> For the complete documentation index, see [llms.txt](https://pw.karolpiczak.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://pw.karolpiczak.com/dydaktyka/prace-dyplomowe.md).

# Prace dyplomowe

## Tematyka prac

* sztuczne sieci neuronowe, uczenie maszynowe,
* klasyfikacja dźwięku,
* biologiczne inspiracje w sieciach neuronowych.

## Tematy obecnie realizowane przez dyplomantów

### \[MGR] Continual learning in audio classification tasks

### \[MGR] Plastyczność modeli sztucznych sieci neuronowych w uczeniu ciągłym

### \[MGR] Kompresja modeli klasyfikacji dźwięku

### ~~\[INŻ] Aplikacja internetowa do rozpoznawania progresji akordów za pomocą metod sztucznej inteligencji~~

### \[INŻ] **Aktywne uczenie modeli klasyfikacji dźwięku**

{% tabs %}
{% tab title="Zarys problemu" %}
Uczenie aktywne ([*active learning*](https://en.wikipedia.org/wiki/Active_learning_%28machine_learning%29)) jest formą uczenia maszynowego, w którym algorytm uczący może interaktywnie pytać użytkownika o etykiety dla wybranych przykładów. Ta forma jest szczególnie użyteczna, gdy dysponujemy zbiorem danych bez adnotacji, a koszt ręcznego etykietowania całego zbioru danych jest zbyt duży.
{% endtab %}

{% tab title="Cel i etapy pracy" %}
Celem pracy jest stworzenie prostej aplikacji webowej, która umożliwiałaby interaktywne uczenie modelu sztucznej sieci neuronowej, implementacja wybranego modelu klasyfikatora dźwiękowego oraz porównanie technik dobierania przykładów do interaktywnej adnotacji pod kątem uzyskiwanej oszczędności (liczby etykietowanych przykładów koniecznych do uzyskania oczekiwanej dokładności na zbiorze walidacyjnym).
{% endtab %}

{% tab title="Wykorzystywane narzędzia" %}

* **Języki programowania:** Python 3.7+, JavaScript/TypeScript
* **Biblioteki ML:** *Pytorch* lub *TensorFlow*
* **Frameworki:** *Flask* lub *Django* (ewentualnie [*Dash*](https://plotly.com/dash/))
* **Repozytorium kodu**: *GitHub.com* lub zakładowy *GitLab* 
* **Edycja pracy:** *LaTeX* (np. przez [Overleaf.com](https://www.overleaf.com/)) 
* **Sprzęt:** W ramach zasobów Zakładu Sztucznej Inteligencji dostęp do systemu z GPU GeForce RTX 2080 Super (Ubuntu)
  {% endtab %}
  {% endtabs %}

### **\[INŻ] Klasyfikacja nagrań dźwiękowych ptaków za pomocą modeli ze skupianiem uwagi**

{% tabs %}
{% tab title="Zarys problemu" %}
Charakterystyczną cechą problemu klasyfikacji gatunków ptaków w nagraniach dźwiękowych jest niewielki udział użytecznego sygnału uczącego (poszczególnych wokalizacji) w stosunku do całości nagrania (zarówno w dziedzinie czasu, jak i częstotliwości). W takiej sytuacji jednym ze sposobów poprawy efektów uczenia sztucznych sieci neuronowych jest mechanizm skupiania uwagi ([*attention mechanism*](http://akosiorek.github.io/ml/2017/10/14/visual-attention.html)), który koncentruje sieć na najważniejszych fragmentach nagrania.
{% endtab %}

{% tab title="Cel i etapy pracy" %}
Celem pracy jest stworzenie systemu rozpoznawania gatunków ptaków w nagraniach dźwiękowych wykorzystującego sieci neuronowe z mechanizmem skupiania uwagi oraz zweryfikowanie działania systemu na przykładowych nagraniach. Potencjalnym rozszerzeniem pracy może być zgłoszenie systemu w cyklicznym konkursie BirdCLEF.
{% endtab %}

{% tab title="Wykorzystywane narzędzia" %}

* **Języki programowania:** Python 3.7+
* **Biblioteki ML:** *Pytorch* lub *TensorFlow*
* **Repozytorium kodu**: *GitHub.com* lub zakładowy *GitLab* 
* **Edycja pracy:** *LaTeX* (np. przez [Overleaf.com](https://www.overleaf.com/)) 
* **Sprzęt:** W ramach zasobów Zakładu Sztucznej Inteligencji dostęp do systemu z GPU GeForce RTX 2080 Super (Ubuntu)
  {% endtab %}
  {% endtabs %}