуткам.
===Какие начальные требования?===
Наличие хорошей машины с GPU (или аренда в облаке).
Навыки в обучении больших моделей.
Уверенное владение Python3.
Умение читать научные статьи на английском.
===Какие будут использоваться технологии?===
Python3, scipy stack, PyTorch.
AWS/Gсloud
Возможно MongoDB для базового поиска.
===Направления развития?===
Повышение качества модели.
Расширение базы документов.
Ускорение работы.
===Критерии оценки?===
Оценка команды будет зависеть от конечного качества модели, в качестве базы возьмем текущее качество фактологических ответов Алисы.

Персональные оценки выставляются на основе личного вклада студента (может быть выше, чем оценка команда).

===Контакты===
[[Участник:Simagin.denis|Денис Симагин]]

Высокопроизводительный программный комплекс для построения аппроксимации областей

2018-10-26T10:08:38Z

Aapoludnitsin:

{{Карточка_командного_проекта
|name=Высокопроизводительный программный комплекс для построения аппроксимации областей
|company=НИУ ВШЭ
|semester=Осень 2018
|course=3-4
|number_of_students=?
|categorize=yes
}}
===Описание проекта===
На практике нередко возникает задача определения множества, заданного неявно с помощью системы уравнений и/или неравенств. Предлагается разработать программный комплекс, которая будет строить аппроксимацию заданного множества. Возможно использование различных оценок, например методов интервального анализа, на основе теоретического задела научного руководителя. В связи с высокой вычислительной сложностью предполагается использование технологий высокопроизводительных вычислений, например MPI. Программный комплекс должен содержать расчетные компоненты и компоненты визуализации результатов. Возможно построение сервис-ориентированной распределенной системы.

===Контакты===
Посыпкин Михаил Анатольевич mposypkin@gmail.com

Программный комплекс для решения задач глобальной оптимизации на графических ускорителях

2018-10-26T10:05:11Z

Aapoludnitsin:

{{Карточка_командного_проекта
|name=Программный комплекс для решения задач глобальной оптимизации на графических ускорителях
|company=НИУ ВШЭ
|semester=Осень 2018
|course=3-4
|number_of_students=?
|categorize=yes
}}

===Описание проекта===

В рамках проекта планируется разработка программного комплекса для решения сложных задач глобальной оптимизации, ориентированного на современные графические процессоры (GP GPU). Планируется применение программного комплекса для решения ряда модельных и практических задач. При разработке предполагается использование языка С++ и технологии CUDA.

===Контакты===
Посыпкин Михаил Анатольевич mposypkin@gmail.com

Разработка системы сбора новостей

2018-10-25T20:46:46Z

Aapoludnitsin: Новая страница: «{{Карточка_проекта |name=Разработка системы сбора новостей |mentor=Паринов Андрей |mentor_login={{URLENC…»

{{Карточка_проекта
|name=Разработка системы сбора новостей
|mentor=Паринов Андрей
|mentor_login={{URLENCODE:none|WIKI}}
|semester=Осень 2018
|course=2
|number_of_students=?
|categorize=yes
}}

===Описание проекта===
На сегодняшний день новости играют важную роль. Важно собирать данные из разных источников и выделять сущности, упоминаемые в тексте.

===Чему научатся студенты?===
* Обрабатывать данные различных форматов и источников данных.
* Разрабатывать распределенные программы.
* Проведению аналитика с использование текстовых ана

===Какие технологии будут использоваться?===
Python 3, Flask RestFul \ Django Rest Framework

===Требования, предъявляемые к студентам===
Python 3

===Темы вводных занятий===
Scrapy, Проектирование БД

===Критерии оценки итогового результата по проекту===
· Разработка краулера сбора данных новостного сайта (4 балла)

· Разработка простейшего парсера сущностей (5 баллов)

· Разработка веб-сервиса (6 баллов)

· Разработка клиентского приложения ( 7 баллов)

· Разработка БД для хранения новостей и сущностей (8 баллов)

· Разработка улучшеннего парсера сущностей. Проведение сравнительного эксперимента на собранных данных (9)

· Написание качественного исследовательского отчета по сравнению библиотек NLP (10 баллов)
===Контакты===
Паринов Андрей aparinov@hse.ru

Разработка системы определения кардио заболеваний на основе ЭКГ

2018-10-25T20:43:47Z

Aapoludnitsin: Новая страница: «{{Карточка_проекта |name=Разработка системы определения кардио заболеваний на основе ЭКГ |m…»

{{Карточка_проекта
|name=Разработка системы определения кардио заболеваний на основе ЭКГ
|mentor=Паринов Андрей
|mentor_login={{URLENCODE:none|WIKI}}
|semester=Осень 2018
|course=2
|number_of_students=?
|categorize=yes
}}

===Описание проекта===
Кардио заболевания занимают первое место как причина смерти среди населения. На сегодняшний день ЭКГ один из самых распространненых способов получения информации о состоянии сердца. Несмотря на множество исследований, остается большая потребность в разработке алгоритмов автоматического определения заболевания и прогнозировании развития заболеваний.

===Чему научатся студенты?===
Изучат современные форматы хранения медицинских данных, в том числе ЭКГ.

Изучат современные алгоритмы определения кардио заболеваний

===Какие технологии будут использоваться?===
Python 3, Flask RestFul \ Django Rest Framework

===Требования, предъявляемые к студентам===
Python 3, Flask RestFul \ Django Rest Framework

===Темы вводных занятий===
* Flask RestFul \ Django Rest Framework
* Библиотека WFDB. Модели работы сердца.

===Критерии оценки итогового результата по проекту===
· Разработка веб-сервиса (4 балла)

· Разработка алгоритма выявления пиков (5 баллов)

· Разработка клиентского приложения ( 6 баллов)

· Разработка БД для хранения результатов анализа ЭКГ (7 баллов)

· Изучение возможностей современных носимых устройств для сбора данных ЭКГ (8 баллов)

· Разработка алгоритма прогнозирования наличия фибриляции предсердий на основе данных physionet.org ( 9 баллов)

· Изучение совместного использования данных импедансной электрокардиографии для определения кардиозаболеваний (10 баллов)

===Контакты===
Паринов Андрей aparinov@hse.ru

Рыночная аналитика, мониторинг заданных оперативных параметров

2018-10-24T10:54:54Z

Aapoludnitsin: Новая страница: «{{Карточка_проекта |name=Рыночная аналитика, мониторинг заданных оперативных параметров |co…»

{{Карточка_проекта
|name=Рыночная аналитика, мониторинг заданных оперативных параметров
|company=OZON
|mentor=Зверева Ольга
|mentor_login={{URLENCODE:none|WIKI}}
|semester=Осень 2018
|course=2
|number_of_students=10
|categorize=yes
}}

===Описание проекта===
1. Ассотиментый и ценовой анализ конкурентов в сфере онлайн ритейла
2. Анализ и отслеживание заданных парметров по ежеднеывым отчетам, подготовка краткой справки (письма) по результатам мониторинга
===Чему научатся студенты?===
Работа с большими данными, механизмы сбора и сопоставления больших объемов данных, анализ оперативных отчетов по заданным методикам

===Какие технологии будут использоваться?===
Excel, SQL

===Требования, предъявляемые к студентам===
Хорошие навыки работы с Excel

===Критерии оценки итогового результата по проекту===
Определим позднее

===Количество часов работы студента в неделю===
от 10, а чем больше, тем лучше

===Предположительная длительность работы по задаче===
Работа носит постоянный характер

===Контакты===
Zvereva Olga [ozvereva@ozon.ru]

Создание модели планирования поставок для категории "Одежда, обувь и аксессуары"

2018-10-24T10:53:42Z

Aapoludnitsin:

{{Карточка_проекта
|name=Создание модели планирования поставок для категории "Одежда, обувь и аксессуары"
|company=OZON
|mentor=Зверева Ольга
|mentor_login={{URLENCODE:none|WIKI}}
|semester=Осень 2018
|course=2
|number_of_students=2
|categorize=yes
}}

===Описание проекта===
Необходимо создать модель в Excel по планированию поставок, исходя из планов продаж, товарных остатков и оборачиваемости.

===Чему научатся студенты?===
Полное погружение в работу категорийных менеджеров, понимание процесса бюджетирования в формате Open to buy.

===Какие технологии будут использоваться?===
На начальном этапе модель пишется в Excel, затем она будет зашита в ERP-систему

===Требования, предъявляемые к студентам===
Продвинутые знания Excel, сильные аналитические навыки

===Критерии оценки итогового результата по проекту===
Согласованный формат бюджета по категории в формате Excel

===Количество часов работы студента в неделю===
30

===Предположительная длительность работы по задаче===
3 месяца
===Контакты===
Zvereva Olga [ozvereva@ozon.ru]

Создание модели планирования поставок для категории "Одежда, обувь и аксессуары"

2018-10-24T10:52:52Z

Aapoludnitsin: Новая страница: «{{Карточка_проекта |name=Описание процессов и данных |company=OZON |mentor=Зверева Ольга |mentor_login={{URLENC…»

{{Карточка_проекта
|name=Описание процессов и данных
|company=OZON
|mentor=Зверева Ольга
|mentor_login={{URLENCODE:none|WIKI}}
|semester=Осень 2018
|course=2
|number_of_students=2
|categorize=yes
}}

===Описание проекта===
Необходимо создать модель в Excel по планированию поставок, исходя из планов продаж, товарных остатков и оборачиваемости.

===Чему научатся студенты?===
Полное погружение в работу категорийных менеджеров, понимание процесса бюджетирования в формате Open to buy.

