Katedra    Personāls    Studijas    Saites    Kontakti    UNITE    In English  
 
Studiju programma:
Aktuālās darba tēmas:
Aizstāvētie diplomdarbi:

Modelēšanas un imitācijas katedra 2014./2015. mācību gada maģistra darbu tematika

Vadītājs: prof. J.Merkurjevs (Konsultācijas trešdienās 14:00-15:00, 426)

  1. Lietišķās loģistikas spēles „Fresh Connection” izmantošana studiju procesā

Vadītājs: asoc.prof. A. Romānovs (Konsultācijas trešdienās 12:30-14:00, 427)

  1. Informācijas tehnoloģijas, IT pakalpojumu un IT drošības pārvaldība
  2. Informācijas tehnoloģijas un sistēmas loģistikā un e-komercijā

Vadītājs: asoc. prof. A. Lektauers (Konsultācijas ceturtdienās 8:15-9:30, 422)

  1. Lietu interneta un sensoru tīmekļa iespējas apkārtējās vides monitoringā
  2. Grafisko procesoru tehnoloģijās sakņotie skaitliskās modelēšanas risinājumi
  3. "Diskrētu notikumu sistēmu specifikācijas (DEVS) modeļu projektēšana un realizācija MS4 Me modelēšanas vidē" (tēmas izvēles gadījumā ir potenciālas sadarbības iespējas ar vadošajiem modelēšanas speciālistiem no ASV Arizonas Valsts universitātes un RTSync Corp. uzņēmuma.
    Sīkāka informācija par MS4 Me modelēšanas rīku: http://www.ms4systems.com/pages/ms4me.php)

Vadītāja: Doc. J. Petuhova (Konsultācijas piekdienās 14:00-16:00, 437)

  1. Vizualizācijas tehnoloģiju izmantošana simulācijas jomā (1 students) (nepieciešamas zināšanas – imitācijas modelēšanas tehnoloģijas pamatos, angļu valoda)
  2. Imitācijas modelēšanas tehnoloģijas izmantošana sabiedriskā transporta intermodālā mezgla analīzē un plānošanā (1 students) (nepieciešamas zināšanas – imitācijas modelēšanas tehnoloģijas un transporta loģistikas pamatos, angļu valoda)

Vadītāja: Doc. Jeļena Pečerska (M1/4-431, konsultācijas trešdienās 15:00-16:30)

  1. Imitācijas modelēšanā bāzētas pieejas piegādes ķēžu, loģistikas, apkalpošanas vai ražošanas sistēmu projektēšanai vai analīzei (2 studenti)

Vadītāja: asoc. prof. L. Aleksejeva (Konsultācijas otrdienās 18:00 – 18:45, ceturtdienās 14:00-15:00, 459)

  1. Intelektuālo tehnoloģiju pielietošana lemšanas uzdevumos
  2. Priekšrocību sistēmas vērtēšanas algoritmu izpēte un salīdzināšana
  3. Datu ieguves un lēmumu pieņemšanas metožu mijiedarbība

Vadītājs: prof. A. Borisovs  (konsultants Henrihs Gorskis konsultācijas otrdienās un piektdienās 13:00-17:00, 456)

  1. Vizuālās informācijas ontoloģisks priekšstats
  2. Ontoloģiju inženierija intelektuālo sistēmu projektēšanā
  3. Loģiskie neironu tīkli

Vadītāja: Lekt. Oksana Soško (M1/4-434, konsultācijas pirmdien 14:00-15:00, e-pasts oksana@itl.rtu.lv)

  1. Piegādes ķēdes SCOR modeļa ieviešanas analīze: analītisks pētījums par piegādes ķēdes SCOR modeļa ieviešanas priekšnoteikumiem mazos un vidējos uzņēmumos. Jāpēta, kas ir SCOR modelis, tā metrikas. Kāda informācija ir nepieciešama, lai izstrādātu modeli, kā arī kā SCOR modelis ietekmē uzņēmuma biznesa procesus un uzņēmuma informācijas sistēmu funkcionalitāti.
  2. Piegādes ķēdes SCOR modeļa izstrāde: praktisks pētījums, saistīts ar SCOR modeļa izstrāde reālam uzņēmumam (studenta piedāvātais).

