Couvre les bases de l'apprentissage automatique pour les physiciens et les chimistes, en mettant l'accent sur la classification des images et l'étiquetage des ensembles de données.
Explore la composition, la mise en commun, la continuité, la dénigrement et les architectures CNN populaires pour la segmentation de l'image dans le traitement de l'image.
Couvre les réseaux neuronaux convolutifs, les architectures standard, les techniques de formation et les exemples contradictoires en apprentissage profond.
Couvre l'apprentissage non supervisé axé sur les méthodes de regroupement et les défis rencontrés dans les algorithmes de regroupement comme K-means et DBSCAN.
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 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.
