Tematy prac dyplomowych magisterskich 2010 - Wydział Elektroniki ...
Tematy prac dyplomowych magisterskich 2010 - Wydział Elektroniki ...
Tematy prac dyplomowych magisterskich 2010 - Wydział Elektroniki ...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
magisterskiej neuronową typu SOM<br />
Temat w języku angielskim Selection of text documents using the SOM neural network<br />
Opiekun <strong>prac</strong>y dr inż. Julian Szymański<br />
Konsultant <strong>prac</strong>y<br />
Cel <strong>prac</strong>y Algorytmy grupujące oparte na podobieństwie powszechnie są<br />
stosowane w zadaniach uczenia maszynowego. Jednym z podejść<br />
umożliwiających grupowanie obiektów są mapy<br />
samoorganizujące (SOM) uczące sieć neuronową algorytmem<br />
WTA (Winner Takes All). Celem <strong>prac</strong>y jest zastosowanie<br />
takiego algorytmu do utworzenia mapy podobieństw dla<br />
artykułów Wikipedii. Ze względu na rozmiar problemu wpierw<br />
konieczne będzie zidentyfikowanie stopni spójności w podgrafach<br />
powiązań miedzy artykułami i zastosowanie rozwiązania dla<br />
mniejszych podobszarów,<br />
Zadania do wykonania 1. Przygotowanie danych do przetworzenia<br />
2. Implementacja lub wykorzystanie bibliotek algorytmu<br />
SOM<br />
3. Przetworzenie danych prezentacja i ocena rezultatów<br />
Literatura Kohonen, T. and Somervuo, P Self-organizing maps of symbol<br />
Springs<br />
Honkela, T. and Kaski, S. and Lagus, K. and Kohonen, T.<br />
WEBSOM - self-organizing maps of document collections<br />
Uwagi<br />
Dyplomant<br />
Temat <strong>prac</strong>y dyplomowej Równolegle obliczenia wielkoskalowych danych na klastrach i<br />
magisterskiej<br />
kartach graficznych NVIDIA CUDA<br />
Temat w języku angielskim Parallel calculation of multiscale data on clusters and NVIDIA<br />
CUDA graphical cards<br />
Opiekun <strong>prac</strong>y dr inż. Julian Szymański<br />
Konsultant <strong>prac</strong>y<br />
Cel <strong>prac</strong>y Celem <strong>prac</strong>y jest przeprowadzenie analizy i budowy algorytmów<br />
pozwalającego na wykonywanie obliczeń podobieństwa dla<br />
dużych zestawów danych. Obliczenie podobieństwa jest<br />
podstawową operacją w zadaniach analizy skupień, a jego<br />
zrównoleglenie umożliwi efektywną identyfikację grup<br />
podobnych obiektów w dużych zbiorach danych.<br />
Efektem <strong>prac</strong>y będzie porównanie wydajności grupowania<br />
zrealizowanego na kartach graficznych NVIDIA i na klastrze<br />
obliczeniowym.<br />
Jako dane testowe planowane jest wykorzystanie Wikipedii, dla<br />
której artykułów policzone zostaną wartości podobieństw<br />
określonych różnorodnymi metrykami. Podobieństwa te<br />
umożliwią zbudowanie grup zbliżonych tematycznie do siebie<br />
artykułów. Dodanie etykiet określających znaczenie grupy