Vadītājs: doc. S. Paršutins  (Konsultācijas otrdienās 16:30-18:00, 463)

  1. Izmaksu jutīgā apmācības principa izstrāde klasifikācijas algoritmiem*
  2. Klasifikācijas ansambļu izmantošana kuņģa slimību skrīningā*
  3. Izplūdušās skaitļošanas tehnoloģiju izmantošana likumsakarību noteikšanai anketēšanas datos respondentiem ar kuņģa slimībām*

*Visām tēmām ir pieejama anotācija un uzdevumi.

Zemāk noradītajām tēmām papildus vadītājam Sergejam Paršutinam būs  konsultants doktorants Andrejs Kauliņš (Andrejs.kaulins@gmail.com)

  1. Ontoloģiju vērtēšanas algoritmi un kritēriji.

Tēma ir maz izpētīta, bet ir praktiski aktuāla. Rīkā IMOSS, kurš spēs uzģenerēt ontoloģiju ir nepieciešams modulis, kurš varētu šo ontoloģiju pārbaudīt uz nepilnībām un iespējams arī noteikt to kvalitāti.

  1. Semantisko modeļu glabāšana relāciju datubāzēs.

Viens no veidiem, kur glabāt ontoloģijas. Šobrīd plaši izmantojas vienkārši faili (ar paplašinājumu .owl). Bet pa cik RDBMS ļoti plaši tiek pielietoti, ir interesanti izpētīt vai ontoloģijas ar SWRL/Jena rules var glabāt relāciju shēmās. IMOSS(Interactive Mapping Operations Support System)  rīkam būtu arī papildus iespēja

 Vadītājs:  Pētnieks Vitālijs Boļšakovs (Vitalijs.Bolsakovs@rtu.lv) (M1/4 – 427)

  1. Intelektuālas metodes optimizācijas algoritmu izvēlei un konfigurēšanai
  2. Evolūcijas algoritmu pielietošana sistēmas uzvedības noteikšanā un prognozēšanā


Vadītājs: pētn. A. Patļins Konsultācijas iepriekš pierakstoties uz e-pastu: antons.patlins@rtu.lv

  1. Informācijas plūsmu izpēte un ieteikumu izstrāde komunikāciju tehnoloģiju pielietošanai transporta uzņēmumos
  2. Modulāras automātiskās vadības sistēmas risinājuma projektēšana pasažieru plūsmu izpētei un analīzei   pilsētās

Vadītājs: Dr. sc. ing. I. Poļaka (Inese.Polaka@rtu.lv)

  1. "Divu faktoru vienlaicīga ROC analīze (ar programmas izstrādi)"

Izstrādāt metodoloģiju vienlaicīgai divu faktoru ietekmes analīzei uz klasifikācijas modeļu precizitāti. Realizēt izstrādāto metodoloģiju programmproduktā.

Vadītājs Dr.sc.ing. Jurijs Čižovs  (konsultants Andrejs Bondarenko (andrejs.bondarenko@gmail.com)

  1. Dziļu neironu tīklu pielietojums mašīnapmācības problēmās.
    (Currently we are witnessing 2nd neural networks renaissance as Deep Networks showing state-of-the art results in different machine learning areas. task is exploration of Deep Belief Neural Network architectures/abilities (suggested architectures: RBM, DBM, Deep Auto-Encoders and their variations) in classification/regression problems. Problem domain is discussible, choices are wide (Audio/Video/Text/TimeSeries/etc.).) 
  2. Iezīmju priekšapstrādes ietekme uz neironu tīklu klasifikācijas veiktspēju.
    (It is known that feature preprocessing and engineering is essential in building simpler and faster models. Task is explore necessity of this step for specific or several neural network architectures. As well as explore effect of feature preprocessing/engineering. It is assumed that high-level features are constructed by Deep Networks. Thus it is of high interest to assess features that can be modeled by deep networks and those that can not.)

 

Tēmu saraksts ir pieejams arī Modelēšanas un imitācijas katedras mājas lapā www.itl.rtu.lv/mik sadaļā STUDIJAS/Aktuālās maģistru darbu tēmas un Ortus sistēmā.  
Ar visiem jautājumiem, kas saistīti ar tēmu izvēli un vadītāju, griezties pie I. Upītes (M1/4 – 433). Diplomdarbu iesniegumus iesniegt līdz 31.10.2014. I.Upītei (M1/4 – 433). 

 

 

 

 
  Telefons: 67089514 E-pasts: inese at itl.rtu.lv   © MIK, 1997.-2014.
  Fakss: 67089513 Adrese: Meža iela 1/4, Rīga, LV-1048, Latvija