Se penche sur l'évolution de George Legrady en matière de visualisation des données de 1975 à 2009, explorant la classification et la traduction en expériences visuelles.
Explore l'utilisation d'extensions visuelles, telles que la réalité virtuelle et la réalité augmentée, pour améliorer l'efficacité et la communication sur le lieu de travail.
Explore l'analyse des mesures de température quotidiennes à l'aide de techniques de traitement du signal, présentant le calcul des moyennes mobiles et révélant les tendances à long terme.
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.
Introduit le cours d'analyse des données appliquées à l'EPFL, couvrant un large éventail de sujets d'analyse des données et mettant l'accent sur l'apprentissage continu en sciences des données.
Couvre l'analyse en composantes principales pour la réduction dimensionnelle des données biologiques, en se concentrant sur la visualisation et l'identification des modèles.
Présente des cahiers Jupyter pour l'enseignement des sciences, mettant l'accent sur la visualisation des angles et des forces dans les problèmes de physique.
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 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.
Discute des techniques de visualisation des données, en mettant l'accent sur leurs applications et leurs principes pour une communication efficace d'informations complexes.
Couvre l'analyse des données sur la pollution atmosphérique, en se concentrant sur les bases de R, en visualisant des séries chronologiques et en créant des résumés des concentrations de polluants.
Présente la structure du cours et les concepts fondamentaux de l'apprentissage automatique, y compris l'apprentissage supervisé et la régression linéaire.