===Какие технологии будут использоваться?===
На начальном этапе модель пишется в Excel, затем она будет зашита в ERP-систему

===Требования, предъявляемые к студентам===
Продвинутые знания Excel, сильные аналитические навыки

===Критерии оценки итогового результата по проекту===
Согласованный формат бюджета по категории в формате Excel

===Количество часов работы студента в неделю===
30

===Предположительная длительность работы по задаче===
3 месяца
===Контакты===
Zvereva Olga [ozvereva@ozon.ru]

Описание процессов и данных

2018-10-24T10:51:03Z

{{Карточка_проекта
|name=Описание процессов и данных
|company=OZON
|mentor=Зверева Ольга
|mentor_login={{URLENCODE:none|WIKI}}
|semester=Осень 2018
|course=2
|number_of_students=2
|categorize=yes
}}

===Описание проекта===
Составление базы знаний компании по внутренним процессам, а также информационным системам и структурам данных, используемым для описания этих процессов

===Чему научатся студенты?===
Навыки работы с промышленными системами хранения и обработки информации

===Какие технологии будут использоваться?===
sql

===Требования, предъявляемые к студентам===
sql

===Критерии оценки итогового результата по проекту===
Применимость полученных результатов для дальнейшей работы компании

===Количество часов работы студента в неделю===
30

===Предположительная длительность работы по задаче===
3 месяца
===Контакты===
Zvereva Olga [ozvereva@ozon.ru]

SupplyChain (проект)

2018-10-24T10:32:51Z

Aapoludnitsin:

{{Карточка_проекта
|name=SupplyChain
|mentor=Печенкин Арсений
|mentor_login={{URLENCODE:Nichichileva|WIKI}}
|semester=Осень 2018
|course=3
|summer=
|number_of_students=8
|categorize=yes
}}

=== Что это за проект? ===
Это реальный проект на блокчейне по организации механизма перепродажи излишков электричества, вырабатывающихся на частных электростанциях. Мы будем реализовывать функции Supply Chain (сбор информации с датчиков, агрегация и хранения этой информации в сети Ethereum) с использованием новейшей технологии Plasma.
Данную систему можно будет внедрять на производство, расширять список поддерживаемых датчиков и оконечных устройств, усложнять графический интерфейс и добавлять в систему аналитический функционал.

===Где могут применяться полученные в ходе проекта знания?===

В любом другом проекте, где нужно перераспределять ресурсы и товары с использованием технологии блокчейн.

=== Чему вы научитесь? ===
Научитесь разрабатывать промышленные проекты с использованием новейших технологий, а именно:
- жизненный цикл проекта (и ПО помогающее его придерживаться)
- методологии разработки программных продуктов
- теорию и практику современных языков программирования, библиотек и технологий

=== Какие начальные требования? ===
- Общие познания в программировании, математике и логике.
- Желание разбираться в новых технологиях
- Умение работать в команде

=== Какие будут использоваться технологии? ===
GoLang, Solidity, JS/HTML/CSS, Ethereum

=== Как выглядит работа над проектом ===

Работа происходит в команде (до 4 человек). у каждого члена команды своя роль и соответствующие ей задачи (например, разработчик back- или frontend, разработчик смарт-контрактов, менеджер проекта, аналитик и тд). При этом один человек может одновременно выполнять несколько разных функций.
Распределение ролей в команде проводится куратором проекта исходя из знаний, навыков и прошлого проектного опыта студентов с учетом их пожеланий. После формирования проектной группы участники приглашаются в московский офис компании BANKEX для знакомства и обсуждения дальнейшего процесса работы.

===Что необходимо, чтобы присоединиться к команде?===

общие познания в программировании и математике;
желание разбираться в новых технологиях;
умение работать в команде.

===Каковы критерии оценки проекта и его итоги?===

4-5: сделан прототип с неполным функционалом.
6-7: сделан работающий прототип;
8-9: + который отвечает промышленным стандартам разработки ПО (code style, patterns, документация)
10: + презентация проекта, дополнительный функционал.
Оценка складывается из оценки персонального результата (60%) + оценка командной работы (40%). Лучшим участникам проекта мы также выдадим сертификат от BANKEX Foundation.

===Кто ведет проект и как с связаться с этим человеком?===

Ведет команду системный архитектор BANKEX Арсений Печенкин.
Канал для связи и важных объявлений: https://t.me/hse_bankex
Официальные присутственные часы куратора во ВШЭ: ВТ 9:00-12:00, ЧТ 9:00-12:00.

По организационным вопросам также пишите менеджеру проекта Наталии Поляничевой (через группу в Телеграм или на почту np@bankexfoundation.org)

===Я хочу участвовать в проекте, какие мои дальнейшие шаги?===

Вступите в группу в Телеграм:
https://t.me/hse_bankex

Заполните опросник:
https://bit.ly/2OxPrXj

Заполните гугл-форму с выбором проекта:
https://docs.google.com/forms/d/e/1FAIpQLSf9Y-YESww73cPp7GU_2eVuclY1aj1w4fH3opiDAEl3nItErQ/viewform3

Ждите дальнейших инструкций. Информация, кто о тех, кто прошел отбор в проект, будет опубликована в группе. Мы также пришлем вам письмо на почту, указанную в опроснике.

'''PS''' Все дополнительные интересующие вас вопросы вы можете задавать в группе в Телеграм.

Антифрод

2018-10-23T10:49:05Z

Aapoludnitsin: Aapoludnitsin переименовал страницу Антифрод в Антифрод Ozon: Конфликты имён

#перенаправление [[Антифрод Ozon]]

Антифрод Ozon

2018-10-23T10:49:05Z

Aapoludnitsin: Aapoludnitsin переименовал страницу Антифрод в Антифрод Ozon: Конфликты имён

{{Карточка_проекта
|name=Антифрод
|company=OZON
|mentor=Зверева Ольга
|mentor_login={{URLENCODE:none|WIKI}}
|semester=Осень 2018
|course=2
|number_of_students=2
|categorize=yes
}}

===Описание проекта===
Участие в построении системы защиты компании от мошенничества со стороны клиентов

===Чему научатся студенты?===
Основы противодействия мошенничеству в ритейле и финансовых организациях

===Какие технологии будут использоваться?===
excel, sql, python

===Требования, предъявляемые к студентам===
excel, sql

===Критерии оценки итогового результата по проекту===
Возможность использования полученных результатов в дальнейшей работе компании

===Количество часов работы студента в неделю===
30

===Предположительная длительность работы по задаче===
3 месяца
===Контакты===
Zvereva Olga [ozvereva@ozon.ru]

Антифрод Ozon

2018-10-23T10:48:29Z

Aapoludnitsin: Новая страница: «{{Карточка_проекта |name=Антифрод |company=OZON |mentor=Зверева Ольга |mentor_login={{URLENCODE:none|WIKI}} |semester=Осен…»

Выбор оптимальной геолокации

2018-10-23T10:46:35Z

Aapoludnitsin: Новая страница: «{{Карточка_проекта |name=Выбор оптимальной геолокации |company=OZON |mentor=Зверева Ольга |mentor_login={{URL…»

{{Карточка_проекта
|name=Выбор оптимальной геолокации
|company=OZON
|mentor=Зверева Ольга
|mentor_login={{URLENCODE:none|WIKI}}
|semester=Осень 2018
|course=2
|number_of_students=2
|categorize=yes
}}

===Описание проекта===
Определение оптимальных точек для размещения постоматов или пунктов самовывоза на основе геопространственных данных

===Чему научатся студенты?===
Строить предсказательные модели на основе геопространственных данных

===Какие технологии будут использоваться?===
python, sql

===Требования, предъявляемые к студентам===
python, sql

===Критерии оценки итогового результата по проекту===
Качество построенной модели и возможность её дальнейшего использования внутри компании

===Количество часов работы студента в неделю===
30

===Предположительная длительность работы по задаче===
3 месяца
===Контакты===
Zvereva Olga [ozvereva@ozon.ru]

Моделирование схемы снабжения складов

2018-10-23T10:43:29Z

Aapoludnitsin: Новая страница: «{{Карточка_проекта |name=Моделирование схемы снабжения складов |company=OZON |mentor=Зверева Ольга |m…»

{{Карточка_проекта
|name=Моделирование схемы снабжения складов
|company=OZON
|mentor=Зверева Ольга
|mentor_login={{URLENCODE:none|WIKI}}
|semester=Осень 2018
|course=2
|number_of_students=3-4
|categorize=yes
}}

===Описание проекта===
определить оптимальную матрицу товаров, схему снабжения целевые уровни запасов и оборачиваемости

===Чему научатся студенты?===
получат практику в анализе и моделировании цепи поставок

===Какие технологии будут использоваться?===
excel, sql, python, Java, .Net

===Требования, предъявляемые к студентам===
желание учиться новому, работать в команде

===Критерии оценки итогового результата по проекту===
утвержденный ассортимент и схема снабжения для нового склада

===Количество часов работы студента в неделю===

20

===Предположительная длительность работы по задаче===
3 месяца
===Контакты===
Zvereva Olga [ozvereva@ozon.ru]

Моделирование складских процессов

2018-10-23T10:41:12Z

Aapoludnitsin: Новая страница: «{{Карточка_командного_проекта |name=Моделирование складских процессов |company=OZON |semester=Осень 2…»

{{Карточка_командного_проекта
|name=Моделирование складских процессов
|company=OZON
|semester=Осень 2018
|course=3
|number_of_students=3-6
|categorize=yes
}}
===Описание проекта===
Производится анализ текущих процессов работы склада. Они моделируются в специальном ПО. По текущим процессам собирается статистика, сверяется с теми данными, которые мы имеем в реальности. Далее вырабатываются предложения по их оптимизации, ищутся узкие места. Можно взять для проекта как работу всего склада, что интереснее, но сложнее. Можно ограничится лишь какой-то частью склада.

