Prace dyplomowe
2023
Prace magisterskie
Jednoklasowy algorytm dokładny oparty o Branch&Bound dla odkrywania modelu programowania liniowego w języku AMPL/ZIMPL / A one-class exact Branch&Bound-based discovery algorithm for Linear Programming model in AMPL/ZIMPL
Należy opracować algorytm, który dla danych: zbiór przykładów rozwiązań (wektory wartości zmiennych; być może fragmentaryczne), zbiór symboli (parametry, zbiory, zmienne), gramatyka języka AMPL lub ZIMPL, odkryje model programowania liniowego w tym języku, który będzie dopasowany, precyzyjny i uogólniający względem zbioru przykładów i zbioru symboli. Należy opracować algorytm dokładny, bazujący na algorytmie Branch&Bound (B&B) gwarantujący uzyskanie optymalnego modelu względem przynajmniej jednego z w/w kryteriów.
Literatura uzupełniająca:
- Tomasz P. Pawlak, Michael O'Neill, Grammatical evolution for constraint synthesis for mixed-integer linear programming, Swarm and Evolutionary Computation 64(100896):1-16, Elsevier, July 2021.
- Michael O’Neill, Conor Ryan, Grammatical Evolution: Evolutionary Automatic Programming in an Arbitrary Language, Springer, 2003.
- H. Paul Williams, Model Building in Mathematical Programming, 5th Edition, Wiley, 2013.
- Branch & Bound - Wikipedia
Jednoklasowy algorytm dokładny oparty o A* dla odkrywania modelu programowania liniowego w języku AMPL/ZIMPL / A one-class exact A*-based discovery algorithm for Linear Programming model in AMPL/ZIMPL
Należy opracować algorytm, który dla danych: zbiór przykładów rozwiązań (wektory wartości zmiennych; być może fragmentaryczne), zbiór symboli (parametry, zbiory, zmienne), gramatyka języka AMPL lub ZIMPL, odkryje model programowania liniowego w tym języku, który będzie dopasowany, precyzyjny i uogólniający względem zbioru przykładów i zbioru symboli. Należy opracować algorytm dokładny, bazujący na algorytmie A* gwarantujący uzyskanie optymalnego modelu względem przynajmniej jednego z w/w kryteriów.
Literatura uzupełniająca:
- Tomasz P. Pawlak, Michael O'Neill, Grammatical evolution for constraint synthesis for mixed-integer linear programming, Swarm and Evolutionary Computation 64(100896):1-16, Elsevier, July 2021.
- Michael O’Neill, Conor Ryan, Grammatical Evolution: Evolutionary Automatic Programming in an Arbitrary Language, Springer, 2003.
- H. Paul Williams, Model Building in Mathematical Programming, 5th Edition, Wiley, 2013.
- A* search algorithm - Wikipedia.
Model uczenia głębokiego dla klasyfikacji grzybów / A deep learning model for mushroom classification
Należy opracować lub dostosować istniejącą obrazową bazę danych zdjęć leśnych grzybów wraz z etykietami (co najmniej gatunek) i z użyciem tej bazy wytrenować klasyfikator oparty o głęboką sieć neuronową. Zdjęcia grzybów powinny uwzględniać różne warunki oświetlenia, ujęcia i warunki środowiska (ściółka leśna, liście, trawa, pogoda słoneczna i deszczowa itp). Model należy zbudować w narzędziu TensorFlow lub innym o podobnych możliwościach. Podczas uczenia należy uwzględnić zdjęcia innych obiektów jako przykłady klasy negatywnej. Można wykorzystać zbiór ImageNet.
Literatura uzupełniająca:
- Ian Goodfellow, Yoshua Bengio, Aaron Courville, Deep Learning, MIT Press, 2016.
- Teemu Koivisto, Tuomo Nieminen, Jonas Harjunpää, Deep Shrooms: classifying mushroom images.
- Mushroom world
- Mushrooms classification common genuss images
Analizator głównych przyczyn odchyłek w wykonaniu procesu biznesowego
Dla danego modelu procesu biznesowego w reprezentacji Causal net lub Petri net oraz dziennika zdarzeń i dla danego wyrównania dziennika zdarzeń do modelu zbuduj modele wyjaśniające dla odchyłek w wykonaniu procesu. Preferowane są modele drzewiaste, które będą klasyfikować odchyłki w działaniu procesu od modelu na podstawie atrybutów zdarzeń i przypadków biznesowych. Dużą zaletą będzie implementacja wizualizatora modeli wyjaśniających na istniejącej bazie kodu (vue.js + typescript + kotlin).
Literatura uzupełniająca:
- Wil van der Aalst, Process Mining: Data Science in Action, 2nd Edition, Springer, 2016 (rozdziały 3.2 i 8.3; możliwość bezpłatnego pobrania z sieci PP).
- Wai Lam Jonathan Lee, H.M.W. Verbeek, Jorge Munoz-Gama, Wil M.P. van der Aalst, Marcos Sepulveda, Recomposing conformance: Closing the circle on decomposed alignment-based conformance checking in process mining, Information Sciences 466:55-91, Elsevier, 2018.
