Couvre les bases du traitement du signal, y compris la fonction de covariance automatique, la densité spectrale de puissance et la conception du filtre.
Explore la corrélation croisée, la convolution, l'approximation des signaux, les fonctions orthonormées et le théorème d'approximation orthogonale dans les signaux et les systèmes.
Couvre la modélisation de la dépendance temporelle dans les séries chronologiques, y compris la tendance, les composantes périodiques, la régression, la stationnarité, l'autocorrélation et les essais d'indépendance.
Explore l'estimation du maximum de vraisemblance dans les modèles linéaires, couvrant le bruit gaussien, l'estimation de la covariance et les machines vectorielles de support pour les problèmes de classification.
Explore l'augmentation des données en tant que méthode de régularisation clé dans l'apprentissage en profondeur, couvrant des techniques telles que les traductions, les rotations et le transfert de style artistique.
Explore des expériences numériques pour l'estimation de fréquence des signaux aléatoires, y compris le bruit de tir, le mouvement brownien et les signaux harmoniques dans le bruit.
Explore la prédiction linéaire, les coefficients de prédiction, la minimisation de l'erreur quadratique moyenne et l'algorithme de Levinson-Durbin dans le traitement du signal.
