פרויקטי גמר - הנדסת תעשייה ומערכות מידע - הנדסת תעשייה ומערכות מידע תשפ"ה

601 The AI Scheduler System
אחריות אקדמית:

הרקע לפרויקט:

מערכות תכנה ומידע המשלבות אלגוריתמים, בינה מלאכותית ולמידת מכונה נכנסות לכל תחומי החיים כמערכות המלצה וניהול אך עדיין הרבה פחות כמערכות לקבלת החלטות - תחום שמוגדר כ"דבר הבא". בפרויקט תפותח מערכת קבלת החלטות המשלבת בינה מלאכותית, אלגוריתמים ולמידת מכונה.
אחד מסוגי ההחלטות הכי חשובים במגוון תחומים כמו רשתות תקשורת, רשתות אנושיות, פיננסים, פרויקטים ואירגונים הוא איך להקצות משאבים מוגבלים (אנשים, כסף, מכונות, רוחב פס וכדומה). החלטות אלו המתקבלות כיום על בסיס אינטואיציה במקרה הרע או על בסיס חוקים היוריסטיים ושיטות תכנות מתמטי העלולות להיות לא מדוייקות או יקרות בהיבט זמן החישוב, בהתאמה.
בפרויקט זה ישולבו שיטות החלטה מונחות מידע ונתונים על בסיס בינה מלאכותית כדי להעלות מערכת עובדת לאינטרנט.
בפרויקט זה ניתן, במידת הצורך, לשלב אנשים משני תארים שונים

מטרת הפרויקט:

פיתוח מערכת תוכנה/מידע המקבלת בעיית הקצאת משאבים כקלט ומפיקה פתרון לבעיית הקצאת המשאבים באמצעות שימוש בבינה מלאכותית.

תכולת הפרויקט:

1. אפיון המערכת, התהליכים שהיא מנהלת והארכיטקטורה שלה
2. הבנה של מרכיבי המערכת (מתזמן הבינה המלאכותית, ממשקי משתמש לקלט ולפלט, תפריטים ועוד)
3. פיתוח המערכת ובדיקות
4. פריסת דמו לאינטרנט

קורסי קדם:

ידע וציונים טובים בקורסים הקשורים לתכנות. היכרות עם מבני נתונים ואלגוריתמים ולמידת מכונה וציון טוב בקורסים המתאימים.

דרישות נוספות:

בעיני הכי חשוב הוא הסקרנות, היוזמה והשאיפה למצויינות של הצוות.
כמו כן עניין בפיתוח מערכות מידע ו/או תכנה המשלבות אלגוריתמים ולמידה עם בינה מלאכותית ולמידת מכונה
קורסים רצויים אך שאינם חובה - מידול וכריית תהליכים, בינה מלאכותית

מקורות:

https://ieeexplore.ieee.org/abstract/document/10483272

602 Neural Network Pruning Evaluation System
אחריות אקדמית:

הרקע לפרויקט:

גיזום רשתות נוירונים הוא נושא חשוב ורלוונטי ביותר בתחום הלמידה העמוקה, מכיוון שהוא מאפשר להקטין את המורכבות של מודלים ולהפוך אותם ליעילים יותר מבחינת ביצועים וזמני ריצה. המערכת שתפותח בפרויקט זה תספק תמיכה מלאה בתהליך הגיזום ותכלול כלים להערכת השפעת הגיזום על ביצועי המודל. המערכת תאפשר למשתמשים להבין לעומק את השפעות הגיזום ולבצע אופטימיזציה למודלים בצורה היעילה ביותר.

מטרת הפרויקט:

מטרת הפרויקט היא ליצור מערכת מקיפה שתאפשר להעריך בצורה מדויקת את ביצועי רשתות הנוירונים לפני ואחרי קיצוץ, תוך פיתוח ממשקים לניטור ושיפור זמני ריצה, זיכרון ומשאבים נוספים. המערכת תספק כלים שיאפשרו למשתמשים לבצע אופטימיזציה למודלים שלהם ולהשיג ביצועים מרביים.

תכולת הפרויקט:

* מחקר וניתוח: ביצוע מחקר על גיזום והערכת רשתות נוירונים וניתוח ביצועים של מודלים שונים.
* פיתוח והטמעה: פיתוח מערכת הערכת ביצועים מתקדמת שתשווה בין ביצועי רשתות לפני ואחרי קיצוץ, ע"פ מגוון מדדים (מהירות, זמני ריצה, רובסטיות ועוד).
* פיתוח וטכנולוגיה: פיתוח מערכת End-to-End בסטנדרט פיתוחי גבוה, חשיפה לכלים וטכנולוגיות מובילים בתעשייה.

קורסי קדם:

* כריית מידע וייצוג מידע (83676)
* מבוא ללמידת מכונה (83622)
* תכנות פייתון (83011)

דרישות נוספות:

* למידה עמוקה (83882)
* עיבוד שפה טבעי (89680)

מקורות:

  1. "WHAT IS THE STATE OF NEURAL NETWORK PRUNING", https://proceedings.mlsys.org/paper_files/paper/2020/file/6c44dc73014d6…
  2. "RETHINKING THE VALUE OF NETWORK PRUNING", https://arxiv.org/pdf/1810.05270
603 Pruning LLM Networks to Increase Robustness and Improve Runtime for the Purpose of Harmful Prompt Classification
אחריות אקדמית:

הרקע לפרויקט:

שיחות מזיקות באמצעות פלטפורמות מבוססות מודלי LLM הוא אחד הסכנות הגדולות הקיימות היום. כחלק מהאתגר, מפתחי Chatboot מנסים לפתח מנגנונים מסוג Responsible AI כדי למנוע תשובות "מזיקות". מאידך, משתמשים מנסים לפתח מנגנוני "הטעיה" שנקראים Jailbreaking כנגד מנגנוני ה-Responsible AI. לאחרונה נאסף בסיס נתונים גדול שפורסם לאחרונה במסגרת כנס ICLR שכולל אינטראקציות "נקיות" ורעילות - המאמר מפורסם בלינק הבא: https://arxiv.org/pdf/2405.01470. קיים צורך לפתח מודל ביניים שיוכל לזהות בצורה מהירה (מודלים יעילים) עם יכולת יציבה (רובסטיות גם מול הטעיות), לזהות Prompts רעילים מסוג זה. מטרת הפרויקט להציע מנגנון קיצוץ רשת מסוג LLM שתוכל להתמודד עם אתגרים אלו.

מטרת הפרויקט:

פיתוח מתודולוגיית קיצוץ רשת LLM עבור בעיית קלאסיפיקציה עם מספר מועט של קלאסים - כולל יישום לבעיית זיהוי Prompts רעילים מסוגים שונים.

תכולת הפרויקט:

1. להבין לעומק ארכיטקטורת רשתות LLM.
2. לפתח מנגנון קיצוץ רכיבים של רשת LLM לשפר ביצועי ריצה ולבחון שיפור רובסטיות.
3. לבצע יישום של המתודולוגיה על רשת LLM תוך יישום לבעיית זיהוי Prompts רעילים.

קורסי קדם:

נדרש להיות רשומים וללמוד את הקורסים עיבוד שפות טבעיות בטכניקות למידת מכונה ולמידה עמוקה עד סוף סמסטר א'.

דרישות נוספות:

ידע נרחב במבנה ועבודה עם רשתות עמוקות (רשתות קונבולוציה) הינו הכרחי. נדרש ממוצע תואר למעלה מ-85 עד סוף שנה שלישית עם ציונים גבוהים בקורסי הסתברות וקורסי למידה מכונה.

מקורות:

https://arxiv.org/pdf/2405.01470

604 Differentially Private Statistical-Hypothesis Tessting
אחריות אקדמית:

הרקע לפרויקט:

שיטות לניתוחי דאטה המשמרות פרטיות באות במגוון דרכים ואלגוריתמים, ולכל אחת מהן יש טרייד-אוף משלה בין יעילות הניתוח לבין כמות "הפסד הפרטיות".

בפרויקט זה יתנסו הסטודנטים במימוש, בניתוח ובהשואה בין השיטות השונות.

מטרת הפרויקט:

מבחנים סטטיסטיים הוא תחום רחב של ניתוח דאטה באמצעותו סטטיסטיקאים משיגים תובנות עומק על דאטה. ישנן מטרות רבות אותן מבקש הסטטיסטיקאי לנתח (זהות, אי-תלות, רגרסיה וכו') ולכל אחת מגוון מבחנים שונים (פירסון, Z-test, הילברט-שמידט) שמתאימים כל אחד למצב מעט שונה.

בפרויקט זה יתרכזו הסטונדטים בביצוע מבחנים סטטיטיים ע"י אלגוריתמים משמרי פרטיות. בפרט, הפרויקט יתמקד בשיטות בפרטיות דיפרנציאלית -- שפועלות על ידי הרעשה רנדומית של המבחן הסטטיסטי. ומאחר שמבחנים סטטיסטיים הוא תחום רחב - הרי שפרויקט זה הוא למעשה אוסף פרויקטים דומים-אך-שונים, כשכל פרויקט מתמקד בשיטת מבחן אחרת.

חלק לא מבוטל בפרויקט הוא הכרת התחום של פרטיות דפרנציאלית, קריאת מאמרים והבנת השיטות השונות. משהסטודנטים ירכשו את הידע המוקדם, עיקר הפרויקט יתמקד בתכנון אלגוריתמי של ניתוחים סטטיסטיים שונים, במימוש שיטות, ובהשואת האלגורתימים על גבי מגוון דאטה-סטים שונים.

תכולת הפרויקט:

קריאה של מאמרי רקע
בחירת ה setting בו יתמקד הפרויקט
מימוש אלג' למידה פרטית
השואה של האלגוריתמים השונים על גבי דאטה-סטים שונים
ניתוח תאורטי של האלג'

קורסי קדם:

הסתברות וסטטיסטיקה
למידה ממוחשבת
אלג' 2 (ניתוח אלג' רנדומיים)

דרישות נוספות:

למידת מכונה אחראית

מקורות:

  1. https://www.cis.upenn.edu/~aaroth/Papers/privacybook.pdf
  2. https://ccanonne.github.io/files/misc/main-survey-fnt.pdf
605 Differentially Private Clustering Algorithms
אחריות אקדמית:

הרקע לפרויקט:

Differential privacy has been established in recent years as the "de-facto" gold standard of privacy preserving data analysis. In this project the students are expected to read, understand, implement and test a differentially private algorithm for locating a cluster / multiple clusters in a given dataset of points in the Euclidean space.

מטרת הפרויקט:

This project is centered around the problem of private data clustering. The students are expected to implement randomized algorithms that deal with clustering, including: noisy counting, above-threshold, locally-sensitive hashing, and randomly chosen axes.

Furthermore, the students are expected to test and compare the performance of said algorithms over multiple datasets.

Academically, the goal of the project is to have the students acquainted with differential privacy (DP) and the high-level ideas of differential privacy, as well as the technical difficulties that arise from the promise of DP.

Practically, the goal is to publish the project's code online, available for researchers world-wide.

תכולת הפרויקט:

The project's main focus is on understanding and implementing a scientific paper in differential privacy.

The project is based on 3 stages:

1. reading and understanding existing work,
2. implementation of algorithms in code and
3. testing empirical performance over synthetic / real-life data.

The main focus of the project is the 1-cluster algorithm of Nissim and Stemmer, composed of multiple building blocks.