Metoda przekształcania programów sekwencyjnych na programy równoległe na platformę OpenCL lub CUDA
Celem pracy jest wykorzystanie algorytmu Programowania Genetycznego (ang. Genetic Programming, GP) lub Ewolucji Gramatycznej (ang. Grammatical Evolution, GE) do syntezy programu na platformę OpenCL lub CUDA (docelowo uruchamianego na GPU) na podstawie danego programu sekwencyjnego uruchamianego na CPU. GP jest algorytmem ewolucyjnej syntezy dyskretnych struktur z dyskretnych elementów budulcowych np.: programów, wyrażeń arytmetycznych i układów elektronicznych. GP/GE będzie mógł uruchomić zadany program sekwencyjny dla dowolnych danych wejściowych, aby poznać charakterystykę przekształcenia argumentów programu w wyjście, a następnie utworzenia programu równoległego realizującego to przekształcenie.
Literatura uzupełniająca:
- R. Poli, W. Langdon, N. McPhee, A Field Guide to Genetic Programming, Lulu, 2008,
-
- Książki na temat OpenCL,
- CUDA w różnych językach programowania.
Inne tematy prac
Jestem otwarty na inne tematy prac z ogólnej tematyki: automatyczna synteza modeli programowania matematycznego z danych, automatyczna synteza programów w popularnych językach programowania, programowanie genetyczne (genetic programming), search-based software engineering, eksploracja procesów, synteza modeli procesów biznesowych z dzienników zdarzeń i kontrola zgodności wykonania procesu biznesowego z modelem.
Zainteresowanych studentów proszę o kontakt w celu ustalenia szczegółów.
2022
Prace magisterskie
Rafał Ewiak, Edytor sieci przyczynowych z agregacją podprocesów w przeglądarce internetowej
Tomasz Kiljańczyk, Edytor sieci Petriego w przeglądarce internetowej
2020
Prace magisterskie
Bartosz Górka, Rozszerzenia algorytmu Inductive Miner dla odkrywania drzew procesu w trybie online.
Powiązana publikacja:
Tomasz P. Pawlak, Bartosz Górka, Online Discovery of Process Trees for Business Processes, Data & Knowledge Engineering (in review).
Tomasz Jósiak, Interaktywny edytor sieci przyczynowych.
Mikołaj Rozwadowski, Rozszerzenia algorytmu Fuzzy Miner dla odkrywania modeli procesu w trybie online.
2019
Prace magisterskie
Zofia Długosz, Rozszerzenia uczenia online dla algorytmu Heuristics Miner.
Łukasz Jędryczka, Odkrywanie drzewa procesu z wykorzystaniem programowania genetycznego.
Michał Rajewski, Rozszerzenia uczenia online dla algorytmu ɑ.
Patryk Smól, Biblioteka szablonów ograniczeń dla syntezy modeli programowania liniowego z danych.
2018
Prace magisterskie
Marcin Karmelita, Synteza ograniczeń Programowania Liniowego z danych z użyciem Adaptacyjnej Strategii Ewolucyjnej.
Powiązana publikacja:
Marcin Karmelita, Tomasz P. Pawlak, CMA-ES for One-Class Constraint Synthesis, Genetic and Evolutionary Computation Conference (GECCO ’20), July 8–12, 2020, Cancún, Mexico. ACM, New York, NY, USA.
Bartosz Litwiniuk, Synteza ograniczeń Programowania Kwadratowego z danych z użyciem hiperelipsoid,
Powiązana publikacja:
Tomasz P. Pawlak, Bartosz Litwiniuk, Ellipsoidal one-class constraint acquisition for quadratically constrained programming, European Journal of Operational Research 293(1):36-49, Elsevier, 16 August 2021.
Patryk Olejniczak, Synteza ograniczeń Programowania Matematycznego z użyciem drzew decyzyjnych.
2017
Prace magisterskie
Patryk Kudła, One-class synthesis of Linear Programming constraints with C4.5 decision tree
Jednoklasowa synteza ograniczeń Programowania Liniowego z użyciem drzewa decyzyjnego C4.5,
Powiązana publikacja:
Patryk Kudła, Tomasz P. Pawlak, One-class synthesis of constraints for Mixed-Integer Linear Programming with C4.5 decision trees, Applied Soft Computing 68:1-12, Elsevier, 2018.
Maciej Buzalski, Automatyczna synteza ograniczeń Programowania Liniowego z użyciem Maszyny Wektorów Nośnych.
Daniel Sroka, Synteza ograniczeń programowania liniowego z użyciem przeszukiwania lokalnego,
Powiązana publikacja:
Daniel Sroka, Tomasz P. Pawlak, One-Class Constraint Acquisition with Local Search, GECCO '18, pp. 363-370, ACM, 2018.
Arkadiusz Chorian, Synteza ograniczeń dla modeli Programowania Matematycznego z użyciem Strategii Ewolucyjnych.
2013
Jakub Aftowicz, Jakub Bacic, Jan Łukaszewicz, Maciej Tronowski, DiSCo: System analizy wyników rozproszonych eksperymentów obliczeniowych, promotor: dr hab. inż. Krzysztof Krawiec, prof. PP, opiekun: mgr inż. Tomasz Pawlak.