===Чему научатся студенты?===
Научатся анализировать работу реальной сложной системы. Научатся моделировать процессы. Смогут предложить свои решения по оптимизации работы склада.

===Какие технологии будут использоваться?===
AnyLogic, Java, Excel

===Требования, предъявляемые к студентам===
Знание ПО AnyLogic, знание теории вероятностей, умение моделировать бизнес-процессы (знание основных нотаций)

===Критерии оценки итогового результата по проекту===
Наличие модели склада, которая показывает результаты, близкие к реальным. Выдвинутое предложение по изменению процесса работы склада. Обоснование внедрения изменения

===Количество часов работы студента в неделю===
20

===Предположительная длительность работы по задаче===
Полгода
===Контакты===
Zvereva Olga [ozvereva@ozon.ru]

Моделирование логистической сети

2018-10-23T10:37:21Z

Aapoludnitsin:

{{Карточка_командного_проекта
|name=Моделирование логистической сети
|company=OZON
|mentor=Зверева Ольга
|mentor_login={{URLENCODE:none|WIKI}}
|semester=Осень 2018
|course=3
|number_of_students=3-6
|categorize=yes
}}
===Описание проекта===
Производится анализ текущей логистической сети компании. Сеть моделируется в специальном ПО. По ней собирается статистика, сверяется с теми данными, которые мы имеем в реальности. Далее сеть дорабатывается с учетом стратегии развития. Прорабатываются различные варианты организации потоков.

===Чему научатся студенты?===
Научатся моделировать логистическую сеть. Получат навык разработки структуры логистической сети с учетом появления новых объектов, например, открытия новых складов.

===Какие технологии будут использоваться?===
AnyLogic/AnyLogistix, Java, Excel

===Требования, предъявляемые к студентам===
Знание ПО AnyLogic/AnyLogistix, знание теории вероятностей, умение моделировать бизнес-процессы (знание основных нотаций)

===Критерии оценки итогового результата по проекту===
Наличие модели логистической сети, которая показывает результаты, близкие к реальным. Выдвинутое предложение по организации логистической сети с учетом новых вводных. Обоснование внедрения изменения.

===Количество часов работы студента в неделю===
20

===Предположительная длительность работы по задаче===
Полгода
===Контакты===
Zvereva Olga [ozvereva@ozon.ru]

Моделирование логистической сети

2018-10-23T10:36:52Z

Aapoludnitsin:

{{Карточка_командного_проекта
|name=Моделирование логистической сети
|company=OZON
|mentor=Зверева Ольга
|mentor_login={{URLENCODE:none|WIKI}}
|semester=Осень 2018
|course=2
|number_of_students=1
|categorize=yes
}}
===Описание проекта===
Производится анализ текущей логистической сети компании. Сеть моделируется в специальном ПО. По ней собирается статистика, сверяется с теми данными, которые мы имеем в реальности. Далее сеть дорабатывается с учетом стратегии развития. Прорабатываются различные варианты организации потоков.

===Чему научатся студенты?===
Научатся моделировать логистическую сеть. Получат навык разработки структуры логистической сети с учетом появления новых объектов, например, открытия новых складов.

===Какие технологии будут использоваться?===
AnyLogic/AnyLogistix, Java, Excel

===Требования, предъявляемые к студентам===
Знание ПО AnyLogic/AnyLogistix, знание теории вероятностей, умение моделировать бизнес-процессы (знание основных нотаций)

===Критерии оценки итогового результата по проекту===
Наличие модели логистической сети, которая показывает результаты, близкие к реальным. Выдвинутое предложение по организации логистической сети с учетом новых вводных. Обоснование внедрения изменения.

===Количество часов работы студента в неделю===
20

===Предположительная длительность работы по задаче===
Полгода
===Контакты===
Zvereva Olga [ozvereva@ozon.ru]

Моделирование логистической сети

2018-10-23T10:36:33Z

Aapoludnitsin:

{{Карточка_программного_проекта
|name=Моделирование логистической сети
|company=OZON
|mentor=Зверева Ольга
|mentor_login={{URLENCODE:none|WIKI}}
|semester=Осень 2018
|course=2
|number_of_students=1
|categorize=yes
}}
===Описание проекта===
Производится анализ текущей логистической сети компании. Сеть моделируется в специальном ПО. По ней собирается статистика, сверяется с теми данными, которые мы имеем в реальности. Далее сеть дорабатывается с учетом стратегии развития. Прорабатываются различные варианты организации потоков.

===Чему научатся студенты?===
Научатся моделировать логистическую сеть. Получат навык разработки структуры логистической сети с учетом появления новых объектов, например, открытия новых складов.

===Какие технологии будут использоваться?===
AnyLogic/AnyLogistix, Java, Excel

===Требования, предъявляемые к студентам===
Знание ПО AnyLogic/AnyLogistix, знание теории вероятностей, умение моделировать бизнес-процессы (знание основных нотаций)

===Критерии оценки итогового результата по проекту===
Наличие модели логистической сети, которая показывает результаты, близкие к реальным. Выдвинутое предложение по организации логистической сети с учетом новых вводных. Обоснование внедрения изменения.

===Количество часов работы студента в неделю===
20

===Предположительная длительность работы по задаче===
Полгода
===Контакты===
Zvereva Olga [ozvereva@ozon.ru]

Моделирование логистической сети

2018-10-23T10:36:15Z

Aapoludnitsin: Новая страница: «{{Карточка_проекта |name=Моделирование логистической сети |company=OZON |mentor=Зверева Ольга |mentor_log…»

{{Карточка_проекта
|name=Моделирование логистической сети
|company=OZON
|mentor=Зверева Ольга
|mentor_login={{URLENCODE:none|WIKI}}
|semester=Осень 2018
|course=2
|number_of_students=1
|categorize=yes
}}
===Описание проекта===
Производится анализ текущей логистической сети компании. Сеть моделируется в специальном ПО. По ней собирается статистика, сверяется с теми данными, которые мы имеем в реальности. Далее сеть дорабатывается с учетом стратегии развития. Прорабатываются различные варианты организации потоков.

===Чему научатся студенты?===
Научатся моделировать логистическую сеть. Получат навык разработки структуры логистической сети с учетом появления новых объектов, например, открытия новых складов.

===Какие технологии будут использоваться?===
AnyLogic/AnyLogistix, Java, Excel

===Требования, предъявляемые к студентам===
Знание ПО AnyLogic/AnyLogistix, знание теории вероятностей, умение моделировать бизнес-процессы (знание основных нотаций)

===Критерии оценки итогового результата по проекту===
Наличие модели логистической сети, которая показывает результаты, близкие к реальным. Выдвинутое предложение по организации логистической сети с учетом новых вводных. Обоснование внедрения изменения.

===Количество часов работы студента в неделю===
20

===Предположительная длительность работы по задаче===
Полгода
===Контакты===
Zvereva Olga [ozvereva@ozon.ru]

Project managment office (PMO) in Supply chain

2018-10-23T10:31:08Z

Aapoludnitsin: Новая страница: «{{Карточка_проекта |name=Project managment office (PMO) in Supply chain |company=OZON |mentor=Зверева Ольга |mentor_login={{URLENCODE:n…»

{{Карточка_проекта
|name=Project managment office (PMO) in Supply chain
|company=OZON
|mentor=Зверева Ольга
|mentor_login={{URLENCODE:none|WIKI}}
|semester=Осень 2018
|course=2
|number_of_students=1-2
|categorize=yes
}}

===Описание проекта===
Организация проектного офиса управления проектами в рамках подразделения Supply chain. Участие в координации проектов, развитии систем управления проектами

===Чему научатся студенты?===
Изучат какие бывают проекты, базовые знания управления проектами, системы управления проектами

===Какие технологии будут использоваться?===
PMP методология, гибкие технологии управления проектами, JIRA, MS Project office

===Требования, предъявляемые к студентам===
Экстраверты, понимание что такое проект, системность, педантичность, коммуникабельность, тактичность

===Критерии оценки итогового результата по проекту===
Понимание базовых знаний по управлению проектами

===Количество часов работы студента в неделю===

10

===Предположительная длительность работы по задаче===
Полгода
===Контакты===
Zvereva Olga [ozvereva@ozon.ru]

Ozon Buyer Electronics

2018-10-23T10:28:19Z

Aapoludnitsin:

{{Карточка_проекта
|name=Ozon Buyer Electronics
|company=OZON
|mentor=Зверева Ольга
|mentor_login={{URLENCODE:none|WIKI}}
|semester=Осень 2018
|course=2
|number_of_students=2-3
|categorize=yes
}}

===Описание проекта===
Разработка электронных устройств для покупателя

===Чему научатся студенты?===
Работать с протоколами умного дома на низком уровне (ZWave/Zigbee)

===Какие технологии будут использоваться?===
ZWave/Zigbee/Tcpdump/Wareshark/Паяльник/Осциллограф

===Требования, предъявляемые к студентам===
Базовые знания электроники, умение пользоваться

===Критерии оценки итогового результата по проекту===
Ясность произведенной документации/описания, повторяемость результатов экспериментов.

===Количество часов работы студента в неделю===
сколько сможет, на самом деле
===Предположительная длительность работы по задаче===
2-3 месяца

===Контакты===
Zvereva Olga [ozvereva@ozon.ru]

SEO-аналитика

2018-10-23T10:27:50Z

Aapoludnitsin:

{{Карточка_проекта
|name=SEO-аналитика
|company=OZON
|mentor=Зверева Ольга
|mentor_login={{URLENCODE:none|WIKI}}
|semester=Осень 2018
|course=2
|number_of_students=1
|categorize=yes
}}

===Описание проекта===
Проект по сбору ключевых слов и классификация этих слов по определенным криетериям для SEO оптимизации сайта.

