Introduit des bases de traitement d'image en Python, couvrant la manipulation, la conversion à l'échelle grise, la détection des bords et la convolution avec les noyaux.
S'inscrit dans le projet Time Machine de Lausanne, mettant l'accent sur l'histoire urbaine numérique et la création de cartes historiques interactives.
Explore les tests de bonté d'ajustement, les tests X2 et les tests d'indépendance dans les statistiques, avec des exemples pratiques et des applications.
Couvre les méthodes numériques pour résoudre les problèmes de valeurs limites en utilisant des méthodes de différence finie, de FFT et d'éléments finis.
Introduit des traces et des projections géométriques, définissant des plans et des lignes à travers leurs projections et explorant les positions relatives des lignes dans l'espace.
Introduit les bases du traitement d'image, couvrant les images vectoriels vs matrices, le système de couleurs RGB, l'échelle de gris, et les bibliothèques de manipulation d'image.
Explore l'analyse des systèmes de fermes non linéaires, couvrant les réponses de déplacement de force, les principes d'événement à événement et les algorithmes de solution.
Couvre les réseaux neuronaux convolutifs, les architectures standard, les techniques de formation et les exemples contradictoires en apprentissage profond.
Couvre les techniques de génération de rythme, y compris les modèles Markov et la génération de rythme hiérarchique, en mettant l'accent sur l'étude de Nancarrow 14.
Introduit des techniques de traitement d'image en Python, en se concentrant sur les opérations de manipulation et de convolution à l'aide de NumPy et Pillow.
Présente les éléments essentiels de LabVIEW pour les ingénieurs, couvrant les boucles, les structures, le flux de données, le traitement des erreurs, les grappes, les chaînes et la personnalisation des graphiques.