Introduit les principes fondamentaux du traitement des données, soulignant l'importance des Pandas et de la modélisation des données pour une analyse efficace.
Examine les défis que posent les hypothèses de données, les biais et d'autres aspects de la recherche, y compris les écritures incomplètes et les frustrations des nouveaux arrivants.
Couvre la régression linéaire et logistique pour les tâches de régression et de classification, en mettant l'accent sur les fonctions de perte et la formation de modèle.
Se penche sur la physialisation des données, l'expressivité, la visualisation féministe et l'équilibre entre l'exploration et l'explication de la visualisation des données.
Discute de l'importance de la collecte de données et de la préparation à la classification, y compris les défis d'étiquetage et les méthodes de crowdsourcing.
Se penche sur l'impact de l'apprentissage automatique sur la vie privée, en discutant des attaques, des vulnérabilités et des considérations éthiques dans l'utilisation des données.
Couvre l'interprétation probabiliste de la régression logistique, la régression multinomiale, le KNN, les hyperparamètres et la malédiction de la dimensionnalité.
Explore l'évaluation environnementale systémique, l'analyse nationale des flux de matériaux et le développement d'un tableau de bord du métabolisme urbain pour Zurich à l'aide de données ouvertes.
Discute des principes de la télédétection, en se concentrant sur les interactions entre le rayonnement électromagnétique et la surface et l'atmosphère de la Terre.