The students are required to implement each of these subroutines and then wrap it all together in an algorithm of bounded privacy lose (i.e. a (\epsilon,\delta)-DP algorithm).

קורסי קדם:

83224- מבני נתונים ואלגוריתמים 2
83216- מבוא להסתברות וסטטיסטיקה

דרישות נוספות:

83698-מבוא ללמידת מכונה אחראית

מקורות:

1. arxiv.org/pdf/1804.08001
2. arxiv.org/pdf/1707.04766
3. www.cis.upenn.edu/~aaroth/Papers/privacybook.pdf

606 Resource allocation in classification task with feature-based sample-based constraints
אחריות אקדמית:

הרקע לפרויקט:

הפרויקט עוסק בבעית סיווג שמשלבות הקצאת משאבים עם סוגי אילוצים שונים. את הבעיה אנו פותרים בעזרת מודל דו שלבי שמשלב מודל קלסיפיקציה ומודל חקר ביצועים לפתרון של הקצאת המשאבים עם אילוצים משני סוגים. הסוג הראשון זה אילוץ על בסיס תכונה (feature in the dataset) והוא מתייחס לאילוץ על כמות הרשומות שיכולות להיות מסווגות לכל קלאס לפי ערך של תכונה מסויימת. האילוץ השני הוא על בסיס רשומות, והוא מתייחס לאילוץ על רשומות שצריכות להיות מסווגות ביחד לאותו הקלס. האילוצים הנידונים ובעיית חקר הביצועים היא חדשנית וישנם שני מידולים מוצעים לפתרון המבוססים על הרחבה של בעיית התרמיל.

מטרת הפרויקט:

נצביע על ההבדלים בין שני המידולים השונים ולאיזה מקרים כל אחד מהם עדיף. נפתח שיטות לפתרון יעיל של הבעיה המבוססת על המידולים הללו.

תכולת הפרויקט:

בפרויקט נחקור את שני המידולים השונים המוצעים לבעיית חקר הביצועים כדי להבין מה ההבדלים בניהם ולאיזה מקרים כל אחד מתאים ועדיף. המחקר יתבצע גם על ידי ניתוח מתמטי וגם על ידי הרצת ניסויים וסימולציות על דטה סטים שונים. בנוסף, נפתח שיטות לפתרון של הבעיה כדי לאפשר פתרון יעיל ומהיר של גם עבור דטה סטים גדולים, למשל על ידי עיבוד מקדים של הקלט ופירוק למספר בעיות.

קורסי קדם:

חקר ביצועים, כריית מידע/למידת מכונה, פייתון

דרישות נוספות:

מקורות:

  1. Lin Chen and Guochuan Zhang. Packing groups of items into multiple knapsacks. ACM Transactions on Algorithms (TALG), 14(4):1–24, 2018
  2. Geir Dahl and Nj˚al Foldnes. Lp based heuristics for the multiple knapsack problem with assignment restrictions. Annals of Operations Research, 146:91–104, 2006.
  3. Milind Dawande, Jayant Kalagnanam, Pinar Keskinocak, F Sibel Salman, and Ramamoorthi Ravi. Approximation algorithms for the multiple knapsack problem with assignment restrictions. Journal of combinatorial optimization, 4:171–186, 2000.
  4. Simona Mancini, Michele Ciavotta, and Carlo Meloni. The multiple multidimensional knapsack with family-split penalties. European Journal of Operational Research, 289(3):987–998, 2021.
  5. Skackauskas, Jonas, and Tatiana Kalganova. "Dynamic Multidimensional Knapsack Problem benchmark datasets." Systems and Soft Computing 4 (2022): 200041.
607 People Analytics / Human Resource Analytics
אחריות אקדמית:

הרקע לפרויקט:

ניתוח משאבי אנוש (HRA) הינו תחום מתפתח בהנדסת תעשייה וניהול מערכות מידע, המתמקד בשימוש בניתוח נתונים כדי לייעל את שיטות ניהול המשאב האנושי ותפעול ארגוני. בסביבה עסקית טכנולוגית של היום, ארגונים מסתמכים יותר ויותר על תובנות מבוססות דטה כדי לקבל החלטות אסטרטגיות לגבי כוח העבודה שלהן. פרויקט זה נועד להכיר לסטודנטים את יסודות התחום ולהמחישו באמצעות חקר ויישום דוגמא מעשית.

מטרת הפרויקט:

- לצייד את הסטודנטים בידע ובכישורים הנדרשים כדי להבין, לנתח וליישם בחקר דוגמא של נתוני משאבי אנוש לשיפור והתייעלות ארגונית על ידי חקר דטהסט מהעולם ויישום טכניקה אנליטית.
- לחקור תחום ספציפי בעולם HRA תוך הערכה ביקורתית של נושא אחד בתחום.
בספרות HRA, קיים תחום של Human Resources Organizational Data Mining (HRODM) ששופך אור על הקטגוריות החשובות ביותר שממקסמות את המשאב האנושי בסביבת עבודה נתונה. הדגש בפרויקט זה הינו לנתח וליישם קטגוריה אחת ההכרחית לטיפול באתגרי מהתחום הנ"ל, מיפוי וסיווג דטה ארגוני ומיפוי משאבי הארגון. לצורך ביצוע של הפרויקט הסטודנטים ידרשו לשלב כלי מחקר מגוונים.

תכולת הפרויקט:

תכולת הפרויקט
שלבי הפרויקט יכילו: (1) סקר ספרות (2) בחירת בעיה ואישורה 3) בחירת דטהסט רלוונטי לפתרון הבעיה תוך מיפוי משאבי הארגון / סביבת העבודה. (4) פתרון מוצע והערכה ביקורתית על בסיס הנתונים. (5) סיכום התוצאות. (6) כתיבת הפרויקט ומסמך סופי.

קורסי קדם:

TBD

דרישות נוספות:

Project Performed in English Only.

מקורות:

  1. Chalutz-Ben Gal, H. (2023). Human Resources-Based Organizational Data Mining (HRODM): Themes, Trends, Focus, Future. In: Rokach, L., Maimon, O., Shmueli, E. (eds) Machine Learning for Data Science Handbook. Springer, Cham. https://doi.org/10.1007/978-3-031-24628-9_36
  2. Avrahami, D., Pessach, D., Singer, G., & Chalutz Ben-Gal, H. (2022). A human resources analytics and machine-learning examination of turnover: implications for theory and practice. International Journal of Manpower, 43(6), 1405-1424.
  3. Chalutz-Ben Gal, H. (2019). An ROI-based review of HR analytics: practical implementation tools. Personnel Review, 48(6), 1429-1448.
608 Waste management system - WMS
אחריות אקדמית:

הרקע לפרויקט:

מערכות לניהול פסולת ( אשפה) הינן מערכות מורכבות , קריטיות לחיי היום יום , מנוהלת ברמה יומית ואינן מוערכות מספיק. הקפי הפעילות הינם גדולים מאד וברמה עירונית או אפילו מדינתית הינם משמעותיים מאד. לדוגמא, התקציב של עירית תל אביב לניהול אשפה הינו כ 2 מילארד שקלים.
מהרכיבים הלוגיסטיים הקיימים מחד ,והעדר כלים הנדסיים מתקדמים מאידך מהווה אתגר הנדסי .

מטרת הפרויקט:

מטרת הפרויקט היא לתכנן ולפתח מערכת יעילה לניהול פסולת המייעלת את תהליכי האיסוף, ההפרדה והסילוק כדי למזער את ההשפעה הסביבתית ואת עלויות התפעול. על ידי שילוב עקרונות של הנדסת תעשייה, כגון אופטימיזציה של תהליכים, שימוש בכלי סימולציה מתקדמים כמו System Dynamics וניתוח נתונים מתקדם. מטרת הפרויקט היא ליצור מערכת דינאמית שניתן ליישם במסגרות שונות, כולל סביבות עירוניות, מתקנים תעשייתיים או אפילו ברמה כלל ארצית.

תכולת הפרויקט:

סקר ספרות והגדרת הבעיה
- הסטודנטים יערכו סקירת ספרות מקיפה על מערכות קיימות לניהול פסולת, תוך זיהוי אתגרים מרכזיים והזדמנויות לשיפור.
- לאחר מכן הם יגדירו את הבעיה הספציפית שהפרויקט שלהם יתמודד, כולל ההיקף והיעדים של מערכת ניהול הפסולת שהם מתכננים לתכנן.
איסוף וניתוח נתונים
- הסטודנטים יאספו נתונים על שיטות ייצור, איסוף וסילוק פסולת נוכחיים בסביבה הנבחרת (למשל, אזור עירוני, אתר תעשייה או קמפוס).
- הם ינתחו את הנתונים כדי לזהות חוסר יעילות ואזורים פוטנציאליים לאופטימיזציה, תוך שימוש בכלים כגון ניתוח סטטיסטי, מיפוי תהליכים וסימולציה של System Dynamics
עיצוב מערכת
- בהתבסס על הממצאים מניתוח הנתונים, הסטודנטים יתכננו מערכת לניהול פסולת הכוללת אסטרטגיות להפחתת פסולת, שיטות איסוף יעילות ותהליכי סילוק או מיחזור מתאימים.
פיתוח ובדיקה של אב טיפוס
- הסטודנטים ייצרו אב טיפוס או מודל סימולטיבי של מרכיבים מרכזיים במערכת ניהול הפסולת
הם יבחנו את אב הטיפוס בסביבה מבוקרת כדי להעריך את יעילותו ולאסוף משוב לשיפור נוסף.
דוח סופי ומצגת
- הסטודנטים יאספו את הממצאים, והתוצאות שלהם לדוח סופי ומצגות

קורסי קדם:

83676 כריית מידע וייצוג מידע
83363 סימולציה
83513 תפעול מערכות ייצור ושירות

מקורות:

  1. https://magazine.isees.org.il/?p=20127
  2. Daskal S, Ayalon O, Shechter M. The state of municipal solid waste management in Israel. Waste Management & Research. 2018;36(6):527-534. doi:10.1177/0734242X18770248
  3. https://www.neaman.org.il/Files/Report_The%20Waste%20Treatment%20Crisis…
609 Artificial Intelligence [AI] Impact on Organizational Performance Measurement and KPI’s
אחריות אקדמית:

הרקע לפרויקט:

ההתפתחות המהירה של בינה מלאכותית (AI) והשפעתה על תחומים רבים, ובמיוחד על תהליכי עבודה בארגונים, הפכה לנושא מחקרי מרכזי. AI יכולה לשפר את יעילות התהליכים על ידי אוטומציה של משימות, קבלת החלטות מושכלות, וניתוח נתונים בזמן אמת. פרויקט זה נועד להכיר לסטודנטים את היסודות והפוטנציאל של AI בייעול תהליכי עבודה, ולהמחיש את היישום שלה באמצעות חקר ויישום מעשי בסביבות חקר משתנות.

מטרת הפרויקט:

- להקנות לסטודנטים ידע, כישורים וכלים נדרשים כדי להבין, לנתח וליישם בינה מלאכותית לשיפור והתייעלות תהליכי עבודה בארגון. הפרויקט יתמקד בהערכת ההשפעות של AI על קטגוריות ומקטעים מגוונים, בתהליכי העבודה ובחינת תוצאותיהן בפועל.
- לחקור תחום ספציפי בעולם יישומי בינה מלאכותית תוך הערכה ביקורתית של נושא אחד בתחום.
הספרות מציגה מגוון גישות ומדדים לשילוב מושכל של AI בתהליכי עבודה. הקטגוריות החשובות ביותר שממקסמות את יישום הבינה בסביבת עבודה אנושית ובסביבת עבודה נתונה. הדגש בפרויקט זה הינו לנתח וליישם קטגוריה אחת ההכרחית לטיפול באתגרים מהתחום הנ"ל, מיפוי וסיווג דטה ארגוני ומיפוי כלי בינה ספציפיים המיושמים במקטעי עבודה מגוונים. לצורך ביצוע של הפרויקט הסטודנטים ידרשו לשלב כלי מחקר מגוונים.