===Чему научатся студенты?===
Работа со сторонними API, многопоточная обработка запросов, лемматизация ключевых фраз, общий понятийный аппарат по сравнительно сложной теме SEO

===Какие технологии будут использоваться?===
.net core, с#, rest, docker, ci-di, ms sql server

===Требования, предъявляемые к студентам===
Потоки, синхронизация потоков, желательно знание c#, умение работать с VS

===Критерии оценки итогового результата по проекту===
Написанная задача по лемматизации исходных ключевых слов.

===Количество часов работы студента в неделю===

20

===Предположительная длительность работы по задаче===
Для студента недели 2
===Контакты===
Zvereva Olga [ozvereva@ozon.ru]

SEO-аналитика

2018-10-23T10:27:37Z

Aapoludnitsin:

{{Карточка_командного_проекта
|name=SEO-аналитика
|company=OZON
|mentor=Зверева Ольга
|mentor_login={{URLENCODE:none|WIKI}}
|semester=Осень 2018
|course=2
|number_of_students=1
|categorize=yes
}}

===Описание проекта===
Проект по сбору ключевых слов и классификация этих слов по определенным криетериям для SEO оптимизации сайта.

===Чему научатся студенты?===
Работа со сторонними API, многопоточная обработка запросов, лемматизация ключевых фраз, общий понятийный аппарат по сравнительно сложной теме SEO

===Какие технологии будут использоваться?===
.net core, с#, rest, docker, ci-di, ms sql server

===Требования, предъявляемые к студентам===
Потоки, синхронизация потоков, желательно знание c#, умение работать с VS

===Критерии оценки итогового результата по проекту===
Написанная задача по лемматизации исходных ключевых слов.

===Количество часов работы студента в неделю===

20

===Предположительная длительность работы по задаче===
Для студента недели 2
===Контакты===
Zvereva Olga [ozvereva@ozon.ru]

Ozon Buyer Electronics

2018-10-23T10:26:04Z

Aapoludnitsin:

{{Карточка_проекта
|name=Ozon Buyer Electronics
|company=OZON
|semester=Осень 2018
|course=2
|number_of_students=2-3
|categorize=yes
}}

===Описание проекта===
Разработка электронных устройств для покупателя

===Чему научатся студенты?===
Работать с протоколами умного дома на низком уровне (ZWave/Zigbee)

===Какие технологии будут использоваться?===
ZWave/Zigbee/Tcpdump/Wareshark/Паяльник/Осциллограф

===Требования, предъявляемые к студентам===
Базовые знания электроники, умение пользоваться

===Критерии оценки итогового результата по проекту===
Ясность произведенной документации/описания, повторяемость результатов экспериментов.

===Количество часов работы студента в неделю===
сколько сможет, на самом деле
===Предположительная длительность работы по задаче===
2-3 месяца

===Контакты===
Zvereva Olga [ozvereva@ozon.ru]

Classification of eye movement type

2018-10-22T09:18:19Z

Aapoludnitsin:

{{Карточка_проекта
|name=Classification of eye movement type
|mentor=W. Joseph MacInnes
|mentor_login={{URLENCODE:jmacinners|WIKI}}
|semester=Осень 2018
|course=2
|number_of_students=2-3
|categorize=yes
}}

=== What is this project? ===
Classification of eye movement type. Eye trackers collect data on the gaze position and pupil size at very high
temporal and spatial resolution. From this data, we often want to know what state the visual system was in at any
given time. The possible categories are Saccade, Fixation, smooth pursuit and Blink; and these are determined by a
combination of velocity and pupil information. Choice of algorithm will likely require a solution that is sensitive to
patterns over time. Open source data sets allow for comparison of classifier accuracy (Eye movement prediction and
variability on natural video data sets, Dorr et al, 2012). This project for 2 or 3 students will research, implement and
compare multiple classifiers to find the best performance in this task.
=== What will student learn?===
Techniques in oculography, basic functions of eye movements, one or more classifier algorithms.
=== What are the initial requirements?===
Basic programming skills (language is not critical, but R, C++, Java, Matlab or Python preferred)
=== What technologies will be used?===
Open source datasets, programming.
=== Themes of introductory lesson?===
Eye movement properties.
=== Directions of future development===
Potential exists for publishing results at conference or journal.
=== Criteria for evaluation===
* 50% written (English) summary of project and literature review.
* 50% code implementation and results

===Контакты===
W. Joseph MacInnes jmacinnes@hse.ru

Classification of eye movement type

2018-10-22T09:17:52Z

Aapoludnitsin:

{{Карточка_проекта
|name=Classification of eye movement type
|mentor=W. Joseph MacInnes
|mentor_login={{URLENCODE:jmacinners|WIKI}}
|semester=Осень 2018
|course=2
|number_of_students=2-3
|categorize=yes
}}

=== What is this project? ===
Classification of eye movement type. Eye trackers collect data on the gaze position and pupil size at very high
temporal and spatial resolution. From this data, we often want to know what state the visual system was in at any
given time. The possible categories are Saccade, Fixation, smooth pursuit and Blink; and these are determined by a
combination of velocity and pupil information. Choice of algorithm will likely require a solution that is sensitive to
patterns over time. Open source data sets allow for comparison of classifier accuracy (Eye movement prediction and
variability on natural video data sets, Dorr et al, 2012). This project for 2 or 3 students will research, implement and
compare multiple classifiers to find the best performance in this task.
=== What will student learn?===
Techniques in oculography, basic functions of eye movements, one or more classifier algorithms.
=== What are the initial requirements?===
Basic programming skills (language is not critical, but R, C++, Java, Matlab or Python preferred)
=== What technologies will be used?===
Open source datasets, programming.
=== Themes of introductory lesson?===
Eye movement properties.
=== Directions of future development===
Potential exists for publishing results at conference or journal.
=== Criteria for evaluation===
50% written (English) summary of project and literature review. 50% code implementation and results

===Контакты===
W. Joseph MacInnes jmacinnes@hse.ru

Влияние солнечной активности на изменение климата на Земле

2018-10-22T09:17:26Z

Aapoludnitsin: Новая страница: «{{Карточка_проекта |name=Влияние солнечной активности на изменение климата на Земле |mentor=А.…»

{{Карточка_проекта
|name=Влияние солнечной активности на изменение климата на Земле
|mentor=А. Шаповал
|mentor_login={{URLENCODE:ashapoval|WIKI}}
|semester=Осень 2018
|course=2
|number_of_students=5
|categorize=yes
}}

===Чему я научусь?===

Узнаете закономерности, которым следует солнечная активность
Выясните, что, на самом деле, эти закономерности являются квази-закономерностями, поскольку солнечные индексы следуют им «очень неохотно»
Применив, статистические методы обработки данных, тестировать наличие влияния одного ряда данных на другой.
Использовать методы тестирования гипотез

===Какие начальные требования?===
* Программирование на Python
* Базовые знания теории вероятностей
* Интерес к задачам, связанной с солнечной активностью и / или изменением климата

===Технологии===

* Статистические методы
* Методы анализа данных, например, SVD, метод главных компонент
* Реализация алгоритмов на языке Python

===Темы вводных занятий===

* Методы главных компонент
* Информационные меры
* Закономерности в солнечных индексах

===Критерии оценки===
* Уверенное использование методов анализа данных: 4-5
* + понимание закономерностей в солнечных индексах: 6-7
* + установление связи между различными рядами данных / установление скрытых закономерностей в данных: 8-9
* + подготовка приемлемого отчёта о проделанной работе: 10

===Контакты===
Александр Шаповал abshapoval@gmail.com
 https://www.hse.ru/en/org/persons/110258149

Classification of eye movement type

2018-10-22T09:17:01Z

Aapoludnitsin:

CMS система для чатбота (проект)

2018-10-21T18:27:31Z

Aapoludnitsin:

{{Карточка_проекта
|name=CMS система для чатбота
|mentor=Лучков Роман
|mentor_login={{URLENCODE:Roman|WIKI}}
|semester=Осень 2018
|course=2
|summer=on
|number_of_students=4
|categorize=yes
}}

=== Что это за проект? ===
У нас в компании разработан чатбот, который обрабатывает обращения клиентов самостоятельно. Для этого проекта хочется разработать полноценную cms систему, для простого управления и контроля бота операционными подразделениями. Также этот севрис должен включать в себя возможность простого создания своих кастомных ботов(что-то похожее можно посмотреть тут https://getstoryline.com).

=== Чему вы научитесь? ===
Работать в команде(будем стремиться к agile scrum)

Разрабатывать клиент-серверную архитектуру

Написанию веб-сервиса, которым будут пользоваться люди

=== Какие начальные требования? ===
знание python

angular или react (выберем исходя из знаний)

интерес к задачам машинного обучения и веб разработке

=== Какие будут использоваться технологии? ===
Python в рамках прослушанного курса

PostgresSQL

angular or react

=== Темы вводных занятий ===

1. Архитектура проекта. внешние связи и зависимости.

2. Специфические технологии и используемые инструменты.

3. Доступные ресурсы, организация доступа.

