Introduit la modélisation fondée sur les données en mettant l'accent sur la régression, couvrant la régression linéaire, les risques de raisonnement inductif, l'APC et la régression des crêtes.
Couvre PCA et LDA pour la réduction de dimensionnalité, expliquant la maximisation de la variance, les problèmes de vecteurs propres et les avantages de Kernel PCA pour les données non linéaires.
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.
Explore le rapport signal sur bruit, le filtrage des signaux bruités et la densité spectrale de puissance pour la réduction du bruit dans le traitement du signal.
Explore la moyenne de voisinage, le lissage gaussien, le filtrage médian, l'amélioration du contraste et la détection des bords dans le traitement d'image.
Explore la technique de stabilisation Chopper (CHS) dans la conception de circuits intégrés analogiques, en se concentrant sur la réduction du bruit et la minimisation des décalages.
Introduit des réseaux de neurones artificiels et explore diverses techniques de réduction de la dimensionnalité telles que PCA, LDA, Kernel PCA et t-SNE.
Explore le cluster spectral, la décomposition des valeurs propres, les matrices laplaciennes et l'identification des clusters au moyen de projections de vecteurs propres.