Explore les techniques de réduction du bruit dans les systèmes électriques, couvrant des concepts tels que la transformée de Fourier, l'adaptation d'impédance et le tramage.
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.
Présente un projet de groupe sur l'étude d'impact environnemental, couvrant des sujets tels que la protection contre le bruit, la gestion des déchets et la préservation de la nature.
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.
