Explore la transformée de Fourier, le filtrage de fréquence, la segmentation et l'estimation de la taille des particules à l'aide de techniques d'analyse d'images.
Couvre l'intelligence visuelle, les réseaux de rétroaction, la prédiction basée sur la taxonomie et les réseaux neuronaux récurrents pour la classification des images.
Plonge dans les fondements mathématiques et l'importance des indices directionnels dans le traitement de l'image, en explorant les défis informatiques et la sélectivité de l'orientation.
Introduit la transformation de Fourier à temps discret et son application à des systèmes LTI stables, couvrant les propriétés et la réponse de fréquence.
Introduit les bases de la science des données, couvrant les arbres de décision, les progrès de l'apprentissage automatique et l'apprentissage par renforcement profond.
Explore les propriétés de Discrete-Time Fourier Transform, y compris la linéarité, les décalages de temps et de fréquence, l'inversion du temps et la convolution.
Couvre les concepts clés de l'apprentissage par renforcement, des réseaux neuronaux, du clustering et de l'apprentissage non supervisé, en mettant l'accent sur leurs applications et leurs défis.
Couvre les bases des réseaux neuronaux convolutionnels, y compris l'optimisation de la formation, la structure des couches et les pièges potentiels des statistiques sommaires.