Présente la programmation LabVIEW, couvrant la gestion de la mémoire, les types de données et les concepts de programmation parallèle, avec des démonstrations pratiques.
Couvre les types de données avancés et la gestion de la mémoire en programmation C, en mettant l'accent sur la cohérence des types et l'allocation dynamique des tableaux.
Couvre le concept d'échantillonnage, le théorème d'échantillonnage, la reconstruction du signal et la conversion des signaux analogiques en signaux numériques.
Explore le traitement du signal analogique et numérique, la conversion A / D et D / A, la résolution, le temps de règlement et les interfaces numériques dans les circuits électroniques.
Présente la structure du cours et les concepts fondamentaux de l'apprentissage automatique, y compris l'apprentissage supervisé et la régression linéaire.
Couvre la théorie des méthodes numériques pour l'estimation des fréquences sur les signaux déterministes, y compris la série et la transformation de Fourier, la transformation de Fourier discret et le théorème d'échantillonnage.
Discute des types avancés en C, y compris les types énumérés, les typesdefs et les structures, avec des exemples pratiques pour illustrer leur utilisation.
Explore les défis de l'informatique distribuée, de la croissance des données et des types de données, en mettant l'accent sur la bataille contre les trois V dans le Big Data.
Couvre l'échantillonnage des signaux analogiques, les techniques de modulation et la surveillance des diagrammes oculaires dans les systèmes de communication optiques.
Couvre les problèmes de surajustement, de sélection de modèle, de validation, de validation croisée, de régularisation, de régression du noyau et de représentation des données.
Couvre un examen des concepts d'apprentissage automatique, y compris l'apprentissage supervisé, la classification vs régression, les modèles linéaires, les fonctions du noyau, les machines vectorielles de soutien, la réduction de la dimensionnalité, les modèles génératifs profonds et la validation croisée.
Explore les arbres de décision pour la classification, l'entropie, le gain d'information, l'encodage à chaud, l'optimisation de l'hyperparamètre et les forêts aléatoires.
Introduit la Discretisation Temps-Fréquence pour le traitement des signaux numériques et couvre la qualité de l'approximation discrète et les propriétés principales de TFD.