Introduit les bases de la science des données, couvrant les arbres de décision, les progrès de l'apprentissage automatique et l'apprentissage par renforcement profond.
Explore la correspondance en ligne dans des environnements en évolution, en abordant les défis et les solutions pour adapter les algorithmes à l'évolution des données.
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.
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.
Explore le compromis entre le biais et la variation dans l'apprentissage automatique, en mettant l'accent sur l'équilibre entre le biais et la variance dans les prédictions du modèle.
Couvre les projets d'histoire numérique, les relations sociales dans la recherche, les défis de prétraitement des données et les outils d'analyse de réseau.