4. Разделение ролей

5. Расскажем о том, как устроена наша диалоговая система

=== Направления развития ===
Этот проект может стать хорошим шагов в сторону разработки полноценных веб-сервисов. Включает студента в современный мир разработки, дает необходимую базу для дальнейшего развития в веб-разработке. Мы также будем рады предложить заинтересованных студентам продолжить работу над текущим проектом и продолжать развивать его вне проектной работы. Идей по этому проекту у нас много и, думаем, у вас появится еще больше)

=== Критерии оценки ===
4-5 : TBA
6-7 : TBA
8-10 : TBA

=== Ориентировочное расписание занятий ===
ЧТ 9:00-12:00

Проектная работа

2018-10-18T13:05:33Z

Aapoludnitsin:

== Сейчас ==
[[:Категория: Проектная работа/По_семестрам/Осень_2018|Проектная работа 2 курс (осень 2018)]]

[[:Категория: Командная_проектная_работа/По_семестрам/Осень_2018|Командные проекты 3-4 курс (осень 2018)]]

== Архив ==
=== 2017/18 уч. год ===
[[:Категория:Проектная работа/По_семестрам/Осень_2017|Проектная работа 2 курс (осень 2017)]]

[[:Категория:Командная_проектная_работа/По_семестрам/Осень_2017|Командные проекты 3-4 курс (осень 2017)]]

=== 2016/17 уч. год ===
[[:Категория:Проектная работа/Архив/Осень_2016|Проектная работа 2 курс (осень 2016)]]

[[:Категория:Командная_проектная_работа/Архив/Осень_2016|Командные проекты 3 курс (осень 2016)]]

=== 2015/16 уч. год ===
[[Проектная работа 1 курс (2016)|Проектная работа 1 курс (весна 2016)]]

=== 2014/15 уч. год ===
[[Проектная работа 1 курс (2015)|Проектная работа 1 курс (весна 2015)]]

Обучение с подкреплением для манипулятора (проект)

2018-10-17T08:12:08Z

Aapoludnitsin:

{{Карточка_проекта
|name=Обучение с подкреплением для манипулятора
|mentor=Панов Александр
|mentor_login={{URLENCODE:Panov.ai|WIKI}}
|semester=Осень 2018
|course=2
|summer=on
|number_of_students=5
|categorize=yes
}}

=== Что это за проект? ===
Создавая и проектируя робототехнические системы, мы должны заложить в них некоторые знания, на основе которых они будет успешно решать задачи и адекватно себя вести во внешней среде. Сейчас такие знания в виде правил и готовых алгоритмов по большей части закладываются вручную. Однако, очевидно, что это во-первых, неэффективно, а во-вторых, порождает множество неточностей, потому что заранее все предусмотреть невозможно. Единственный выход из такой ситуации - разработать алгоритм обучения, который бы позволял в процессе деятельности пополнять информацию о доступных и успешных для данной задачи действиях, конструировать новые действия на основе базовых операций и т.д. В данном проекте предлагается поработать над одним из таких алгоритмов в задаче управления манипулятором робота.

=== Чему вы научитесь? ===
Вы научитесь работать и реализовывать современные алгоритмы обучения с подкреплением. Вы узнаете, в чем специфика работы с робототехническими системами. Вы научитесь применять методы машинного обучения в таких задачах, как планирование и управление. Познакомитесь с возможностью применения нейронных сетей в обучении с подкреплением.

=== Какие начальные требования? ===
Отличное знание Python и желание учиться новому.

=== Какие будут использоваться технологии? ===
Инструменты и библиотеки Python (OpenAI.Gym, Open.AI Universe и др.).

=== Темы вводных занятий ===
Базовое занятие по обучению с подкреплением и задаче управления манипулятором.

=== Направления развития ===
Основное развитие - имплементация разработанного алгоритма для модели робототехнической системы в системах ROS и Gazebo.

=== Критерии оценки ===
1. 4-5 - Реализация базовой среды (Env) в Open.AI и примитивного алгоритма управления через Q-tables.
2. 6-7 - Реализация различных версий алгоритмов TRPO и PPO, проведение и анализ экспериментов.
3. 8-10 - Либо применение реккуретной нейронной сети с памятью, либо реализация алгоритма для модели робота в ROS и Gazebo.

=== Ориентировочное расписание занятий ===
ПН 17:00-19:00 и СП 17:00-19:00

Иерархическое планирование поведения (проект)

2018-10-16T16:55:36Z

Aapoludnitsin:

{{Карточка_проекта
|name=Иерархическое планирование поведения
|mentor=Панов Александр
|mentor_login={{URLENCODE:Panov.ai|WIKI}}
|semester=Осень 2018
|course=2
|summer=on
|number_of_students=5
|categorize=yes
}}

=== Что это за проект? ===
Один из важнейших направлений в современном искусственном интеллекте - это планирование поведения. Без планирования своих действий не работает ни один интеллектуальный робот и не летает дрон. Это большая и развитая тема, но в рамках этого проекта можно быстро представить себе, что это такое - программировать работу искусственного интеллекта, на примере одного из современных алгоритмов иерархического планирования. Нужно будет реализовать один из вариантов алгоритма на языке Python, провести несколько экспериментов с ним, визуализировать его работу.

=== Чему вы научитесь? ===
Познакомишься с тем, как программируют алгоритмы для искусственного интеллекта. Познакомишься с одним из известных алгоритмов планирования поведения. Узнаешь, как писать код для ИИ на Python и как проводить с ним эксперименты.

=== Какие начальные требования? ===
Особых требований нет, кроме умения понимать алгоритмы и реализовывать их на Python.

=== Какие будут использоваться технологии? ===
Библиотека pyperplan (https://bitbucket.org/malte/pyperplan).

=== Темы вводных занятий ===
На вводном занятии расскажу про основы планирования поведения для систем искусственного интеллекта.

=== Направления развития ===
Улучшать сам алгоритм, добавить элементы эвристического поиска. Развивать систему визуализации с использованием библиотек рисования графов. Реализация других алгоритмов планирования. Участие в написании нашей собственно когнитивной архитектуры (STRL), которая предназначена в том числе и для работы с коалициями робототехнических систем. Реализация некоторых подсистем, основанных на правилах, подсистем обучения, распознавания, планирования.

=== Критерии оценки ===
На 4-5 - Разобраться с алгоритмом и библиотекой pyperplan. Уметь запускать разные примеры из pyperplan. Реализовать алгоритм с использованием API библиотеки.
На 6-7 - Провести эксперименты с реализованным алгоритмом, визуализировать графики его работы.
На 8-10 - Интегрировать написанный алгоритм в Robotic Operation System (ROS).

=== Ориентировочное расписание занятий ===
ПН 17:00-19:00 и СП 17:00-19:00

Система для извлечения структурированной информации из web-сайтов

2018-10-16T16:49:00Z

Aapoludnitsin: Новая страница: «{{Карточка_командного_проекта |name=Система для извлечения структурированной информации и…»

{{Карточка_командного_проекта
|name=Система для извлечения структурированной информации из web-сайтов
|company=ВШЭ
|semester=Осень 2018
|course=4
|number_of_students=?
|categorize=yes
}}

===Описание проекта===
В рамках проекта студентам предлагается разработать сервис для извлечения структурированной информации из web-сайтов.
Сейчас все крупные известные решения парсинга информации с сайтов требуют написания кода.
В данном сервисе пользователь сможет указать мышкой элементы html-страницы, содержащие нужные пользователю данные. После чего система формирует правила, которые применяет к указанным веб-страницам сайта, и возвращает извлеченные данные.
Требуется также реализовать способы доставки свежих данных и методы автоматического выявления изменений структуры сайтов, влияющих на качество извлекаемой информации.

===Задачи===
Разработать язык описания структурированной информации на web-сайтах
Разработать интерпретатор данного языка (парсер)
Разработать эффективные алгоритмы по сбору и обработке html-страниц
Настроить инфраструктуру для использования сервиса
Реализовать методы автоматического выявления изменений структуры сайтов

===Контакты===
Агеев Михаил Сергеевич mageev@hse.ru

Автоматизированная идентификация аномалий методами Process Mining

2018-10-16T11:43:22Z

Aapoludnitsin:

{{Карточка_командного_проекта
|name=Автоматизированная идентификация аномалий методами Process Mining
|company=PwC
|semester=Осень 2018
|course=3-4
|number_of_students=3-5
|categorize=yes
}}

===Что это за проект? ===

Многие компании, в результате автоматизации бизнес-процессов, накапливают большой объём данных в ERP системах. Массивы информации, появляющейся в результате операционной деятельности компаний, могут быть использованы для многих целей, в том числе для анализа фактического состояния бизнес-процессов, а также разработки планов по их улучшению или изменению.
 Проект предполагает разработку аналитического инструмента, который направлен на:
# автоматизированный анализ бизнес-процессов;
# автоматизированная идентификация аномалий с использованием алгоритмов машинного обучения и методов Process Mining.
 
На входе такой инструмент получает набор табличных данных в виде журнала событий ERP системы по бизнес-процессу. На выходе инструмент формирует отчёт по профилированию процесса, который отражает информацию о наиболее значимых KPI процесса, его узких местах и аномалиях. Так, например, такой инструмент может предоставлять информацию о наиболее часто встречающихся отклонениях от стандартного процесса и потенциальных причинах их появления, а также обнаруживать нетипичные и неоптимальные цепочки событий (например - риск мошенничества, области для оптимизации процесса и т.д.). Впоследствии, на базе данного прототипа планируется разработка инструмента вариативного прогнозирования (Data-driven decision making).

===Чему научатся студенты? Что самое интересное в проекте? ===

# Понимать логику и основы построения бизнес-процессов и оценивать риски возникающих отклонений;
# Применять алгоритмы машинного обучения для статистической обработки системной информации;
# Работать с данными из ERP систем, используемых во всех крупных компаниях (Oracle, SAP, MS Dynamics Axapta etc.);
# Определять и формулировать задачи, организовывать время и работу (time- and project – management);
# Познакомятся с принципом упорядочивания и очистки данных для анализа - “tidy data”;
# Попрактиковаться в написании четкого и понятного кода;
# Составления документации по использованию инструмента;
# Работать в команде.

