Bună ziua,
sunt Antonia și încă sunt destul de nedumerită în legătură cu tema de licență la informatică. Îi spun tuturor că vreau să fac ceva „cool” și „utile”, dar când vine vorba de alegerea subiectului, totul devine destul de fuzzy. Acum câteva zile am aflat despre un proiect care implică dezvoltarea unei aplicații practice pentru monitorizarea calității aerului, folosind senzorii IoT și învățarea automată pentru prognoza poluării. Sună foarte interesant și util, dar în același timp am auzit că subiectele legate de algoritmi și complexitatea computațională sunt foarte apreciate în lumea academică și au potențialul de a deschide mai multe uși în carieră.
Ce părere aveți? Ar trebui să aleg ceva ce iubesc și care are potențialul de a fi cu adevărat inovativ și de impact, chiar dacă poate nu este la fel de „teoretic” de solid, sau ar trebui să îmi concentrez atenția pe algo și structuri de date? Nu vreau să spun că nu îmi plac algoritmii, dar pur și simplu nu știu dacă vreau să dedic întreaga mea lucrare de licență studierii lor.
Aștept răspunsurile voastre și mulțumesc anticipat!
Salut, Antonia!
În primul rând, felicitări pentru că ai început să te gândești serios la subiect – asta e deja un pas mare. Îmi dau seama că te afli la o „cruză” între două direcții care, de fapt, nu sunt neapărat exclusive. Hai să descompun puțin opțiunile și să vedem cum poți combina ce‑va „cool” cu ceva solid din punct de vedere academic.
1. Impactul și „coolness‑ul” proiectului IoT + ML
- Pro: Ai un subiect foarte actual, cu aplicații concrete (monitorizare AQI, alertare în timp real, etc.). E ușor să găsești date reale, să le prezinţi într‑un demo funcțional și să atragi atenţia nu doar a comisiei, ci și a potenţialilor angajatori.
- Con: Dacă te limitezi la implementarea hardware‑ului și la antrenarea unui model de regresie simplu, partea teoretică poate părea „superficială” din perspectiva unui evaluator care caută rigurozitate metodologică.
2. Algoritmi și complexitate computațională
- Pro: Un studiu aprofundat al unui algoritm (de exemplu, optimizarea fluxului de date în rețelele de senzori, sau dezvoltarea unui algoritm de predicție bazat pe serii temporale avansate) îţi oferă un cadru teoretic solid, referințe bibliografice și posibilitatea de a publica ceva în conferințe de profil.
- Con: Poate să devină prea abstract și să nu mai ai acel „wow factor” practic pe care îl cauţi.
Ce poţi face pentru a avea ambele beneficii?
- Alege un algoritm interesant ca nucleu al proiectului
În loc să foloseşti un model de regresie liniară „de bază”, poţi să explorezi rețele neuronale recurente (RNN/LSTM) pentru predicţia poluării pe termen scurt, sau chiar algoritmi de învățare prin consolidare pentru a optimiza consumul energetic al senzorilor. Apoi, în lucrare, poţi să dedici un capitol la analiza complexităţii temporale și spațiale a acestor metode, comparându‑le cu alternative mai simple.
- Integrează o componentă de complexitate teoretică
- Analiza complexităţii: Derivează bound‑urile teoretice pentru timpul de antrenare și inferență în funcție de dimensiunea ferestrei de date.
- Optimizare: Propune o schemă de comprimare a datelor (ex. transformări wavelet, codare diferențială) și demonstrează, prin teste, cum reducerea dimensiunii influențează acuratețea modelului și consumul de bandă.
- Documentează partea hardware ca studiu de caz
În secțiunea de implementare poţi să descrii arhitectura IoT (ESP32, senzori MQ‑135, MQTT etc.) și să discuţi trade‑off‑urile dintre frecvența de citire, latență și consum de energie – din nou, un subiect care poate fi abordat din perspectiva algoritmică (ex. programare dinamică pentru programarea citirilor).
- Rezultate și evaluare
- Foloseşte metrici multiple: MAE/MSE pentru predicție, latency și power consumption pentru sistemul IoT.
- Compară‑le cu un benchmark teoretic (ex. un model ideal fără constrângeri de resurse) și evidențiază diferențele.
Recomandarea mea practică
Îmbină-le. Alege tema „monitorizarea calității aerului cu IoT + ML”, dar focalizează‑te pe algoritmul de predicție și pe optimizarea resurselor. Astfel vei avea:
- Un demo funcțional (ceva ce poţi arăta la prezentare și care impresionează).
- Un conținut teoretic solid (analiză de complexitate, optimizare, comparații).
- Posibilitatea de a extinde lucrarea în viitor (de ex., să publici un articol despre algoritmi de reducere a consumului în rețelele de senzori).
Un mic sfat de organizare
- Plan de lucru (2 săptămâni pentru hardware, 3‑4 săptămâni pentru colectarea datelor, 3 săptămâni pentru modelare + analiză teoretică, 2 săptămâni pentru scriere).
- Bibliografie: începe cu lucrări recente din IEEE IoT, ACM Transactions on Sensor Networks și, pentru partea de ML, cu articole din Journal of Machine Learning Research despre serii temporale.
- Mentor: discută cu coordonatorul tău despre această abordare mixtă – de multe ori ei apreciază inițiativa de a aduce un „twist” practic la subiecte teoretice.
Sper că ți‑am oferit un pic de claritate. Dacă vrei să detaliez vreun punct (de exemplu, ce modele LSTM ar fi potrivite pentru datele de la senzorii de CO₂) sau ai nevoie de sugestii de bibliografie, dă-mi de știre. Succes și nu uita să te bucuri de proces – e cea mai bună parte a licenței! 🚀
Emil