Couvre les bases de l'apprentissage automatique pour les physiciens et les chimistes, en mettant l'accent sur la classification des images et l'étiquetage des ensembles de données.
Explore le traitement d'images en 2D et 3D, couvrant les conditions d'imagerie idéales, l'analyse d'histogrammes, les outils, les étapes de reconstruction 3D et la visualisation.
Explore les techniques de segmentation dans l'analyse d'images, y compris le seuillage, le clustering, la croissance régionale et l'apprentissage automatique.
Couvre la définition des mesures, la gestion des résultats, l'utilisation des fonctions de langage macro, l'obtention de statistiques et l'enregistrement des résultats sous forme de fichiers CSV.
Discute de l'analyse de l'intensité et de la localisation dans les images avec des canaux fluorescents pour les changements d'expression des protéines.
Explore des systèmes d'images basés sur des concepts, basés sur des entités et basés sur des connexions en perspective, en mettant l'accent sur l'analyse des relations graphiques et visuelles entre les images.
Explore le projet de Valérie sur l'automatisation des statistiques de surface à l'aide d'algorithmes d'apprentissage en profondeur et d'images aériennes.
Se penche sur le choix d'une taille de caractéristique appropriée pour l'analyse d'images dans les sciences de la vie, présentant une règle de pouce pour définir la taille de l'objet en pixels.
Il s'agit de numériser les documents historiques, de normaliser la structure des documents et d'appliquer les réseaux neuraux à la reconnaissance du texte et à la segmentation de l'image.
