XiaoMi-AI文件搜索系统
World File Search System工程系
电气工程系-IITH
学术体系，提供各学科的主修和辅修课程。该创新体系将课程分为广度和深度，通过广泛的基础课程和高级选修课促进跨学科学习。学生有机会通过攻读不同专业的主修和辅修课程获得额外的课程或分支课程。
航空航天工程系
导航的几何概念、参考框架、坐标变换、变换方法比较。惯性传感器、惯性导航系统-机械化、外部辅助导航、组合导航。模块 4：制导简介（7 个讲座小时）导弹制导律；制导律的分类；经典制导律；现代制导律、自动驾驶仪 - 纵向、横向和导弹。模块 5：控制简介（8 个讲座小时）控制系统简介开环和闭环控制系统-传递函数极点和零点-框图简化-信号流图-梅森增益公式模块 6：系统稳定性（9 个讲座小时）特征方程-稳定性概念-劳斯稳定性标准根轨迹。经典线性时不变控制系统。稳定性；时域特性。航空航天系统的 PID 控制器设计。频域特性、奈奎斯特和波特图及其在航空航天系统控制器设计中的应用。教科书：
人工智能与数据科学工程系 (1.3.2 基于项目的学习)
在我的指导下成功完成了题为“联系人管理系统”的项目，部分满足了 2023-2024 学年 Savitribai Phule Pune 大学人工智能与数据科学系工程二年级的要求。
计算机科学与工程系
HCL Technologies KAL-M 机器人和创新 Cybernaut Edu-Tech ST Microelectronics GeeplexTech Solutions Pvt Ltd Soil of Life KH Exports India Pvt Limited Solaiera (Solutions AI Era), 海得拉巴 谅解备忘录 出版物 学者信息 资助项目 应用论文 审阅活动 组织活动 参加活动 其他活动 ME(CSE) 入学指导 - 2024-2026 批次 NBA 认证 课程 R2024 SHAPE 2024 学生暑期实习 (SSI 2024) 学生成就 课外活动 第 60 届全国轮滑锦标赛 实习亮点 - 学年2023-2024 技术文章
博士后研究奖学金（PDF）位于IIT海得拉巴生物医学工程系的再生医学和干细胞（RMS）实验室。
邀请了IIT Hyderabad（IIT）与Osmania Medical College and Hospital合作的生物医学工程系ICMR赞助研究项目的研究科学家III职位的兴趣和积极的科学家。由于该项目是跨学科的，在该项目的任何一个或多个部分中都具有丰富的经验，例如主要的干细胞隔离，胰岛器官，转录组学和人类免疫学经验。申请人被申请具有良好的高端出版物记录，具有超过1年的phD后经验。
计算机科学与工程系
计算机科学与工程系致力于维持大学教学，研究生教学和研究的优质计划，以及教学与研究之间的富有成果的互动。在研究中，我们希望保持目前对应用的重视（通常与其他学科的同事追求），以及理论与最有意义的进步经常导致的理论和应用之间的协同关系。该部门已经确定了我们将寻求民族知名度的六个核心竞争力领域：人工智能，计算科学，以人为中心的计算，图形，系统和软件工程。这些核心能力支持生物信息学，高性能计算，计算机安全，计算机取证，计算机科学教育，人类机器人互动和可视化等领域的研究应用程序。计算机科学与工程系提供学位课程，为计算机科学，软件工程学学士学位，以及（与电气和计算机工程系共同）计算机工程和网络安全科学硕士。该部门还提供了为科学硕士和计算机科学哲学博士学位提供的研究。也可以使用加速的BS/MS程序。
北京绿色催化和分离的主要实验室，北京材料科学与工程学院化学工程系，北京U
芳香和脂肪液的分离是石化工业中最具挑战性的过程之一。这些分子表现出高度相似的物理和化学特征，使用常规方法提出了明显的挑战。蒸馏（用于工业分离的主要技术）依赖于反复的相变，并且特别是能源密集型的，用于分离复杂的混合物，例如芳香和脂肪族烃。在全球范围内，蒸馏和相关的分离过程近似于消耗10-15％的年能量，这是减少碳排放并推动可持续发展的主要障碍。1鉴于全球能源价格不断上升以及对更严格的环境法规的执行，人们对替代性，节能分离技术的需求不断增加，这可以减轻石化过程的环境足迹。
（Vishal Agarwal先生）BCA，MCA，博士学位（追求）助手...（Abhishek Dwivedi博士，博士）工程学院机械工程系助理教授，xvi-召集
10。工商管理学士业务分析2101903003 2100100759 Arifa Rizwan 9.4
结合机器学习算法以检测网络钓鱼网址：堆叠式方法H. Hamidi*，A。Sayah工业工程系，信息
随着数字技术的增长和互联网的越来越多，网络钓鱼攻击已成为最重要的安全威胁之一。这些攻击旨在访问敏感用户信息并造成财务和安全损失。准确，迅速检测到这些攻击已成为重大复杂性，已成为一个重大挑战。本文研究了用于检测网络钓鱼URL的机器学习模型的使用。对先前研究的综述表明，基本算法可以有效地检测这些攻击，但是它们具有局限性，例如处理复杂数据的能力较低。为提高准确性和性能，已经提出了混合算法结合多个模型以提高检测准确性。本研究中提出的模型是使用混合方法设计的，以解决基本算法的弱点并提高检测准确性。该混合模型利用极端的梯度提升和随机森林作为基本模型，并以逻辑回归为最终模型。该研究采用了标记的网络钓鱼和合法URL的数据集，其特征是从URL结构和行为中提取的特征来训练和评估模型。实验结果表明，与单独使用基本模型相比，所提出的杂种模型可以达到更高的精度和精度。该模型的应用可以有效地提高网络安全性并防止网络钓鱼攻击。