===Организация работы (Как студенты будут работать в команде?) ===
Проектная команда состоит из 3-5 человек. В рамках проектной команды предполагаются следующие роли участников (однако список этим не ограничивается):

# Специалист по машинному обучению
# Специалист по очистке данных
# Бизнес-аналитик
# Специалист по оценке и анализу рисков
# Менеджер проекта
# Разработчик
# Тестировщик

Каждый участник может попробовать себя в одной или более ролей, совместив, к примеру, роль менеджера проекта и тестировщика. На первоначальном этапе планируется совместная работа по определению масштаба работ и по постановке задач с последующим их распределением.

Компоненты (Из каких частей состоит проект?)

{| class="wikitable"
|-
! № !! Этапы проекта!! Этапы разработки!! Результаты по данному этапу
|-
| 1 || Инициализация || Постановка задачи || Проектное задание
|-
| 2 ||rowspan="3"| Проектирование || Анализ задачи и моделирование || rowspan = "2"| Список допущений, ограничений и рисков реализации проекта
|-
| 3 || Разработка или выбор алгоритма решения задачи ||
|-
| 4|| Проектирование общей структуры инструмента || Структура функциональных модулей

Модель спецификаций и уровней разработки (основа, по которой будет писаться Руководство пользователя)
|-
| 5|| Планирование || Планирование основных этапов работ || Диаграмма Ганта проекта,

Дорожная карта проекта
|-
| 6||rowspan = "2"| Реализация|| Написание кода || Четкий, понятный код
|-
| 7|| Отладка и тестирование программы || Рабочий прототип инструмента
|-
| 8||rowspan = "2" | Анализ и работа над полученными результатами || Анализ результатов || Анализ результатов
|-
| 9|| Документация || Руководство пользователя
|-
| 10|| Результат || Презентация || Презентация разработанного инструмента, оформленная в .ppt и интерактивное демо
|}

===Какие будут использоваться технологии? ===

# Python/R или другие;
# Реляционные базы данных (MySql, MS SQL etc.);

===Какие начальные требования? ===

# Знания одного из языков программирования (Python, R etc.);
# Знания теории вероятности и математической статистики;
# Знания в области машинного обучения;
# Умение работать в Git.

===Темы вводных занятий ===

# Process Mining: основные концепции и понятия;
# Бизнес аналитика. Виды рисков. Возможные аномалии бизнес-процессов;
# Основы управления проектами: методы приоритизации, организации времени и разработки рабочего плана;
# Риск-менеджмент в организации;
# Принципы работы с очисткой и упорядочивания данных – “tidy data”;
# Презентация: структура и навыки.

===Критерии оценки ===

8 – 10: разработан инструмент с функционалом для автоматического формирования аналитического отчета, включающий ключевые показатели эффективности (KPI), информацию об аномалиях и узких местах процесса. Инструмент должен предусматривать возможность добавления новых аналитических блоков.

6 – 7: разработан инструмент с функционалом для автоматического формирования аналитического отчета, включающий показатели эффективности (KPI), информацию об аномалиях и узких местах процесса.

4– 5: разработан инструмент с функционалом для автоматического формирования аналитического отчета, включающий показатели эффективности (KPI).

===Контактная информация ===

 Yulia Wasserman
 PwC, Consultant, Risk Assurance
 Office: +79168366786
 Email: yulia.wasserman@pwc.com

Сервис хранения аннотированных разноформатных данных “Large Data Inventory”

2018-10-16T10:14:47Z

Aapoludnitsin:

{{Карточка_проекта
|name=Сервис хранения аннотированных разноформатных данных “Large Data Inventory”
|mentor=Космачев Алексей
|mentor_login={{URLENCODE:akosmachev|WIKI}}
|semester=Осень 2018
|course=3-4
|number_of_students=2-3
|categorize=yes
}}
===Что за проект?===
Биоинформатические алгоритмы анализа данных пациента генерируют огромное количество различных файлов (порядка 50-100 Гб на каждого пациента). Для хранения таких объемов информации используются различные облачные хранилища, такие как Rackspace Cloud Files, Amazon S3 и тд.
Основная проблема - это понять принадлежность того или иного объекта в хранилищах: к какому пациенту относится, к какому dataset, когда и кто данный объект загрузил, какой биоинформатический инструмент сгенерировал файл (название, версия и прочие метаданные), какие данные (мутации, экспрессии и т.п.) и какой формат данных, как долго нужно хранить данный объект и так далее.
Важно отметить, что в хранилище помещаются данные пациентов из госпиталей, которая является PHI-информацией. Это означает, что необходим гибкий и надежный механизм разграничения прав доступа к распределенному хранилищу.
Помимо этого, необходимо обеспечивать консистентность данных, хранимых в системе - не должно быть фантомных объектов, которых на самом деле не существует, не должно оставаться файлов в реальном хранилище после удаления и тд.
Каждый объект, помещаемый в LDI (Large Data Inventory), снабжается минимально необходимым набором атрибутов и мета-данных. Атрибуты могут быть заданы как пользователем, так и встроенными в систему. Атрибуты и значения будут использоваться при выборке и отображении хранимым в системе объектов. Метаданные - некоторый системный набор атрибутов, например, кто загрузил объект, когда, какой размер объекта, mime-тип данных и т.п.
Необходимо разработать прототип компоненты, которая на основе облачного хранилища общего назначения предоставит RESTful API для интеграции в платформу, CLI для доступа пользователя к хранилищу.
===Начальные требования===
* Умение работать с англоязычной технической литературой
* Базовое знание Python
* Готовность изучать новые технологии
===Чему вы научитесь===
* Обеспечивать гибкий авторизованный доступ к данным в распределенной системе
* Реализовывать свой язык запросов и производить эффективный поиск по нему
* Реализовывать клиентское приложение для работы с системой
* Разворачивать самостоятельно и работать с существующими облачными решениями для хранения больших данных
===Какие будут использоваться технологии===
* Python, Golang
* Amazon S3 (Minio)
* MongoDB
* Yacc\Lex
===Критерии оценивания===
* 4 - Реализован сервис, предоставляющий RESTApi с возможностью добавления записи о файле и его поиска
* +2 - Реализован domain-specific language запросов
* +3 - Реализован CLI c возможностью загружать реальные данные
* +3 - Реализована авторизация
===Контакты===
Космачев Алексей adkosmachev@edu.hse.ru‎

Сервис хранения аннотированных разноформатных данных “Large Data Inventory”

2018-10-16T10:14:20Z

Aapoludnitsin:

Разработка интерпретатора и браузерного редактора для заданного Domain Specific Language

2018-10-16T10:12:59Z

Aapoludnitsin:

{{Карточка_проекта
|name=Разработка интерпретатора и браузерного редактора для заданного Domain Specific Language
|mentor=Лев Хотов
|mentor_login={{URLENCODE:lhotov|WIKI}}
|semester=Осень 2018
|course=3-4
|number_of_students=2-3
|categorize=yes
}}

===Что это за проект?===
Существует некоторый язык описания биомаркеров(строгих описаний состояния, в котором находится пациент). Существует его реализация в виде Internal Groovy DSL. Однако подход internal DSL имеет серьезные конструктивные недостатки:
* чудовищные проблемы с безопасностью
* трудности в предоставлении удобного тулинга людям, не являющимся разработчиками(а DSL зачастую разрабатываются для них)
В данной работе предлагается познакомиться с профильным инструментом для разработки DSL с тулингом, и реализовать с его помощью подмножество заданного языка, используя для проверки себя существующую реализацию, а также сделать браузерный редактор получившегося DSL с автодополнением. Подробнее, см:
* 8-я глава книги Implementing Domain Specific Languages with Xtext and Xtend - Second Edition.pdf (ссылка на книгу: https://goo.gl/4eJdS6)
* Документация на сайте Xtext: https://goo.gl/iiVPW5

Пример выражения на DSL:
mutation.load(gene: “BRAF”, type: MutationType.frameshift) > 0 && cna.deletion(gene: “KIT”)
===Начальные требования===
* Уверенное чтение англоязычной технической литературы
* Уверенное владение каким-либо объектно-ориентированным языком(Java, C#, C++, Python…)
* Желание изучать Java
===Чему вы научитесь===
* Писать на разных языках для JVM
* Создавать свой собственный язык программирования вместе с тулингом для него
===Какие будут использоваться технологии===
* Семейство похожих языков для JVM (Java, Kotlin, Groovy, возможно Xtend)
* Eclipse Xtext для разработки DSL
=== Критерии оценивания ===
* 4 балла --- реализован интерпретатор DSL, который поддерживает несколько функций, арифметические операторы над четырьмя типами: boolean, logical, enum и collection. При этом разрешается(и приветствуется) переиспользование существующего интерпретатора в любом виде.
* +2 балла --- реализован веб-сервис, предоставляющий редактор DSL с возможностью создания, сохранения(в любую СУБД, хоть redis) и редактирования существующих выражений с базовым автодополнением.
* +4 балла --- продвинутое автодополнение, поддерживающее огромные словари, доступ к которым предоставляется через третий сервис(например, словарь генов).

===Контакты===
Лев Хотов lev.khotov@bostongene.com

Инкрементальная валидация биомаркеров

2018-10-16T10:11:00Z

Aapoludnitsin:

{{Карточка_проекта
|name=Инкрементальная валидация биомаркеров
|mentor=Лев Хотов
|mentor_login={{URLENCODE:lhotov|WIKI}}
|semester=Осень 2018
|course=3-4
|number_of_students=1
|categorize=yes
}}

===Что это за проект?===
tldr; необходимо в утилиту, которая сканирует директорию и валидирует находящиеся в ней файлы, добавить возможность игнорировать те из них, которые не изменялись с последней успешной валидации.