תכולת הפרויקט:

האתגר בפרויקט זה הוא לזהות ולפתור בעיה בתהליך עבודה ארגוני באמצעות יישום כלים מבוססי AI או כלי סטטיסטי אחר באישור. הפרויקט ידרוש ידע/למידה בתחום:
AI ויישומיה בתהליכי עבודה.
ניתוח נתונים ארגוניים ושימוש באלגוריתמים מבוססי AI.לצורך בחינת מדדי ביצוע תפעוליים KPI’s.
בדיקת השפעות AI על תוצאות עסקיות והערכת מדדי הצלחה.

תכולת הפרויקט
שלבי הפרויקט יכילו: (1) סקר ספרות (2) בחירת בעיה ואישורה 3) בחירת דטהסט רלוונטי לפתרון הבעיה תוך מיפוי סביבת העבודה. (4) פתרון מוצע והערכה ביקורתית על בסיס הנתונים. (5) כתיבת הפרויקט וסיכום התוצאות.

קורסי קדם:

הישגים גבוהים בקורס סטטיסטיקה, מבני נתונים, וויזואליזציה של נתונים
יכולת תכנות (פייתון, R)
ראייה ארגונית מערכתית

מקורות:

  1. Notovich, A., Chalutz-Ben Gal, H., & Ben-Gal, I. (2023). Explainable artificial intelligence (XAI): motivation, terminology, and taxonomy. In Machine Learning for Data Science Handbook: Data Mining and Knowledge Discovery Handbook (pp. 971-985). Cham: Springer International Publishing.
  2. Chalutz Ben-Gal, H. (2023). Artificial intelligence (AI) acceptance in primary care during the coronavirus pandemic: what is the role of patients' gender, age and health awareness? A two-phase pilot study. Frontiers in Public Health, 10, 931225.
  3. Chalutz-Ben Gal, H. (2023). Human Resources-Based Organizational Data Mining (HRODM): Themes, Trends, Focus, Future. In: Rokach, L., Maimon, O., Shmueli, E. (eds) Machine Learning for Data Science Handbook. Springer, Cham. https://doi.org/10.1007/978-3-031-24628-9_36
  4. Chalutz-Ben Gal, H. (2019). An ROI-based review of HR analytics: practical implementation tools. Personnel Review, 48(6), 1429-1448.
610 Enhancing Operational Processes and Data Information Systems
אחריות אקדמית:

הרקע לפרויקט:

הפרויקט מתמקד בשיפור תהליכים תפעוליים בארגון שיבחר על ידי הסטודנטים לשיפור היעילות, והגברת הרווחיות. מסגרת זו מתארת מתודולוגיות, כלים וטכנולוגיות מתקדמות המותאמות לאתגרים וההזדמנויות הייחודיות בסביבות עבודה שונות. מטרתו לתת לסטודנט הזדמנות לרכוש ניסיון תכנוני יישומי ע"י תקיפת בעיה מציאותית במסגרת ארגון מחוץ לקמפוס, תוך שימוש בסקר ספרות ובמרב הגישות ההנדסיות המתקדמות שנלמדו.

מטרת הפרויקט:

• זיהוי חוסר יעילות בתהליכים תפעוליים עכשוויים בהייטק.
• יישום ובדיקה של פתרונות חדשניים לשיפור תהליכים אלו.
• מדידת ההשפעה של פתרונות מיושמים על האפקטיביות הרווחיות ועל מדדי ביצוע KPI שיוגדרו בארגון

תכולת הפרויקט:

• בחירת הארגון לבצוע הפרויקט.
• אפיון הארגון באמצעות פרמטרים כמותיים ואיכותיים.
• איסוף נתונים/צילום המצב הקיים.
• ניתוח תהליכים במערכת התפעולית של הארגון ואיתור צווארי בקבוק.
• הגדרת הבעיה או הבעיות.
• בדיקת כדאיות פתרון הבעיות Feasibility Study מבחינת עלות מול תועלת.
• בחירת הבעיה או בעיות לתקיפה מעמיקה.
• בחירת אסטרטגיה כללית לתקיפת הבעיה או הבעיות.
• איסוף נתונים נוסף -אם דרוש.
• בחירת טכניקות אפשריות לתקיפת הבעיה. לצורך כך יבוצע סקר ספרות מקיף הכולל ספרי לימוד ומאמרים מחקריים.
• אפיון האלטרנטיבות.
• בחינת האלטרנטיבות.
• בחירת האלטרנטיבה המועדפת ,הצגת הפתרון והמסקנות. בחירת האלטרנטיבה המועדפת תתבצע על סמך ניתוח כמותי של התועלת -כספית ואחרת לארגון לאורך אופק התכנון.
• בניה ופיתוח כלים שיאפשרו לארגון ליישם את הפתרון המוצע - כלי תוכנה. כלים אלו יסופקו לארגון עם סיום הפרויקט, כולל הדרכה לשימוש בהם.

קורסי קדם:

83676 כריית מידע וייצוג מידע
83363 סימולציה
83513 תפעול מערכות ייצור ושירות

מקורות:

ניתן לעיין באתר בקורס

611 Discovery and Learning of Processes in Agriculture
אחריות אקדמית:

הרקע לפרויקט:

אחד מהאתגרים הגדולים בשנים הקרובות הוא גידול מזון באיכות ובכמות מספיקה לאוכלוסיית העולם הגדלה. מבחינה כלכלית - שוק החקלאות והגידולים החקלאיים הוא אחד מהגדולים ביותר. יש שם ומושקע שם הרבה מאוד כסף. יתרה מכך, סטרטאפים רבים קמים בתחום הזה מתוך הבנה שזהו אחד האתגרים הגדולים ביותר. ולכן תחום החקלאות מתפתח ומשלב טכנולוגיות מתקדמות של בינה מלאכותית, שימוש בלווינות, השבחה של זרעים, אוטומציה ורובוטיקה בתחומים נקודתיים. עם זאת, אין ראייה כוללת של איך כלל המרכיבים הללו מתקשרים ומשפיעים אחד על השני ועל תפוקת ואיכות הגידולים. יתרה מכך, חקלאים רבים כיום מקבלים החלטות על בסיס ניסיון קודם ולעיתים זה לא מספיק.
מטרת הפרויקט היא ללמוד מודל של גידולים חקלאיים מנתונים ואת כללי ההחלטה הרלוונטיים בכדי לשפר את התפוקה החקלאית.

מטרת הפרויקט:

מטרת הפרויקט היא ללמוד מודל של גידולים חקלאיים מנתונים ואת כללי ההחלטה הרלוונטיים בכדי לשפר את התפוקה החקלאית.

תכולת הפרויקט:

1. החלטות על סוגי גידולים
2. קביעת מתודולוגיה לניתוח נתונים קיימים, במידת הצורך איסוף נתונים.
3. יישום שיטות כריית תהליכים ולמידת מכונה בכדי לגלות מודל של הגידולים החקלאיים.
4. זיהוי נקודות החלטה במודל והעשרתו (למידת נקודות החלטה).
5. בניית מערכת תוכנה התומכת בתהליך (מקבלת נתונים חקלאיים, לומדת מודל תהליך).

קורסי קדם:

קורסי עיבוד וניהול נתונים בציונים טובים, קורס למידת מכונה בציון טוב, יכולת אנליטית טובה.

דרישות נוספות:

מידול וכריית תהליכים, בינה מלאכותית
קשר כלשהוא לחקלאות - לא הכרחי אך יוסיף (בכל מקרה בעבודה משולבת מומחית מכון וולקני)

מקורות:

ינתן בהמשך

612 Scheduling Problems with Machine Learning Advice
אחריות אקדמית:

הרקע לפרויקט:

בעיות תזמון הן חלק בלתי נפרד מעולמות התעשייה, הניהול והלוגיסטיקה. הן כוללות תיאום של פעילויות ומשאבים במטרה להשיג יעדים אופטימליים כמו צמצום זמן ביצוע או מקסום ניצול משאבים. עם התקדמות הטכנולוגיה והשימוש הגובר בלמידת מכונה, התגלו דרכים חדשות לשיפור תהליך קבלת ההחלטות בבעיות תזמון. למידת מכונה מאפשרת ניתוח כמויות עצומות של נתונים והתאמת פתרונות תזמון באופן דינמי למצבים משתנים. הפרויקט יבחן שימוש בעצות שניתנות על ידי אלגוריתמים של למידת מכונה לשיפור תזמון המשאבים במצבים מורכבים ואי ודאיים

מטרת הפרויקט:

הפרויקט יעסוק בנושאים הבאים:
1. חקירת האינטגרציה בין למידת מכונה ואלגוריתמי תזמון קיימים: הבנת האופן שבו עצות למידת מכונה יכולות לשפר את ביצועי תהליכי התזמון.
2. פיתוח אלגוריתמים מתקדמים שמשלבים עצות למידת מכונה בתהליך התזמון לצורך שיפור היעילות והתאמתם למצבים משתנים.

תכולת הפרויקט:

שלבי הפרויקט יכילו:
1. סקירת ספרות בתחום בעיות תזמון ולמידת מכונה.
2. פיתוח מודלים ולמידת נתונים עבור בעיות תזמון.
3. תכנון אלגוריתמים המשלבים עצות למידת מכונה.
4. ניתוח ביצועים והשוואה עם שיטות תזמון מסורתיות.
5. כתיבת וסיכום התוצאות.

קורסי קדם:

קורסי חקר ביצועים, תכנות ומתמטיקה.

דרישות נוספות:

• הישגים גבוהים בקורסי חקר ביצועים, תכנות ומתמטיקה.
• הבנה במודלים של למידת מכונה.
• ניסיון תכנותי בשפות כמו פייתון או מטלב.

מקורות:

  1. https://epubs.siam.org/doi/10.1137/1.9781611975994.114
  2. https://dl.acm.org/doi/10.1145/3409964.3461790
613 Approximation for dynamic optimization
אחריות אקדמית:

הרקע לפרויקט:

  1. תכנות דינאמי - Dynamic Programming הינו כלי רב עוצמה למידול בעיות אופטימיזציה דינאמיות. הוא כלי כל כך חזק עד שניתן באמצעותו למדל בעיות קשות - NP -Hard שלא סביר שניתן לפתור בזמן פולינומיאלי בגודל הקלט.
  2. סכמות קרוב פולינומיאליות לחלוטין - Fully Polynomial Time Approximation Schemes (FPTASes) נחשבים הטובים ביותר מבין אלגוריתמי הקרוב. בסוג זה של אלגוריתמים ניתן בנוסף לקלט הבעיה גם פרמטר קרוב E>0<1 והאלגוריתם מחזיר פתרון אפשרי (פיסיבילי) שערכו קרוב עד כדי טעות יחסית של E מהאופטימום. זמן הריצה של האלגוריתם הנו פולינומי בגודל קלט הבעיה וב- 1/E. כלומר, ניתן להתקרב ככל הנדרש לפתרון האופטימאלי כאשר הגידול בזמן ריצת אלגוריתם הקרוב הנו פונקציה פולינאמית של 1/E. זהו סוג אלגוריתמי הקרוב עם הפוטנציאל הגבוה ביותר לשימוש מסחרי/הנדסי מבין כל אלגוריתמי הקרוב.
  3. ישנן מספר שיטות לקרוב תכניות דינאמית באמצעות FPTASes, החדשנית מבניהן פותחה על ידי מנחה הפרוייקט, והיא נקראת K-approximation Sets and Functions


בפרוייקט זה יש לנסח בעיות אופטימזציה דינאמיות באמצעות תכנות דינאמי באופן שניתן יהיה לתת להם סכמות קרוב פולינאמיות לחלוטין באמצעות שיטת K-approximation Sets and Functions.

