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.
Couvre les réseaux neuronaux convolutifs, les architectures standard, les techniques de formation et les exemples contradictoires en apprentissage profond.
Couvre le redécoupage, une méthode pour convertir des ensembles de données 3D en images 2D en extrayant des valeurs d'intensité le long d'une ligne, et ses applications dans l'analyse des objets en mouvement et des relations spatiales.
Explore l'infrastructure HPC du projet «Blue Brain», y compris le raffinement des neurones à compartiments multiples et le traitement des données à grande échelle.
Souligne la reproductibilité et la réutilisabilité des données dans les neurosciences silico, en mettant l'accent sur les outils et les méthodes de neuroinformatique.
Explore les outils de gestion et d'analyse des mégadonnées dans le Projet Cerveau Humain, en mettant l'accent sur les défis en connectomique et en navigation cérébrale 3D.
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.
Explore les chemins, la diffusion et la navigation dans les réseaux du cerveau, y compris des sujets comme l'algorithme de Dijkstra et l'efficacité du réseau.
Par Meenakshi Khosla explore la modélisation basée sur les données dans les neurosciences naturalistes à grande échelle, en mettant l'accent sur la représentation de l'activité cérébrale et les modèles de calcul.
Présente la structure du cours et les concepts fondamentaux de l'apprentissage automatique, y compris l'apprentissage supervisé et la régression linéaire.