Есть некоторая программа, работа которой зависит от биомаркеров - строгих описаний состояния, в котором находится пациент. При этом биомаркеров много (и их число постоянно расширяется), они имеют сложный предметный смысл и синтаксис, и пишут их не обычные разработчики, а предметные эксперты (разработчиками не являющиеся). Для проверки корректности написанных биомаркеров эксперты используют специальную консольную утилиту, которая сканирует заданную директорию с биомаркерами и выводит список ошибок с указанием мест в файлах, где они произошли.

Проблема заключается в том, что валидация одного файла происходит довольно долго (порядок сотен миллисекунд), файлов довольно много(несколько тысяч), и утилита всегда валидирует все файлы. Таким образом, эксперту приходится ждать несколько минут проверки одного-единственного измененного файла. В рамках проекта предлагается решить эту проблему, реализовав валидацию только тех файлов, которые действительно нужно повторно валидировать после предыдущей валидации.

Отдельно также стоит учесть, что валидатор со временем разрабатывается, поэтому может так случиться, что предыдущая валидация была выполнена более старой версией валидатора(в которой, например, могли быть ошибки, повлиявшие на валидацию). В таких случаях необходимо игнорировать прошлые результаты валидации и повторно валидировать все файлы заново.
===Начальные требования===
* Понимание принципов ООП
* Владение Java, C#, C++ или Python
* Желание научиться писать на Java
===Чему вы научитесь===
* Писать на Java код, который могут прочитать другие люди
* Писать на Groovy тесты, которые не падают и которые могут прочитать другие люди
* Настраивать сборку проекта с помощью Gradle
* Чуть-чуть писать на Groovy
===Какие будут использоваться технологии===
* Java 8, Groovy, Spock framework, Gradle
===Критерии оценивания===
* 4 --- реализована инкрементальная валидация измененных файлов
* +2 балла --- проделанная работа покрыта тестами
* +2 балла --- реализована проверка на то, что после последней валидации не изменялся код валидатора
* 10 --- проделанная работа в виде PR принята в основной code base

===Контакты===
Лев Хотов lev.khotov@bostongene.com

Разработка комплекса по автоматизированному видеоанализу опорно-двигательного аппарата посредством использования машинного обучения

2018-10-16T09:56:28Z

Aapoludnitsin:

{{Карточка_командного_проекта
|name=Разработка программно-аппаратного комплекса по автоматизированному видеоанализу опорно-двигательного аппарата посредством использования технологий машинного обучения
|company=?
|semester=Осень 2018
|course=3-4
|number_of_students=3-5
|categorize=yes
}}

===Краткое описание===
Проект представляет собой разработку ПРОГРАММНО-АППАРАТНОГО КОМПЛЕКСА по автоматизированному видеоанализу опорно-двигательного аппарата посредством использования технологий машинного обучения (строение скелетно-мышечной системы человека) с программой фиксации отклонений, анализом данных и предоставлением готовых персонализированных рекомендаций к тренировочному процессу и физиопроцедурам.

===Заказчик===
Данное устройство разрабатывается для апробации и последующего внедрения в ряде оздоровительных клиник и фитнес-клубов Москвы.

===Команда===
Предполагается взаимодействие проектной ИТ команды с методологами Олимпийского Комитета России (сфера реабилитации спортсменов), лечащими докторами (Московский научно-практический центр медицинской реабилитации, восстановительной и спортивной медицины).

===Предназначение комплекса===

* для неинвазивного видеоанализа состояния ОДА при статической съемке и с использованием динамических тестов.
* для автоматизированного картирования тела человека.
* для автоматизированного определения персонализированных программ тренировок и физиотерапевтических оздоровительных мероприятий, с последующим мониторингом и корректировкой таких программ.

===Полное описание===
 Необходимо разработать модули интерпретации данных, получаемых с инфракрасной глубинной камеры. Данные модули должны включать в себя функционал определения ключевых точек скелетно-мышечной системы в статичном положении испытуемого, а также программную реализацию интеллектуального видеоанализа динамики движений тестируемого посредством двумерной регистрации геометрии осей ключевых скелетно-мышечных точек в различных плоскостях.

 Предполагается использование продвинутого типа системы видеозахвата, основанного на технологиях компьютерного зрения и распознавания образов, без использования контактных датчиков или маркеров, прикрепляемых к телу испытуемого. Посредством программной интерпретации двух- и трехмерных многозвенных моделей исследования, отображающих сегменты опорно-двигательного аппарата, автоматизированно генерируются заключения по отклонениям от нормальных значений.

 На основе методологических рекомендаций, разработанных физиотерапевтами и врачами ортопедами, идентифицируются группы мышц, определяющие отклонения, после чего в автоматическом режиме формируется программа восстановительных и коррекционных физических упражнений и физиопроцедур.

===Контакты===
Евгений Губарь evgubar@gmail.com

Транслятор языка Solidity в JavaScript

2018-10-16T09:54:30Z

Aapoludnitsin:

{{Карточка_командного_проекта
|name=транслятор языка Solidity в JavaScript
|company=SmartDec
|semester=Осень 2018
|course=3-4
|number_of_students=?
|categorize=yes
}}

===Описание проекта===

Язык javascript де-факто является основным языком исполнения программ
в браузерных платформах. Транслятор solidity в javascript позволит
исполнять smart contract непосредственно в браузере.
Требуется выполнить реализацию небольшого транслятора, позволяющего
выполнять автоматическое предобразования кода для EVM в Java Script
для обеспечения возможности запуска программ на языке Solidity в
браузере.

===Контакты===
Alexander Chernov blackav@gmail.com

Оценка стоимости исполнения программы (gas costs) на языке Solidity в среде Ethereum

2018-10-16T09:51:12Z

Aapoludnitsin:

{{Карточка_командного_проекта
|name=Оценка стоимости исполнения программы (gas costs) на языке Solidity в среде Ethereum.
|company=SmartDec
|semester=Осень 2018
|course=3-4
|number_of_students=?
|categorize=yes
}}

===Описание проекта===
При разработке smart contract важно понимать, что исполняющийся
контракт потребляет gas, который по некоторой цене конвертируется в
криптовалюту, то есть выполнение программы в буквальном смысле стоит
денег. Поэтому еще до выкладывания контракта в сеть важно оценить
затраты на запуск кода smart contract. Кроме того, полезно провести
предварительное профилирование контракта и отметить точки в программе
с наибольшим потреблением ресурсов,
Требуется разработать небольшой статический анализатор, который
получает на вход программу на языке Solidity, на выход выдает оценку
сверху по затратам программы на газ при ее выполнении на Block Chain.
Оценка сложности выполнения операций должна выполняться на уровне EVM.
===Требования к студентам===
Знание C++, основные представления о теории
формальных языков.

===Контакты===
Alexander Chernov blackav@gmail.com

Оценка стоимости исполнения программы (gas costs) на языке Solidity в среде Ethereum

2018-10-16T09:50:57Z

Aapoludnitsin:

{{Карточка_командного_проекта
|name=Оценка стоимости исполнения программы (gas costs) на языке Solidity в среде Ethereum.
|company=SmartDec
|semester=Осень 2018
|course=3-4
|number_of_students=?
|categorize=yes
}}

===Описание проекта===
При разработке smart contract важно понимать, что исполняющийся
контракт потребляет gas, который по некоторой цене конвертируется в
криптовалюту, то есть выполнение программы в буквальном смысле стоит
денег. Поэтому еще до выкладывания контракта в сеть важно оценить
затраты на запуск кода smart contract. Кроме того, полезно провести
предварительное профилирование контракта и отметить точки в программе
с наибольшим потреблением ресурсов,
Требуется разработать небольшой статический анализатор, который
получает на вход программу на языке Solidity, на выход выдает оценку
сверху по затратам программы на газ при ее выполнении на Block Chain.
Оценка сложности выполнения операций должна выполняться на уровне EVM.
===Требования к студентам===
знание C++, основные представления о теории
формальных языков.

===Контакты===
Alexander Chernov blackav@gmail.com

Применение современных подходов к извлечению информации из документов

2018-10-16T09:49:17Z

Aapoludnitsin:

{{Карточка_командного_проекта
|name=Применение современных подходов к извлечению информации из документов
|company=OpenTRM (Open Trade and Risk Management)
|semester=Осень 2018
|course=3
|number_of_students=5
|categorize=yes
}}

=== Что это за проект? ===
В рамках данного проекта студентам предлагается участвовать в разработке прототипа продукта/сервиса который осуществляет анализ сканов документов произвольного формата (PDF файлы) для распределения их по заданным классам и извлечения из них необходимой информации. Несмотря на наличие подобных продуктов на рынке, большинство существующих продуктов ориентированы на использование заранее определенных шаблонов на извлечение информации (например, шаблон налоговой декларации или счета-фактуры). Разрабатываемый продукт применяет модели построенные на алгоритмах машинного обучения, которые ориентируются на формирование обучающей выборки на основе прошлой истории классификации документов и извлечения информации вручную. Это позволяет настроить прототип на корректную работу с инструментами автоматически в процессе обучения и без дополнительной настройки шаблонов документов.