מטרת הפרויקט:

ניסוח בעיות אופטימזציה דינאמיות באמצעות תכנות דינאמי ומציאת סכמות קרוב פולינאמיות לחלוטין עבורן.

תכולת הפרויקט:

  1. שליטה במידול בעיות אופטימיזציה דינאמית באמצעות תכנות דינאמי.
  2. הבנה של אלגוריתמים מסוג FPTASes ושיטת עיקריות להשגתם.
  3. שליטה בטכניקת K-approximation Sets and Functions והשגת סכמות קרוב פולינאמיות לחלוטין באמצעותה.


קורסי קדם:

83503 - מודלים דטרמינסטיים בחקר ביצועים
83119 - מבני נתונים ואלגוריתמים 1

דרישות נוספות:

חשיבה מתמטית יצירתית, הבנה באלגוריתמים. אין צורך בניסיון בתכנות היות ומדובר בקורס תאורטי.

מקורות:

היות ושיטת K--approximation Sets and Functions הינה חדשנית, אין עדיין ספר לימוד אודותיה. לכן ינתנו כדוגמא מאמרים שעשו בה שימוש. דוגמא לאחד כזה הוא המאמר בקישור הבא:

https://doi.org/10.1016/j.ipl.2021.106114

614 Solving Multi-Agent Path Finding by Constraining Multiple Agents
אחריות אקדמית:

הרקע לפרויקט:

במחסנים חכמים, ויישומים רבים אחרים בעולם האמיתי, רובוטים נעים במרחב ומבצעים פעולות. עבור רובוטים אלו, דרושים מסלולים שיובילו אותם ליעדם מבלי לגרום להתנגשויות בינהם. בעיה זו ידועה בשם "חיפוש מסלולים בסביבה מרובת סוכנים".

מטרת הפרויקט:

פיתוח ושימוש באלגוריתם מבוסס קונפליקטים (התנגשויות), שיפורו על ידי מתן אילוצים מרובים, והרצתו בסביבות שונות של הבעיה.

תכולת הפרויקט:

- סקר ספרות - קריאת ספרות מדעית רלוונטית
- פיתוח ומימוש אלגוריתם מבוסס קונפליקטים כאלגוריתם כללי לבעיה
- שיפור האלגוריתם בעזרת החלת אילוצים מרובים
- הצעת מדיניות לחלוקת האילוצים
- הרצת ניסויים על גרסאות שונות של הבעיה

קורסי קדם:

- מבני נתונים
- אלגוריתמים
- תכנות - C, C#, Java, Python וכדומה

דרישות נוספות:

- ידע בתכנות בשפות שונות.
- הבנה ועניין בפיתוח אלגוריתמים.

מקורות:

  1. https://ojs.aaai.org/index.php/SOCS/article/view/18510/18301/22026
  2. https://www.cs.huji.ac.il/~jeff/aaai10/02/AAAI10-039.pdf
615 Bidirectional Iterative Deepening Heuristic Search
אחריות אקדמית:

הרקע לפרויקט:

חיפוש המסלול הקצר ביותר בגרף הינה בעיה נפוצה בעלת יישומים רבים, כמו תכנון פעולות לרובוט, תכנון מסלול לרכב אוטונומי, או פתרון פאזלים. אלגוריתמי חיפוש יוריסטי הינם אלגוריתמי בינה מלאכותית שמסוגלים למצוא את המסלול הקצר ביותר בצורה יעילה ומהירה. לעיתים, לא ניתן לבצע חיפוש מוכרים, כגון A*, מכיוון ואלו צורכים כמות זכרון אקספוננציאלית. לכן, ניתן להשתמש, לחלופין, באלגורתמי חיפוש יוריסטי שמבצעים חיפוש לעומק באופן איטרטיבי, כגון IDA*. בפרויקט זה ננסה גישה חדשה שבה מבצעים את החיפוש האיטרטיבי משני צדדי החיפוש על מנת למצוא מהר את המסלול הקצר ביותר.

מטרת הפרויקט:

פיתוח ושימוש באלגוריתם חיפוש לעומק יוריסטי דו-כיווני איטרטיבי שיפורו על ידי בחינת מדיניות שונה לבחירת צדדי החיפוש ועל ידי בחירת עומק החיפוש, והרצתו בסביבות שונות של הבעיה.

תכולת הפרויקט:

- סקר ספרות - קריאת ספרות מדעית רלוונטית
- פיתוח ומימוש אלגוריתם חיפוש לעומק יוריסטי דו-כיווני איטרטיבי כאלגוריתם כללי לבעיה
- שיפור האלגוריתם בעזרת בחינת פרמטרים שונים לאלגוריתם
- הרצת ניסויים על גרסאות שונות של הבעיה

קורסי קדם:

- מבני נתונים
- אלגוריתמים
- תכנות - C, C#, Java, Python וכדומה

דרישות נוספות:

- ידע בתכנות בשפות שונות.
- הבנה ועניין בפיתוח אלגוריתמים.

מקורות:

  1. https://www.cse.sc.edu/~mgv/csce580f09/gradPres/korf_IDAStar_1985.pdf
  2. https://arxiv.org/pdf/1907.13062
  3. https://ojs.aaai.org/index.php/AAAI/article/view/10436/10295

פרויקטים נוספים מומלצים

104 Characterizing Alternative Polyadenylation (APA) in kidney tumors using single-cell RNA-seq
אפיון פוליאדנילציה אלטרנטיבית (APA) בסרטן כליה באמצעות ריצוף RNA-seq של תא בודד
אחריות אקדמית:

הרקע לפרויקט:

בשנים האחרונות נעשה שימוש בריצוף RNA חד-תאי (scRNA-seq) בתפוקה גבוהה למדידת ביטוי גנים באלפי תאים. מידע זה משמש לזיהוי תת-אוכלוסיות של תאים ולאפיון מנגנונים מולקולריים בכליה ובגידולים סרטניים בכליה. עם זאת, ניתן למצוא שכבה נוספת של הטרוגניות תאית מעבר לביטוי גנים, באיזופורמים חלופיים של תעתיקי mRNA, ואלה לא אופיינו במלואם. מנגנון אחד כזה הוא פוליאדנילציה אלטרנטיבית (APA), לפיו גן מכיל אתרי ביקוע ופוליאדנילציה מרובים, ובכך מאפשר לייצר תעתיקי mRNA מרובים באורכים שונים מאותו גן. מנגנון ה-APA תורם להגדלת מגוון התעתיקים על ידי השפעה על יציבות ה-mRNA, התרגום והלוקליזציה בתא.
בפרויקט זה, הסטודנטים ישתמשו במערך נתונים חד-תאיים של RNA-seq של תאים סרטניים ותאים רגילים ממערכי נתונים שפורסמו וכן נתונים ממערכת ה-microfluidic drop-seq מהמעבדה שלנו על מנת לחקור APA בגידוליים סרטניים בכליות.
באופן יותר ספציפי, אנחנו נשאף למצוא הבדלים בין תאים נורמליים וסרטנים (גידולי Renal Cell Carcinoma וגידולי ווילמס).

מטרת הפרויקט:

אנו מצפים שהתפוקה העיקרית מפרויקט זה תהיה מציאת רשימת גנים שיאפשרו גילוי סמנים לאיתור מוקדם, זיהוי, וניטור של מחלות וגידולי כליה, וכמן כן זיהוי מנגנונים מולקולריים ספציפיים שניתנים לתיקון על ידי טיפול מתאים.

תכולת הפרויקט:

• עיבוד וניתוח מקדים של נתונים - עיבוד דאטה גולמי והכנה מותאמת של מטריצות ביטוי גנים כקלט לאלגוריתם.
• הכרה עמוקה של האלגוריתם לשלביו השונים, כתיבת קוד בR שכולל שימוש בחבילות שונות.
• ניתוח הנתונים וזיהוי דפוסים וגנים חשובים.
• בחינת הקשר בין הדפוסים והגנים שהתקבלו בקרב תאים בריאים לבין תאי הסרטן.
• סיכום התוצאות לכדי ספר פרויקט ומאמר.

קורסי קדם:

• ביו-אינפורמטיקה
• רקע בשפת התכנות R
• מבוא להסתברות וסטטיסטיקה
• מבוא לביולוגיה למהנדסים

דרישות נוספות:

• מדעי נתונים ביולוגים
• נוירו-גנומיקה
• מבוא ללמידת מכונה
• גנטיקה וביולוגיה מולקולרית
• הכרות עם מערכות UNIX
• רקע ביולוגי על סרטן או כליה

מקורות:

1. Patrick, R., Humphreys, D. T., Janbandhu, V., Oshlack, A., Ho, J. W., Harvey, R. P., & Lo, K. K. (2020). Sierra: discovery of differential transcript usage from polyA-captured single-cell RNA-seq data. Genome Biology, 21(1), 167.
2. Hao, Y., Hao, S., Andersen-Nissen, E., Mauck III, W. M., Zheng, S., Butler, A., ... & Satija, R. (2021). Integrated analysis of multimodal single-cell data. Cell, 184(13), 3573-3587.
3. https://www.eng.biu.ac.il/kaliskt/

106 Computational Evaluation of Antibody Binding Efficiency and Conjugation Orientation in Gold Nanoparticles
הערכה חישובית של יעילות קשירת נוגדנים וכיוון צימוד בננו-חלקיקי זהב
מנחה:
אחריות אקדמית:

הרקע לפרויקט:

This project focuses on assessing the efficiency of antibody binding and the orientation of antibody conjugation in gold nanoparticles. By combining computational protein folding analysis with experimental laboratory work, the project aims to evaluate the performance of these nanoparticles under various conditions and their biological effectiveness. The study will leverage advanced statistical methods to compare antibody binding in active and inactive regions and test the functionality of conjugated nanoparticles on cells. This integrative approach will provide valuable insights into optimizing gold nanoparticle-based technologies.

מטרת הפרויקט:

This project aims to enhance the understanding of how antibody conjugation orientation affects binding efficiency. By optimizing the conjugation process and evaluating the functionality of gold nanoparticles, the project aims to improve the effectiveness of these nanoparticles in targeted therapies.

תכולת הפרויקט:

  1.  Protein Folding and Binding Analysis:
  • Use computational tools (e.g., AlphaFold) to analyze protein folding and assess antibody binding in active versus inactive regions.
  • Perform statistical calculations to compare binding efficiencies.

2. Gold Nanoparticle Conjugation:

  • Implement techniques for conjugating antibodies to gold nanoparticles.
  • Assess and optimize the orientation of antibody conjugation on the nanoparticles.

3. Experimental Testing:

  • Design and conduct laboratory experiments to test the functionality of antibody-conjugated gold nanoparticles under various conditions (e.g., temperature, pH).
  • Measure the biological efficacy and functionality of the nanoparticles in a cellular environment.

