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.
Se penche sur le développement historique de la psychologie de l'environnement, l'émergence d'attitudes favorables à l'environnement et l'étude de la dynamique humaine-environnement.
Déplacez-vous dans le « virage numérique » de l'histoire, en examinant la recherche historique à l'aide de journaux numérisés et en explorant la réutilisation du texte, l'intégration des mots et la visualisation des données.
Fournit une vue d'ensemble des concepts d'apprentissage profond, en se concentrant sur les données, l'architecture du modèle et les défis liés à la gestion de grands ensembles de données.
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.
Introduit LabVIEW pour le traitement et la visualisation des données, couvrant des sujets tels que la synchronisation des formes d'onde et les tables de recherche couleur.
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.
Explore les motivations des check-ins, les modèles de mobilité humaine et les biais dans les données de mobilité des réseaux sociaux basés sur la localisation.
Explore les comptes de flux de matériaux à l'échelle de l'économie, en analysant les flux de matériaux dans une économie et leurs implications environnementales.
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.