Explore les processus cognitifs dans l'analyse des données, en mettant l'accent sur la pensée visuelle et la simplification pour extraire des informations à partir de données.
Couvre l'utilisation pratique de QGIS pour l'analyse et la visualisation des données spatiales, y compris le géoréférencement des cartes historiques et la manipulation des données vectorielles.
Plonge dans les relations entre les troubles de l’humeur, la performance cognitive et la plasticité du cerveau en milieu urbain, en utilisant les données de cohortes médicales.
Explore les modèles de régression spatiale, abordant les défis d'autocorrélation spatiale et le concept de modèles de décalage spatial pour corriger les biais et améliorer la précision de l'inférence.
Explore la morphologie urbaine, les systèmes urbains auto-organisés, les défis à relever pour réaliser le concept (urban) Digital Twin, les contributions d'analyse spatiale du LASIG et l'enseignement de la géomatique.
Explore les enquêtes spatiales de John Snow sur les épidémies de choléra, remettant en question les croyances dominantes et révolutionnant l'épidémiologie.
Couvre la cartographie statistique thématique, les types de cartes thématiques et les méthodes de discrétisation pour représenter et classer les caractéristiques des ensembles de données.
Couvre les interactions entre les couches de données raster et vectorielles dans les SIG, y compris l'extraction d'informations à des points spécifiques et le calcul des statistiques dans les zones de polygone.
Couvre les principes fondamentaux de la science des données, en mettant l'accent sur la profondeur et l'application pratique dans l'apprentissage automatique et l'analyse de données.
Couvre les champs d'application, les lambdas et les pandas en science des données avec Python, y compris les déclarations imbriquées, la détermination de la portée, les affectations et la manipulation des pandas.
Couvre les interactions entre les couches vectorielles dans le SIG, y compris les propriétés géométriques, l'arrangement spatial, l'autocorrélation, les modèles d'altitude et les équivalents SQL.
Couvre l'apprentissage non supervisé, en mettant l'accent sur la réduction de la dimensionnalité et le regroupement, en expliquant comment il aide à trouver des modèles dans les données sans étiquettes.