קורסי קדם:

מבוא לביולוגיה למהנדסים

מקורות:

AlphaFold - https://alphafold.ebi.ac.uk
gold nano particles - https://scholar.google.co.il/scholar?hl=iw&as_sdt=0%2C5&q=rachela+popov…

112 Visualization of brain mapping with electrical stimulation and recordings of brain activity
ויזואליזציה של מיפוי מוחי עם גרייה חשמלית והקלטות של פעילות מוחית
מנחה:
אחריות אקדמית:

הרקע לפרויקט:

ניטור של פעילות מוחית בזמן ניתוחים הינו פרוצדורה המתבצעת בניתוחים רבים על מנת למנוע פגיעה באיזורים הקשורים לתפקודים קריטיים כגון דיבור, הבנת שפה, תנועה, ותהליכי חשיבה שונים. במקרים רבים, פולסים קצרים של גרייה חשמלית מופעלים באופן מקומי על המוח בזמן הניתוח על מנת לזהות איזורים קריטיים אלו. במידה והגרייה הובילה לפגיעה (הפיכה) בתפקוד כלשהו, איזור הגרייה מזוהה כקריטי לתפקוד והדבר משתמש לקבלת החלטות קליניות באופן מיידי. כלי משלים לכך הוא הקלטה של פעילות מוחית חשמליות באמצעות אלקטרודות ייעודיות המונחות על קליפת המוח בטכנולוגיה הנקראת אלקטרוקורטיקוגרפיה (ECOG).

אחת המגבלות באנליזה של נתונים אלו היא חסר בכלים אשר יאפשרו להסתכל על הנתונים גם ברמת האדם האינדיבידואל, וגם על תופעות המשותפות לנבדקים רבים. ויזואליזציה הינה כלי הכרחי להבנת תופעות רחבות יותר וביניהן שינויים משמעותי בפעילות המוחית וקשרים בין מדדים ונתונים שונים. העבודה בפרויקט זה תכלול פיתוח של כלי ויזואליזציה למיקומים של גרייה חשמלית ושל אלקטרודות על-פני המוח. הכלי שיפותח יכלול הצגה ומיון של הנתונים לפי פרמטרים שונים, כמו: תגובות לגרייה החשמלית, מיקום האלקטרודות, סיווג האלקטרודות לרשתות מוחיות, ועוד. באמצעות כלי ויזואליזציה זה, ניתן יהיה לאפיין ולהבין ארגון ומיפוי מוחי.

מטרת הפרויקט:

פיתוח תוכנה ויזואלית (GIU) לעיבוד והצגת נתוני ECOG וגרייה חשמלית. התוכנה תכלול יכולת לבחור בפרמטרים לוויזואליזציה על-פי בחירת המשתמש, כגון בחירת אלקטרודות מקטגוריות מסוימות, בחירת נבדקים, ותופעות של תגובות לגירויים שונים.

תכולת הפרויקט:

הסטודנטים ייפתחו כלי לויזואליזציה המותאם באופן פרטני למחקר, ישתמשו בשיטות לניתוח אותות מוחיים בטכנולוגיות השונות, יתמקדו בממשק משתמש וישתמשו במודלים סטטיסטיים. העבודה תכלול: כתיבת קוד, ניתוח נתונים, מודלים סטטיסטיים, וקריאת ספרות.

קורסי קדם:
תכנות
לא חייב:
מדעי נתונים ביולוגיים
קורס נוירופיזיולוגיה של מערכות ו/או כל ידע על מערכות מוחיות.

דרישות נוספות:
דרושה יכולת תכנות בפייתון או ב-MATLAB.
ניתוח אותות

מקורות:

  1. Moataz Assem, Michael G. Hart, Pedro Coelho, Rafael Romero-Garcia, Alexa McDonald, Emma Woodberry, Robert C. Morris, Stephen J. Price, John Suckling, Thomas Santarius, John Duncan, Yaara Erez. High gamma activity distinguishes frontal cognitive control regions from adjacent cortical networks, Cortex, Volume 159, 2023, Pages 286-298. https://doi.org/10.1016/j.cortex.2022.12.007.
  2. Ayan S. Mandal, Moataz Assem, Rafael Romero-Garcia, Pedro Coelho, Alexa McDonald, Emma Woodberry, Robert C. Morris, Stephen J. Price, John Duncan, Thomas Santarius, John Suckling, Michael G. Hart, Yaara Erez. Tumour-infiltrated cortex participates in large-scale cognitive circuits medRxiv 2022.12.19.22283690. https://doi.org/10.1101/2022.12.19.22283690
  3. Crone N.E., Sinai A. & Korzeniewska A. (2006). High-frequency gamma oscillations and human brain mapping with electrocorticography. Progress in Brain Research 159, 275–295. https://doi.org/10.1016/S0079-6123(06)59019-3
113 Studying brain activity in brain cancer using magnetic resonance imaging and electrical signals before and after surgery
חקר פעילות מוחית בסרטן המוח באמצעות דימות בתהודה מגנטית ואותות חשמליים לפני ואחרי הניתוח
מנחה:
אחריות אקדמית:

הרקע לפרויקט:

לגידולים מוחיים יש השפעה נרחבת על ארגון איזורים ורשתות התומכות בתפקודים שונים. מעבר להשפעה על הריקמה המקומית, מחקרים חדשניים הראו כי הגידול גורם לשינויים בארגון המוח גם באיזורים המרוחקים מאיזור הגידול. להבנה של שינויים אלו יש חשיבות רבה על מנות לחזות את ההשפעה של הסרת הגידול על התפקוד של המטופלים בטווח הארוך והקצר, וכמו כן על מנת לפתח כלים שיאפשרו שיקום של הרשתות המוחיות לאחר ניתוח להסרת הגידול. אחד החסמים הטכנולוגיים כדי לזהות ולאפיין תבניות אלו של פעילות הוא שילוב של שיטות שמאפשרות למדוד גם פעילות מקומית וגם פעילות נרחבת בכל המוח, ופיתוח של כלים חישוביים מתאימים.
בפרויקט זה נשתמש בשילוב של שתי טכנולוגיות למדידה של פעילות מוחית: הקלטה של אותות חשמליים באופן מקומי באיזור הגידול בזמן ניתוח באמצעות אלקטרודות מיוחדות המונחות ישירות על המוח החשוף, ודימות תפקודי בתהודה מגנטית (functional magnetic resonance imaging) אשר מאפשר למדוד פעילות בכל חלקי המוח. הפרויקט יכלול ניתוח של בסיס נתונים ייחודי הכולל נתונים שנאספו בשתי טכנולוגיות אלו מחולים עם גידולים מוחיים. נשתמש בכלים חישוביים ובמודלים סטטיסטיים כדי לאפיין את הקשר בין פעילות שנמדדת בשתי הטכנולוגיות, לבחון את הארגון של איזורים ורשתות מוחיות, ולזהות כיצד ארגון זה משתנה לאורך מספר חודשים לאחר ניתוח להסרת הגידול. בין השאר הפרויקט יכלול שימוש בשיטות של למידת מכונה על מנת לנבא תוצאות במבדקים קוגניטיביים של המטופלים, וסיווג של רקמות בריאות לעומת רקמות חולות על סמך פעילות מוחית. כלומר, יכולת להבחין בין רקמה חולה לעומת רקמה בריאה על ידי קישוריות מוחית וקישוריות לרשתות מוחיות.
דימות מוחי מדויק (precision neuroimaging) הינו גישה מתפתחת המתמקדת בהבנת פעילות המוח ואזורים תפקודיים ברמת האדם האינדיבידואל. גישה זו כוללת שימוש במידע רווי נתונים משיטות דימות שונות ויש לכך השלכות חשובות בפיתוח שיטות רפואה מותאמות אישית.
פרויקט זה יעסוק בשילוב נתונים משיטות הדימות השונות תוך מטרה מכוונת לשימוש קליני.

מטרת הפרויקט:

מטרת הפרויקט היא הבנה ושימוש בכלים של ניתוח נתונים ועיבוד מידע לצורך אפיון מדדים שונים של פעילות מוחית על מנת לזהות אזורים תפקודיים במוח ברמת המטופל האינדיבידואל. כלים אלו ישמשו בסיס להבנת העקרונות של ארגון אזורים ורשתות במוח וכיצד הם מושפעים מהגידול ומהסרתו.

תכולת הפרויקט:

הסטודנטים יפתחו כלים לניתוח אותות מוחיים משיטות מדידה שונות וישתמשו במודלים סטטיסטיים וויזואליזציה של התוצאות. העבודה תכלול: כתיבת קוד, ניתוח נתונים, מודלים סטטיסטיים, וקריאת ספרות.

קורסי קדם:

לא חובה:
עיבוד אותות
מדעי נתונים ביולוגיים
קורס נוירופיזיולוגיה של מערכות ו/או כל ידע על מערכות מוחיות.

דרישות נוספות:

דרושה יכולת תכנות בפייתון או ב-MATLAB.

מקורות:

  1. Moataz Assem, Michael G. Hart, Pedro Coelho, Rafael Romero-Garcia, Alexa McDonald, Emma Woodberry, Robert C. Morris, Stephen J. Price, John Suckling, Thomas Santarius, John Duncan, Yaara Erez. High gamma activity distinguishes frontal cognitive control regions from adjacent cortical networks, Cortex, Volume 159, 2023, Pages 286-298. https://doi.org/10.1016/j.cortex.2022.12.007.
  2. Ayan S. Mandal, Moataz Assem, Rafael Romero-Garcia, Pedro Coelho, Alexa McDonald, Emma Woodberry, Robert C. Morris, Stephen J. Price, John Duncan, Thomas Santarius, John Suckling, Michael G. Hart, Yaara Erez. Tumour-infiltrated cortex participates in large-scale cognitive circuits medRxiv 2022.12.19.22283690. https://doi.org/10.1101/2022.12.19.22283690
  3. Crone N.E., Sinai A. & Korzeniewska A. (2006). High-frequency gamma oscillations and human brain mapping with electrocorticography. Progress in Brain Research 159, 275–295. https://doi.org/10.1016/S0079-6123(06)59019-3
117 Investigating the effect of magnetic particles on the extracellular electrical activity of a neuronal culture using graph theory
בחינת ההשפעה של חלקיקים מגנטיים על הפעילות החשמלית החוץ תאית של תרבית נוירונים ע"י שימוש בתורת הגרפים
אחריות אקדמית:

הרקע לפרויקט:

השימוש בננו חלקיקים מגנטיים להפעלת מניפולציות מגנטיות על תאים, ארגון רשתות נוירונים והכוונת תרופות לאזורי מטרה נעשה פופולרי ומהווה מוקד מחקר בשנים האחרונות.
התקשורת בין נוירונים היא באמצעות סיגנלים חשמליים, וזו למעשה אחראית על כל התפקודים העצביים, ולכן הבנת ההשפעה של נוכחות חלקיקים מגנטיים על הפעילות החשמלית של נוירונים היא קריטית והכרחית בכדי לקדם שימוש נרחב ויישומים חדשניים של שליטה מגנטית ברשתות נוירונים.

מטרת הפרויקט:

במסגרת הפרויקט נבין את הדאטא, נבנה קוד שיזהה פוטינציאלי פעולה ופרמטרים נוספים בפעילות העצבית. לאחר מכן, נמדל את הפעילות החשמלית ברשת הנוירונלית- נגדיר את הצמתים, הקשרים והמשקולות. נחפש קורלציות וננסה לאפיין רשתות חשמליות עם חלקיקים אל מול כאלה בלי.