=== Чему научатся студенты? Что самое интересное в проекте? ===
-Формулировать постановку задачи 
-Проводить разработку в изменяющихся условиях и требованиях 
-Участвовать в проекте по разработке прототипа продукта и выводе продукта на рынок (в команде, не индивидуально!) 
-Применять алгоритмы машинного обучения для статистической обработки финансовой информации 
-Применять современные техники обработки текстовой информации и извлечения информации (IE - Infromation Extraction)

=== Организация работы (Как студенты будут работать в команде?) ===
Организация разработки и взаимодействие на проекте будет построено по Scrum: 

- Все студенты участники Scrum команды 
- Product Owner от OpenTRM 
- Scrum Master от OpenTRM 

Детали и подробности организации на вводных занятиях

=== Компоненты (Из каких частей состоит проект?) ===

1. Знакомство с существующими наработками 
2. Формирование бизнес-требований, обсуждение и дизайн прототипа продукта (MVP, MLP) 
3. Планирование и проведение спринтов по разработке прототипа продукта 
5. Проведение демонстраций 
6. Документирование и закрытие проекта 

=== Какие будут использоваться технологии? ===
Language: Python 
DB: PostgreSQL/Oracle/Microsoft SQL/Mongo DB 
ML: Keras/Theano(TensorFlow)/SciKit-Learn 
Text processing: NLTK 
Propriertary libraries to data processing 

=== Какие начальные требования? ===
- Хорошая теоретическая подготовка (Линейная Алгебра, Методы оптимизации, Математическая статистика ...) 
- Готовность брать на себя ответственность и умение работать в команде (внимание! это НЕ индивидуальный проект!) 
- Программирование на C(C++)/Python (в рамках прослушанного курса) 
- Знание SQL желательно 

=== Темы вводных занятий ===
- Основы управления проектами и работа в команде (Классическая организация работ - Water Fall, Agile, Scrum, Kanban, разбор кейсов, мастер классы) 
- Основы теории нейронных сетей (Модель Маккалока-Пиитса, Персептрон Розенблатта, Многослойная нейронная сеть, Алгоритм обучения многослойной нейронной сети методом обратного распространения ошибки) 
- Основы проведения презентации 

=== Критерии оценки ===
4-5: Участие в проектных семинарах, планировании и оценки задач, подготовка прототипа и необходимой документации согласно выбранной задаче; 
6-7: Участие в разработке прототипа до уровня MVP; Проведение демонстрации части функционала прототипа ( каждый студент). Хотя бы один раз за проект коэффициент Scrum команды > 0.5 
8-10: Хотя бы один раз за проект коэффициент Scrum команды > 0.8 

=== Похожие проекты ===
http://wiki.cs.hse.ru/%D0%90%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7_%D1%81%D1%82%D0%B0%D1%82%D0%B8%D1%81%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%BE%D0%B9_%D0%B8%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%B8_%D1%84%D0%B8%D0%BD%D0%B0%D0%BD%D1%81%D0%BE%D0%B2%D1%8B%D1%85_%D1%80%D1%8B%D0%BD%D0%BA%D0%BE%D0%B2_%D1%81_%D0%B8%D1%81%D0%BF%D0%BE%D0%BB%D1%8C%D0%B7%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5%D0%BC_%D0%B0%D0%BB%D0%B3%D0%BE%D1%80%D0%B8%D1%82%D0%BC%D0%BE%D0%B2_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D1%8F_%D0%B8_%D0%BD%D0%B5%D1%87%D0%B5%D1%82%D0%BA%D0%BE%D0%B9_%D0%BB%D0%BE%D0%B3%D0%B8%D0%BA%D0%B8_(%D0%BA%D0%BE%D0%BC%D0%B0%D0%BD%D0%B4%D0%BD%D1%8B%D0%B9_%D0%BF%D1%80%D0%BE%D0%B5%D0%BA%D1%82)

=== Контактная информация ===
E-mail: ivan.lisenkov@gmail.ru 
Телефон: +7(916)687-87-06

Учёт эффекта каннибализации в моделях прогнозирования спроса (в ритейл-сети)

2018-10-16T09:46:59Z

Aapoludnitsin:

{{Карточка_командного_проекта
|name=Учёт эффекта каннибализации в моделях прогнозирования спроса (в ритейл-сети)
|company=SAS
|semester=Осень 2018
|course=3
|number_of_students=2-5
|categorize=yes
}}

===Что это за проект? ===

Проблема обнаружения эффекта каннибализации – самая острая из открытых аналитических задач в ритейле. Понятие каннибализации появилось в 70-х годах прошлого века, и означало эффект снижения спроса на один товар в результате дополнения ассортимента другим товаром. Сегодня это название используют и для объяснения других причин, вызывающих падение продаж какого-либо товара, которыми могут являться, например, открытие в непосредственной близости конкурирующих магазинов (возможно, той же розничной сети), промо-активность по другим товарам внутри категории, ценовая политика. В нашем проекте предлагается разработать подход для учета каннибализации при прогнозировании спроса в розничной сети с помощью методов Machine Learning. Результатом проекта будет являться реализация модели прогнозирования спроса, учитывающей эффекты каннибализации, и оценка значимости разных эффектов каннибализации, в том числе на реальных данных продаж в розничной сети.

===Чему научатся студенты? Что самое интересное в проекте? ===
* Использовать инфраструктуру SAS для подготовки и анализа данных.
* Работать с неструктурированными данными, подготавливать их для решения задач прогнозирования.
* Строить алгоритмы прогнозирования спроса, имеющие практическое приложение в области розничных продаж (ритэйл).

===Организация работы (Как студенты будут работать в команде?) ===

Основные моменты взаимодействия:
* Рабочее окружение (ноутбук с дистрибутивом SAS) предоставляется компанией.
* Разработка ведётся командой из 2-3 человек, каждый из которых отвечает за свою часть задачи.
* Участники проекта могут консультироваться с кураторами (специалисты компании SAS).
* Каждые 2 недели встречаемся и обсуждаем текущее состояние задач.
* Удаленная работа, встречаться нечасто, контакты - по электронным каналам связи (почта, Whatsapp, скайп).

Компоненеты (Из каких частей состоит проект?)
* Систематизация знаний по эффекту каннибализации (лит. обзор).
* Разведочный анализ исходного массива данных.
* Подготовка и анализ данных – работа в системе SAS, open-source инструментах.
* Выбор подхода к учету эффекта каннибализации в проекте.
* Применение и анализ эффекта от предложенного подхода.

===Какие будут использоваться технологии? ===

Для реализации проекта студентам потребуется освоить ПО SAS. Будут использоваться следующие продукты:

# SAS BASE и SAS Enterprise Guide – для анализа данных и разработки алгоритмов.
# SAS Enterprise Miner и SAS Forecast Server.

===Какие начальные требования? ===
* Навыки анализа данных. Навыки программирования (C, С++, C#, Python, R и др.) и знание SQL-like языков.
* Представления о задачах интеллектуального анализа, алгоритмов Machine Learning

===Темы вводных занятий ===
* Знакомство с SAS и входными данными
* Постановка задачи прогнозирования спроса, план работа по проекту, погружение в специфику задач анализа данных в ритейле.
* Выбор подхода к учету эффекта каннибализации в проекте

===Критерии оценки ===

Минимальные требования (на 4-5):

* Подготовлен лит. обзор имеющихся моделей каннибализации
* Проведён анализ исходных данных для понимания их особенностей.

Требования (на 6-7):

* Данные подготовлены для обработки в SAS,

* Подготовлена разметка реальных данных с признаками наличия эффекта каннибализации.

Требования (на 8-10):

* Реализован алгоритм учет каннибализации при прогнозировании спроса в SAS
* Оценена значимость эффекта каннибализации при прогнозировании спроса.

===Похожие проекты ===

Автоматическое обнаружение взаимно каннибализируемых и взаимно дополняемых групп товаров (розничные сети)

===Контактная информация ===

Дмитрий Звежинский (Dmitry.Zvezhinsky@sas.com), Алексей Романенко (Alexey.Romanenko@sas.com)

Распознавание рукописного текста в математических формулах

2018-10-16T09:41:34Z

Aapoludnitsin:

{{Карточка_проекта
|name=Распознавание рукописного текста в математических формулах
|mentor=Алексей Никитин
|mentor_login={{URLENCODE:anikitin|WIKI}}
|semester=Осень 2018
|course=2
|number_of_students=3
|categorize=yes
}}

===Что за проект? ===

Разработка системы переводящей строчку аккуратно (или не очень аккуратно) написанной от руки формулы (лексемы имеют явные границы, лексемами являются функции из заданного заранее множества, буквы латинского, греческого алфавита. Распознание конкретной буквы не обязано быть правильным, важно чтобы одинаковые буквы лексемы распознавались одинаково, разные - по разному, распознавание арифметических знаков, показателей и индексов опционально). Результатом распознавания должен быть перевод изображения в специализированный dom.

Другой важной подзадачей является создание интерфейса для компиляции LaTeX текста «на лету», используя библиотеку Khan Academy KaTeX.

===Чему я научусь? ===

Проект дает опыт в компьютерном зрении(методы фильтрации изображений для выравнивания ненужных данных, фрагментации изображения на мелкие части, содержащие лексемы, сверточные нейронные сети для распознавания класса лекмсемы).

===Какие начальные требования? ===

Знание python, математического анализа и теории вероятности, знание стандартных алгоритмов. Для второй подзадачи желательно знать основы LaTeX.

===Какие будут использоваться технологии? ===

* PyBrain - библиотека для нейронных сетей на python
* PIL - библиотека для работы с изображениями на python
* KaTeX - js-библиотека для работы с математическими формулами

===Направления развития ===

Проект может быть хорошим опытом разработки масштабируемых приложений с использованием алгоритмов машинного обучения.

===Критерии оценки ===

Будет объявлено позже

===Ориентировочное расписание занятий ===
* ПН с 15:00
* ВТ по предварительной договорённости
* СР недоступен
* ЧТ с 13:40
* ПТ по предварительной договорённости
* СБ 12:10 - 14:00

===Контакты===
Алексей Никитин nikitin@cs.msu.su