Contient les CNN, les RNN, les SVM et les méthodes d'apprentissage supervisé, soulignant l'importance d'harmoniser la régularisation et de prendre des décisions éclairées dans le domaine de l'apprentissage automatique.
Explore la perception dans l'apprentissage profond pour les véhicules autonomes, couvrant la classification d'image, les méthodes d'optimisation, et le rôle de la représentation dans l'apprentissage automatique.
Explore les bases du fonctionnement laser, le bruit de tir et les caractéristiques sonores des photodétecteurs, soulignant l'importance du rapport signal-bruit dans la détection des signaux.
Explore le surajustement dans la régression polynomiale, en soulignant l'importance de la généralisation dans l'apprentissage automatique et les statistiques.
Explore l'imagerie adaptée à la physique pour les caméras sans objectif et la vidéographie basse lumière, y compris le développement de modèles de bruit et les techniques de dénigrement.
Couvre les sources de bruit dans les caméras CCD, en se concentrant sur le bruit de réinitialisation, le bruit de lecture et les méthodes de suppression du bruit comme le double échantillonnage corrélé.
Introduit les bases de l'apprentissage supervisé, en mettant l'accent sur la régression logistique, la classification linéaire et la maximisation de la probabilité.
Introduit des fondamentaux d'apprentissage profond, couvrant les représentations de données, les réseaux neuronaux et les réseaux neuronaux convolutionnels.
Couvre les bases du traitement d'images pour la microscopie, y compris l'acquisition, la correction des défauts, l'amélioration des images et l'extraction d'informations.
Couvre l'analyse du bruit physique dans les photodétecteurs à grande vitesse, en se concentrant sur les rapports signal/bruit et diverses sources de bruit affectant les performances.
Explore le bruit dans l'électronique, couvrant la puissance moyenne, le rapport signal/bruit, les signaux déterministes et aléatoires et l'amplification du bruit.