תכולת הפרויקט:

הסטודנטים יילמדו על פעילות עצבית חוץ תאית, ייכתבו קוד בפייתון לזיהוי פוטנציאלי פעולה ומאפייני פעילות נוספים, ימדלו את הרשת בכלים שייכים לעולם הgraph theory ויחפשו קשרים בתוך הרשת.

קורסי קדם:

פיזיולוגיה כמותית, סטטיסטיקה

דרישות נוספות:

מטלב או פייתון

מקורות:

  1. Carter, M., & Shieh, J. (2015). Electrophysiology. Guide to Research Techniques in Neuroscience, 89–115. https://doi.org/10.1016/B978-0-12-800511-8.00004-6
  2. Gerhard, F., Pipa, G., Lima, B., Neuenschwander, S., & Gerstner, W. (2011). Extraction of network topology from multi-electrode recordings: is there a small-world effect?. Frontiers in computational neuroscience, 5, 4.‏
120 Analysis of Gene Regulatory Networks in Kidney Tumors
אנליזה של רשתות גנים בסרטן הכליה
אחריות אקדמית:

הרקע לפרויקט:

Gene regulatory networks (GRNs) play a crucial role in cancer by orchestrating the complex interactions between genes that drive tumor development and progression. In cancer, these networks often become dysregulated, leading to aberrant gene expression that promotes uncontrolled cell growth, resistance to cell death, and metastasis. By mapping and understanding GRNs in cancer, researchers can identify key regulatory nodes and pathways that contribute to malignancy.

מטרת הפרויקט:

In this project we will explore the landscape of gene regulatory networks in a type of kidney cancer known as renal cell carcinoma (RCC). We will do this using publicly available single cell datasets from several different modalities. Using different statistical and machine learning methods, we will explore the different tumor and immune cell states and types in RCC. We will then infer networks using state of the art techniques.

תכולת הפרויקט:

The student in the project will learn about the different techniques of analyzing single-cell datasets, methods for analyzing complex networks, and state of the art methods for inferring GRN's from single cell data.

קורסי קדם:

  • מבוא ללימדת מכונה
  • ניורו-גנומיקה או ביולוגיה חישובית/ביואינפורמטיקה

דרישות נוספות:

  • Basic programming in R or Python
  • Introductory courses in biology is recommended but not required

מקורות:

  1. Trink Y, Urbach A, Dekel B, Hohenstein P, Goldberger J, Kalisky T. Characterization of Continuous Transcriptional Heterogeneity in High-Risk Blastemal-Type Wilms' Tumors Using Unsupervised Machine Learning. Int J Mol Sci. 2023 Feb 9;24(4):3532. doi: 10.3390/ijms24043532. PMID: 36834944; PMCID: PMC9965420.
  2. Kamimoto, K., Stringa, B., Hoffmann, C.M. et al. Dissecting cell identity via network inference and in silico gene perturbation. Nature 614, 742–751 (2023). https://doi.org/10.1038/s41586-022-05688-9
  3. Bravo González-Blas, C., De Winter, S., Hulselmans, G. et al. SCENIC+: single-cell multiomic inference of enhancers and gene regulatory networks. Nat Methods 20, 1355–1367 (2023). https://doi.org/10.1038/s41592-023-01938-4
128 Individualized identification of brain networks using functional magnetic resonance imaging (fMRI) in patients with a brain tumor
זיהוי אינדיבידואלי של רשתות מוחיות באמצעות דימות תפקודי בתהודה מגנטית (fMRI) בחולים עם גידול במוח
מנחה:
אחריות אקדמית:

הרקע לפרויקט:

דימות תפקודי בתהודה מגנטית (functional magnetic resonance imaging, fMRI) הינה טכנולוגיית דימות המודדת שינויים לאורך הזמן בפעילות מוחית. היתרון המרכזי שלה הוא היכולת למדוד פעילות בכל המוח בו זמנית, עם רזולוציה מרחבית טובה (1-2 ס״מ). עבור מטופלים עם גידולים מוחיים, יש צורך לזהות ולאפיין רשתות מוחיות באופן אינדיבידואלי לצורך מיפוי טרום-ניתוחי, כמו גם מעקב אחרי ארגון מחדש של הרשתות לאורך הזמן לאחר הניתוח.
בפרויקט זה נשתמש בנתוני fMRI מחולים עם גידול מוחי ואלגוריתמיקה של independent component analysis (ICA) המפרידה סיגנלים מוחיים לרכיבים שונים, מהם ניתן לזהות רשתות מוחיות. בפרויקט הסטודנטים/ות יפתחו אלגוריתמיקה לצורך זיהוי טוב של הרשתות המוחיות השונות על בסיס סריקות שבוצעו לפני ניתוח להסרת הגידול ואחריו. בנוסף, הסטודנטים יבחנו את יכולת ההכללה של התוצאות עבור הסריקות השונות לפני ואחרי הניתוח.
אפיון הארגון המוחי באופן אינדיבידואלי הינו חלק מהגישה המתפתחת של דימות מוחי מדויק (precision neuroimaging), המתמקדת בהבנת פעילות המוח ואזורים תפקודיים ברמת האדם האינדיבידואל. גישה זו כוללת שימוש במידע רווי נתונים משיטות דימות שונות עם יישומים רלוונטיים לפיתוח שיטות רפואה מותאמות אישית.
פרויקט זה יעסוק בעיבוד נתונים ופיתוח אלגוריתמיקה תוך מטרה מכוונת לשימוש קליני.

מטרת הפרויקט:

מטרת פרויקט זה היא לבצע עיבוד של נתוני fMRI, פיתוח והתאמה של אלגוריתמיקה לשאלת המחקר, ואפיון התוצאות המתקבלות. זאת על מנת לזהות רשתות מוחיות ברמת המטופל האינדיבידואלי. כלים אלו שנפתח ישמשו בסיס להבנת העקרונות של ארגון אזורים ורשתות במוח והבנה עמוקה יותר של השפעת גידול על פעילות מוחית.

תכולת הפרויקט:

הסטודנטים יפתחו כלים לניתוח אותות מוחיים משיטות מדידה שונות וישתמשו במודלים סטטיסטיים וויזואליזציה של התוצאות. העבודה תכלול: כתיבת קוד, ניתוח נתונים, מודלים סטטיסטיים, וקריאת ספרות.

קורסי קדם:

אין קורס קדם

דרישות נוספות:

דרושה יכולת תכנות בפייתון או ב-MATLAB. - חובה
לא חובה:
ניתוח אותות
מדעי נתונים ביולוגיים
קורס נוירופיזיולוגיה של מערכות ו/או כל ידע על מערכות מוחיות.

מקורות:

  1. Smitha et al. Resting state fMRI: a review on methods in resting state connectivity analysis and resting state networks. The Neuroradiology Journal 30(4): 305-317. 10.1177/1971400917697342
  2. Mandal A., Wiener C., Assem M., Romero-Garcia R., Coelho P., McDonald A., Woodberry E., Morris R.C., Price, S.J., Duncan J., Santarius T., Suckling J., Hart M.G., & Erez Y. (2024) Tumour-infiltrated cortex participates in large-scale cognitive circuits. Accepted in Cortex. https://doi.org/10.1016/j.cortex.2024.01.004.
225 Improving data integrity in embedded memories by applying algorithmic/statistical methods
שיפור שימור מידע בזכרונות מוטמעים בשילוב שיטות אלגוריתמיות/סטטיסטיות
אחריות אקדמית:

הרקע לפרויקט:

Gain-cell embedded DRAM (GC-eDRAM) is a memory technology that has been shown to be an interesting alternative to standard SRAM for various applications. One of the drawbacks of this technology is the limited data retention time (DRT) due to parasitic leakage currents. Often a single cell with low DRT requires much more often restore operations on the whole array, severely impacting the power efficiency and memory availability.

מטרת הפרויקט:

In this project, the students will model the probability of cell failures and explore the possibilities of improving the DRT through algorithmic approaches mixed with circuit design techniques.

תכולת הפרויקט:

The project is a research project with both theoretical and implementation components, requiring suggesting and implementing novel hardware solutions both in Matlab and Cadence Virtuoso.

קורסי קדם:

מעגלים אלקטרוניים ספרתיים

דרישות נוספות:

מעגלים משולבים ספרתיים 83-313

מקורות:

  1. P. Meinerzhagen, A. Teman, R. Giterman, N. Edri, A. Burg, and A. Fish, Gain-Cell Embedded DRAMs for Low-Power VLSI Systems-on-Chip. Berlin, Germany: Springer, 2018.
  2. Teman A, Meinerzhagen P, Burg A, Fish A (2012) Review and classification of gain cell eDRAM implementations. In: Proc. IEEE Convention of Electrical and Electronics Engineers in Israel (IEEEI), pp 1–5
226 תכנון מנגנוני שליטה ופריפריה מתקדמים לזיכרונות דינאמיים
Advanced peripheral and control circuits and techniques for GC-eDRAM
אחריות אקדמית:

הרקע לפרויקט:

Gain-cell embedded DRAM (GC-eDRAM) is a dynamic storage technology that presents an alternative to standard SRAM for various applications. In this project, novel circuit techniques will be developed for GC-eDRAM based memories to improve performance, power, and area (PPA) costs.

מטרת הפרויקט:

The project outcome is a novel technique for improving the GC-eDRAM technology

תכולת הפרויקט:

This work will include the investigation of sophisticated refresh schemes, advanced write-back techniques, and others. This research project will include Virtuoso based simulations in advanced CMOS nodes

קורסי קדם:

מעגלים אלקטרוניים ספרתיים

דרישות נוספות:

מעגלים משולבים ספרתיים 83-313

מקורות:

1. P. Meinerzhagen, A. Teman, R. Giterman, N. Edri, A. Burg, and A. Fish, Gain-Cell Embedded DRAMs for Low-Power VLSI Systems-on-Chip. Berlin, Germany: Springer, 2018.
2. Teman A, Meinerzhagen P, Burg A, Fish A (2012) Review and classification of gain cell eDRAM implementations. In: Proc. IEEE Convention of Electrical and Electronics Engineers in Israel (IEEEI), pp 1–5
3. Refresh Algorithm for Ensuring 100% Memory Availability in Gain-Cell Embedded DRAM Macros https://ieeexplore.ieee.org/document/9495814
4. A 4T GC-eDRAM Bitcell with Differential Readout Mechanism For High Performance Applications https://ieeexplore.ieee.org/document/10559672

227 In-memory computing using the GC-eDRAM
ביצוע פעולות חישוביות בזיכרון דינאמי
אחריות אקדמית:

הרקע לפרויקט:

Gain-cell embedded DRAM (GC-eDRAM) is a memory technology that has been shown to be an interesting alternative to standard SRAM for various applications. The GC-eDRAM memory is based on a dynamic bitcell that does not have a constant power supply. The dynamic nature of the cell leads to limited data retention time (DRT) due to parasitic leakage currents. But it also creates opportunities to explore in utilizing these mechanisms to our advantage.

מטרת הפרויקט:

The unique features of the GC-eDRAM memories, require specialized memory block design, but also an opening for implementing in-memory logical computations with very little overhead. For example readout of an logical "NOR" function result for two adjacent memory rows can be performed in such a memory with very little overhead. In this project we aim to design a GC-eDRAM memory that will allow to perform various logical computation with data stored in the memory.

