Explore des exemples contradictoires, des défenses et une robustesse certifiée dans l'apprentissage profond, y compris le lissage gaussien et les attaques perceptuelles.
Couvre l'inférence statistique, l'apprentissage automatique, les SVM pour la classification des pourriels, le prétraitement des courriels et l'extraction des fonctionnalités.
Explore les relations d'incertitude, l'impulsion gaussienne, la densité de pseudo-probabilité et les fonctions de Gabor dans les signaux et les systèmes.
Introduit les bases de la détection de bord, y compris la mesure du contraste, les images de gradient, l'interprétation de Fourier, les fonctions gaussiennes, le détecteur de bord Canny et les applications industrielles.
Explore l'apprentissage de la fonction du noyau en optimisation convexe, en se concentrant sur la prédiction des sorties à l'aide d'un classificateur linéaire et en sélectionnant les fonctions optimales du noyau par validation croisée.
Explore les concepts de vision stéréoscopique tels que les occlusions, l'impact de la taille de la fenêtre, la stéréo multivue, la reconstruction dynamique de la forme et la segmentation basée sur des graphiques.
Explore l'estimation spectrale des signaux gaussiens et binaires dans le problème d'estimation matricielle, en analysant l'impact du rapport signal-bruit.
Explore les méthodes du noyau pour les surfaces de séparation non linéaires à l'aide de noyaux polynômes et gaussiens dans les algorithmes Perceptron et SVM.
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 les principes de modularité et d'abstraction dans la conception de systèmes informatiques, en mettant l'accent sur leur rôle dans la simplification de systèmes complexes et l'amélioration de l'évolutivité.
Discute de l'estimation maximale de la probabilité pour la moyenne et la variance gaussiennes, explorant l'estimation des paramètres dans une distribution gaussienne.
Explore les techniques de filtrage d'images, y compris les filtres linéaires et non linéaires, pour l'élimination des artefacts et l'amélioration des fonctionnalités.
Explore les noyaux pour simplifier la représentation des données et la rendre linéairement séparable dans les espaces de fonctionnalités, y compris les fonctions populaires et les exercices pratiques.
