Couvre la représentation des données à l'aide de PCA pour la réduction de la dimensionnalité, en se concentrant sur la préservation du signal et l'élimination du bruit.
Introduit des modèles linéaires pour l'apprentissage supervisé, couvrant le suréquipement, la régularisation et les noyaux, avec des applications dans les tâches d'apprentissage automatique.
Explore les techniques d'apprentissage non supervisées pour réduire les dimensions des données, en mettant l'accent sur l'APC, l'ADL et l'APC du noyau.
Couvre les principes fondamentaux de la diffraction électronique et ses applications dans la compréhension des structures cristallines et de la symétrie, y compris les vecteurs de réseau, les plans de réseau et les techniques d'imagerie en champ sombre.
Explore la diffusion de faisceaux multiples dans la diffraction des électrons, en se concentrant sur les modèles de diffraction de l'axe de zone et les approches théoriques.
Couvre les bases de la diffraction électronique, de la théorie de la diffraction, de la formation d'images et des techniques de diffraction des rayons X.
Explore Fourier et Laplace se transforment en science des matériaux, en mettant l'accent sur l'interaction lumière-matière, les motifs de diffraction et les propriétés cristallines.