תכולת הפרויקט:

The students will develop a unique memory design and architecture. They will be required to suggest and implement novel ideas in memory design and run various simulations to prove the suggested memories reliability.

קורסי קדם:

מעגלים אלקטרוניים ספרתיים

דרישות נוספות:

Digital Integrated Circuits (83-313)

מקורות:

1. P. Meinerzhagen, A. Teman, R. Giterman, N. Edri, A. Burg, and A. Fish, Gain-Cell Embedded DRAMs for Low-Power VLSI Systems-on-Chip. Berlin, Germany: Springer, 2018.
2. Teman A, Meinerzhagen P, Burg A, Fish A (2012) Review and classification of gain cell eDRAM implementations. In: Proc. IEEE Convention of Electrical and Electronics Engineers in Israel (IEEEI), pp 1–5

228 Advanced dynamic memory bitcells
מבנים מתקדמים לזיכרון דינאמי
אחריות אקדמית:

הרקע לפרויקט:

Gain-cell embedded DRAM (GC-eDRAM) is a dynamic storage technology that presents an alternative to standard SRAM for various applications. In this project, novel circuit techniques will be developed for GC-eDRAM based memories to improve performance, power, and area (PPA) costs.

מטרת הפרויקט:

Characterization of novel GC-eDRAM bitcell topology and physical design of memory array based on it.

תכולת הפרויקט:

This research project will include Virtuoso based simulation in advanced technology nodes, designing the array architecture and implementing it in physical layout

קורסי קדם:

מעגלים משולבים ספרתיים 83-313

דרישות נוספות:

מעגלי ומערכות וי.אל.אס.איי. דיגיטליים - 83-612

מקורות:

  1. P. Meinerzhagen, A. Teman, R. Giterman, N. Edri, A. Burg, and A. Fish, Gain-Cell Embedded DRAMs for Low-Power VLSI Systems-on-Chip. Berlin, Germany: Springer, 2018.
  2. Teman A, Meinerzhagen P, Burg A, Fish A (2012) Review and classification of gain cell eDRAM implementations. In: Proc. IEEE Convention of Electrical and Electronics Engineers in Israel (IEEEI), pp 1–5
  3. Configurable Multi-Port Dynamic Bitcell with Internal Refresh Mechanism https://ieeexplore.ieee.org/document/8617861
  4. A 4T GC-eDRAM Bitcell with Differential Readout Mechanism For High Performance Applications https://ieeexplore.ieee.org/document/10559672
317 Incorporation of AI and ML algorithms in remote biomedical sensing
שילוב יכולות של בינה מלאכותית ואלגוריתמי לימוד מכונה בחישה ביו רפואית
מנחה:
אחריות אקדמית:

הרקע לפרויקט:

מדובר על טכנולוגיית חישה חדשנית המבוססת על ניתוח שינויים זמניים-מרחביים של תבנית פיזור אור לייזר מרקמה ביולוגית. על בסיס זה ניבחנת יכולת חישה של פרמטרים ביו רפואיים מרחוק. תבניות הפיזור הנוצרות עקב התאבכות עצמית של אור הלייזר ניקראות ספקלס. אלו תבניות אקראיות המשתנות בזמן כתלות בתהליכים הזמניים הקורים בתוך הרקמה הביולוגית. במסגרת הפרויקט ניבנה אלגוריתם לימוד מכונה שילמד את מאפיני תבנית הפיזור וידע לקשר אותה לננו-רעידות המתרחשות ברקמה. מתוך ניתוח תבניות הננו-רעידות ניתן לבצע שערוך של פרמטרים בו רפואיים שונים הכוללים לחץ דם, מאפיני זרימת דם בכלי דם ועוד. אלגוריתמיקת למידת המכונה שתופעל פה תבוסס על רשתות ניורונליות.

מטרת הפרויקט:

פיתוח אלגוריתמי עיבוד תמונה מבוססי למידת מכונה לניתוח תבניות פיזור אור לייזר באפליקציות חישה ביו רפואית

תכולת הפרויקט:

פיתוח אלגוריתמי עיבוד תמונה מבוססי למידת מכונה לניתוח תבניות פיזור אור לייזר. הפעלת האלגוריתמים על מידע אמיתי שיאסף בניסויי מעבדה. עבודה ב מטלב או פייתון.

קורסי קדם:

קורס בסיסי בלמידת מכונה

מקורות:

Kalyuzhner, Z., Agdarov, S., Orr, I. et al. Remote photonic detection of human senses using secondary speckle patterns. Sci Rep 12, 519 (2022). https://doi.org/10.1038/s41598-021-04558-0

405 Tracking and Localization of Speakers in a Room Using CNN Extensions
מעקב ולוקליזציה של דוברים בחדר באמצעות הרחבות של רשתות קונבולוציה
מנחה:
אחריות אקדמית:

הרקע לפרויקט:

מעקב ולוקליזציה של דוברים בתוך חדר הוא אתגר משמעותי בתחום עיבוד אותות אודיו. ארכיטקטורות שונות כגון רשתות קונבולוציה (CNNs) והרחבות שלהן, הראו הבטחה בהתמודדות עם אתגר זה. באופן ספציפי, האינטגרציה של רשתות זיכרון לטווח קצר (LSTM) עם רשתות CNN יכולה ללכוד תלות זמנית באותות אודיו, בעוד שרשתות קונבולוציה זמניות (TCNs) מציעות גישה חלופית לניתוח דפוסים זמניים ביעילות. במהלך הפרוייקט נבחן את ביצועי הרשתות הנ"ל בהקשר של עקיבת ואיכון דוברים

מטרת הפרויקט:

מטרת פרויקט זה היא לפתח ולהעריך שיטות למעקב ולוקליזציה (איכון) של רמקולים באמצעות ארכיטקטורות רשתות עצביות מתקדמות אלו. אנו שואפים לחקור את השילוב של רשתות LSTM עם CNNs ולחקור את הפוטנציאל של TCNs. בנוסף, התלמידים יצברו ניסיון מעשי על ידי הרצה והפעלת סימולציות ליצירת דאטה, אימון המודלים. בנוסף נבצע הקלטות חיות אמיתיות במעבדה האקוסטית כדי ליצור מערך נתונים מקיף להערכה ובדיקת המודלים.

תכולת הפרויקט:

ישום מודל אחד או מספר מודלים עבור לוקליזציה של דוברים
יצירת דאטה מסומלץ של דוברים בחדר
אימון של מודלים מתאימים
הערכת ביצועים וניתח את החוזקות והחולשות של המודל/ים

קורסי קדם:

עיבוד ספרתי 2, למידה עמוקה

מקורות:

  1. Exploiting Temporal Context in CNN Based Multisource DOA Estimation https://ieeexplore.ieee.org/document/9381644
  2. DataGen simulation (git): https://github.com/MayaVB/SpeakerLocGen
407 Analysis of Biological Signatures Using Machine Learning
בחינת יחודיות וחזרתיות של חתימות ממדידות ביולוגיות\ביוכימיות בשימוש למידת מכונה
מנחה:
אחריות אקדמית:

הרקע לפרויקט:

טכנולוגיות לבישות, המשולבות בגוף ובמערכות ביולוגיות כבר כאן, לרוב הן מתקשרות עם נקודת קצה קרובה (למשל סלולרי או אנטנה) וצריכת אנרגיה נמוכה, הינה קריטית עבור מערכות אלו. כמו כן, אבטחה היא גורם משמעותי היות ואינפורמציה רגישה נעה במערכות אלו (חשבו על מוניטור לחץ דם או משאבת אינסולין אקטיבית). לכן עלות האבטחה מבחינת מימוש ואנרגיה היא קריטית. בפרויקט הסטודנטים יקבלו מידע \ מדידות ממכשור מדידה המגיע ממדידות על גוף נסיינים בשיתוף עם תעשייה. המידע יגיע ממגוון סנסורים, time-series ממודד לחץ דם \ מודד זיעה\ מדידות אופטיות ואפילו אקוסטיות.
הסטודנטים יפעילו כלי אנליזה מעולם הסיווג ולימוד המכונה ומטרתם תהיה אפיון ומציאת פיטשרים ייחודיים וחזרתיים מכל ערוץ ובניית ensemble ליצירת חתימה ביולוגית למשתמש. על גבי מנגנון זה ניתן ליישם אבטחה זולה הרבה יותר למערכות אלו.
זהו פרויקט המשך שבו הראנו יישימות. בפרויקט הזה נשפר את האנליזה והניתוח ובנוסף נוסיף מנגנון ייחודי לייצר מדידות \ חתמיות "דטרמניסטיות" ולא רועשות ממדידות רועשות על מנגנון FUZZY EXTRACTOR, בנוסף ללמידת המכונה והקלסיפיקציה.

מטרת הפרויקט:

מימוש מערכת עובדת מלאה והדגמה עם דאטה בייס גדול ומשמעותי

תכולת הפרויקט:

הסטודנטים יקראו וילמדו שיטות ניתוח של ספרות קודמת. ילמדו את צורת המידע והדאטה שמגיע מהמדידות. ינתחו מאפיינים שלו ויבנו ויאמנו מספר מכונות קלסיפיקציה ולוגיקה של FUZZY EXTRACTOR. ינתחו יכולת לשלב מדדים שונים מדאטה בייסים שונים, ייבנו מודלים "משכללים" ומאחדים. ולבסוף יבצעו בחינת אומדנים לייחודיות וחזרתיות של ה"חתימות הביולוגיות" ויכולות הקלסיפיקציה.

קורסי קדם:

כל קורס קודם המספק ידע בנושאים:
ידע קודם בסיסי בלמידת מכונה \ קלסיפיקציה \ רגרסיה
ייתרון לסטודנטים בעלי שליטה בבניית מודלים בפייטון (או מטלב), למשל עצים, Random-Forest, ensembles, ANN \ CNN RNN\ DNN

דרישות נוספות:

הבנה של קודים לתיקון שגיאות ייתרון (אך לא חובה)
יכולות תכנותיות ואנליטיות גבוהות.
נכונות להיקף עבודה משמעותי.

מקורות:

  1. Jain, Anil K., Arun Ross, and Salil Prabhakar. "An introduction to biometric recognition." IEEE Transactions on circuits and systems for video technology 14.1 (2004): 4-20.
  2. McGoldrick, Leif K., and Jan Halámek. "Recent advances in noninvasive biosensors for forensics, biometrics, and cybersecurity." Sensors 20.21 (2020): 5974.
  3. Hair, Mindy E., et al. "Metabolite biometrics for the differentiation of individuals." Analytical chemistry 90.8 (2018): 5322-5328.
  4. https://ranger.uta.edu/~mingli/publications/Pairing.pdf
408 Offensive Cyber: Attack Using AI Systems
סייבר התקפי, התקפה באמצעות מערכות AI
מנחה:
אחריות אקדמית:


שם המנחה: גל כהן
אחראי/ת אקדמי/ת: איתמר לוי

הרקע לפרויקט:

As digital threats evolve, protecting embedded systems becomes increasingly vital. This project explores how AI can be used to perform advanced cyber attacks on these systems, focusing on vulnerabilities in technologies like Bluetooth, WiFi, Zigbee, and LoRa. By integrating AI algorithms with signal processing and spectrogram analysis, the project aims to reconstruct CPU operations and extract secret keys from RF transmissions. This initiative combines practical coding with innovative research, preparing students to address contemporary cybersecurity challenges.

מטרת הפרויקט:

AI System capable of Reconstructing CPU Operations from RF Transmissions to Steal Secret Keys (e.g., Bluetooth, WiFi, Zigbee, LoRa) and private information.

תכולת הפרויקט:

the project consists of :

  • Coding for embedded systems
  • Engineering AI algorithms designed to breach secure systems
  • Applying data science techniques
  • Mastering AI classification algorithms
  • Working with spectrograms and signal processing


While the completion of a final project is not mandatory, we do require significant progress in at least one of the fields mentioned above.

קורסי קדם:

פשוט תבואו עיקר המטרה זה שתלמדו :) אין צורך או ציפיה לידע קודם.

דרישות נוספות:

פשוט תבואו עיקר המטרה זה שתלמדו :) אין צורך או ציפיה לידע קודם.

מקורות:

  1. https://www.eng.biu.ac.il/leviita2/publications/

מאמר 4 הוא הכי רלוונטי לפרויקט :) אך גם שונה במהותו

  1. Danieli E, Goldzweig M, Avital M, Levi I. "Revealing the Secrets of Radio Embedded Systems: Extraction of Raw Information via RF". IEEE Transactions on Information Forensics and Security. 2023 Dec 20. (Final Extended version)
410 Multi Variate Leakage Detection
זיהוי זליגה עם אנליזה רב-משתנית ממומנט סטטיסטי גבוה
מנחה:
אחריות אקדמית:

הרקע לפרויקט:

זיהוי זליגה עם וקטור מבחן (TVLA) הינה מתודולוגיה המשמשת באבטחת קריפטוגרפיה לגילוי חולשות לערוצי צד ביישומים קריפטוגרפיים. התקפות ערוצי צד מנצלות דליפות פיזיות, כגון צריכת חשמל או קרינות אלקטרומגנטיות, כדי להוציא מידע סודי כמו מפתחות קריפטוגרפיים. TVLA משתמשת בטכניקות סטטיסטיות לניתוח הקורלציה בין דליפות פיזיות אלו לבין המידע הסודי המעובד על ידי האלגוריתם הקריפטוגרפי. על ידי בדיקה שיטתית עם וקטורי קלט שונים וניתוח הדליפות הנובעות, TVLA מכמתת את כמות המידע הסודי שדלף. שיטה זו מאומצת באופן נרחב בתחום אבטחת החומרה כדי להבטיח שמכשירים קריפטוגרפיים, כגון כרטיסים חכמים ומעבדים מאובטחים, עמידים בפני התקפות מסוג זה. מתודולוגיה זו מספקת גישה קפדנית ומנורמלת בין מכשירים להערכת הקריטריונים המשותפים של יישומים קריפטוגרפיים נגד חולשות פוטנציאליות, מה שהופך אותה לכלי חיוני למפתחים וחוקרי אבטחה.

מטרת הפרויקט:

מימוש מבחן סטטיסטי מרובה-משתנים למומנט סטטיסטי גבוה בסביבת matlab/python, וניתוח דגימות שנמדדו ע"ג MCU/FPGA המריץ סכימות הצפנה מבוססות בלוקים שונות (ASCON, AES).

תכולת הפרויקט:

(1)סקירה ספרותית ולמידה מעמיקה של האלגוריתם למימוש, כפי המוצע ב[1], (2)מימוש האלגוריתם ודיבוג בIDE הנבחר (3)מדידות חומרה של סכימות הצפנה מבוססות בלוקים ע"ג MCU/FPGA (4)ניתוח המדידות באמצעות האלגוריתם הממומש

קורסי קדם:

מבוא לסטטיסטיקה, אלגברה ליניארית למהנדסים, אותות אקראיים ורעש, מבוא לאבטחת חומרה

דרישות נוספות:

הכרות מעמיקה עם python/matlab

מקורות:

  1. Leakage Assessment Methodologyhttps://www.iacr.org/archive/ches2015/92930478/92930478.pdf
  2. Recognition of Common Criteria Certificates https://www.commoncriteriaportal.org/cc/index.cfm
413 On the relationship between different quality measures for noise reduction in deep learning methods
על הקשר בין מדדי איכות שונים עבור הורדת רעש בשיטות למידה עמוקה
אחריות אקדמית:

הרקע לפרויקט:

בשנים האחרונות שיטות למידה עמוקה משמשות למשימות רבות כולל לשיפור שמע והנחתת רעשים. לצורך אימון הרשת יש להגדיר פונקציית לוס לפיה ישתפר המודל, אך הקשר בין מדד שיפור אחד לשני אינו בהיר דיו. בנושא מחקר זה נעמוד על הקשר בין מדדי האיכות השונים הרלוונטים לצורך אימון הרדת

מטרת הפרויקט:

בפרויקט זה נחקור את הקשר בין מדדי איכות שונים עבור הורדת רעש כתלות בפונקציה לפיה מתאמנת הרשת. נאמן רשת נוירונים עבור שיפור איכות השמע

תכולת הפרויקט:

יצירת דאטא, בניית רשת, אימון הרשת והשוואת התוצאות בין המדדים השונים

קורסי קדם:

עיבוד אותות ספרתי 2
למידה עמוקה

מקורות:

https://ieeexplore.ieee.org/abstract/document/8683855

414 Gender recognition by using deep learning methods
זיהוי מגדר על ידי שימוש בשיטות למידה עמוקה
אחריות אקדמית:

הרקע לפרויקט:

בשנים האחרונות השימוש בשיטות למידה עמוקה עבור אותות דיבור תופס מקום מרכזי בעולם המחקרי. ניתן להשתמש בכלי זה לצורך משימות שונות ובהם זיהוי אלמנטים מסויימים בנוגע לדובר הנתון לנו.

מטרת הפרויקט:

בפרויקט זה נשתמש בשיטות AI לצורך סיווג הקלטה נתונה – האם מדובר בגבר או באישה. הסיווג יתבצע תחת תנאי הדהוד ורעש כך שהמודל ילמד להכליל סיטואציות שונות

תכולת הפרויקט:

יצירת דאטא, בניית רשת, אימון הרשת וניתוח תוצאות

קורסי קדם:

עיבוד אותות ספרתי 2
למידה עמוקה

מקורות:

https://ieeexplore.ieee.org/abstract/document/9054073

419 DiffusionNet: Discretization Agnostic Deep Learning on Surfaces
למידת מכונה עמוקה אדישה לייצוג דיסקרטי של משטחים תלת ממדיים
מנחה:
אחריות אקדמית:

הרקע לפרויקט:

The project is about implementing new general-purpose approach to deep learning on 3D surfaces, based on the insight that a simple diffusion layer is highly effective for spatial communication. The resulting networks are automatically robust to changes in resolution and sampling of a surface—a basic property which is crucial for practical applications. Our networks can be discretized on various geometric representations such as triangle meshes or point clouds, and can even be trained on one representation then applied to another. We optimize the spatial support of diffusion as a continuous network parameter ranging from purely local to totally global, removing the burden of manually choosing neighborhood sizes. The only other ingredients in the method are a multilayer perceptron applied independently at each point, and spatial gradient features to support directional filters. The resulting networks are simple, robust, and efficient. Here, we focus primarily on triangle mesh surfaces, and demonstrate state-of-the-art results for a variety of tasks including surface classification, segmentation, and non-rigid correspondence.

מטרת הפרויקט:

היכרות עם תחום הגרפיקה והגאומטריה בהיבט של למידת מכונה עמוקה. התעמקות בנושא מתקדם בתחום והתנסות במימוש אלגוריתם ובניית תוכנה מורכבת כהכנה לעבודה בתעשיית ההייטק ו/או לתואר מתקדם.

תכולת הפרויקט:

הפרויקט ידרוש פיתוח ומימוש של אלגוריתם מורכב בתוכנה.
פרויקטים נוספים מותאמים לסטודנט אפשריים במקרים מסוימים בתאום עם פרופ' וובר.

קורסי קדם:

רקע בעיבוד דיגיטלי של גיאומטריה או גרפיקה ממוחשבת או למידת מכונה עמוקה.

דרישות נוספות:

יכולת תכנות טובה + יכולת עבודה עצמאית והגדלת ראש

מקורות:

  1. https://nmwsharp.com/research/diffusion-net/
420 Seamless Parametrization in Penner Coordinates
פרמטריזציה למשטחים תלת ממדיים בקואורדינטות לוגריתמיות
מנחה:
אחריות אקדמית:

הרקע לפרויקט:

Polyhedral surfaces are elementary in computer graphics. They are used to represent real-life objects in virtual environments. Mapping such a polyhedral surface to a different domain, for example, to the plane is a fundamental problem in computer graphics and geometry processing. In this project we will learn about special types of maps which strive to preserve length. We will implement an advanced algorithm for computing such maps that uses logarithmic lengths (AKA Penner coordinates) as variables of numerical optimization problem.

מטרת הפרויקט:

היכרות עם תחום הגרפיקה והגאומטריה, התעמקות בנושא מתקדם בתחום והתנסות במימוש אלגוריתם ובניית תוכנה מורכבת כהכנה לעבודה בתעשיית ההייטק ו/או לתואר מתקדם.

תכולת הפרויקט:

הפרויקט ידרוש פיתוח ומימוש של אלגוריתם מורכב בתוכנה.
פרויקטים נוספים מותאמים לסטודנט אפשריים במקרים מסוימים בתאום עם פרופ' וובר.

קורסי קדם:

רצוי רקע בעיבוד דיגיטלי של גיאומטריה או גרפיקה ממוחשבת או אופטימיזציה

דרישות נוספות:

יכולת תכנות טובה + יכולת עבודה עצמאית והגדלת ראש

מקורות:

http://ryanjcapouellez.com/papers/2024_seamless_parametrization_in_penn…

421 Barycentric Coordinates for Image Deformation
קואורדינטות בריצנטריות עבור דפורמציה של תמונות
מנחה:
אחריות אקדמית:

הרקע לפרויקט:

Any point inside a 2D polygon can be expressed as a convex combination of the polygon’s vertices, and the coefficients of this convex combination are called the barycentric coordinates of the point.

Barycentric coordinates are broadly used in computer graphics applications to interpolate data given at the vertices of the polygon to its interior. A particular application of interest is image warping. In this application, a given image is deformed interactively to create a new image.

The design of barycentric coordinates with desired properties is a challenging task. It is hard to design a set of coordinate functions that are positive, smooth, and interpolate the boundary linearly. In this project, we will design such coordinates based on recent research advancements in the field.

מטרת הפרויקט:

היכרות עם תחום הגרפיקה והגאומטריה, התעמקות בנושא מתקדם בתחום והתנסות במימוש אלגוריתם ובניית תוכנה מורכבת כהכנה לעבודה בתעשיית ההייטק ו/או לתואר מתקדם.

תכולת הפרויקט:

הפרויקט ידרוש פיתוח ומימוש של אלגוריתם מורכב בתוכנה.
פרויקטים נוספים מותאמים לסטודנט אפשריים במקרים מסוימים בתאום עם פרופ' וובר.

קורסי קדם:

רצוי רקע בעיבוד דיגיטלי של גיאומטריה או גרפיקה ממוחשבת

דרישות נוספות:

יכולת תכנות טובה + יכולת עבודה עצמאית והגדלת ראש

מקורות:

  1. https://diglib.eg.org/handle/10.1111/cgf14908 - Maximum Likelihood Coordinates for Image Deformation
  2. https://graphics.pixar.com/library/StochasticCoordinates/index.html - Stochastic Computation of Barycentric Coordinates
  3. https://dl.acm.org/doi/10.1145/3618403 - Variational Barycentric Coordinates