Introduit un cours sur l'apprentissage automatique des données comportementales à l'EPFL, couvrant les algorithmes ML, le traitement des données et l'évaluation des modèles.
Couvre l'essentiel de la science des données, y compris le traitement, la visualisation et l'analyse des données, en mettant l'accent sur les compétences pratiques et l'engagement actif.
Offre une introduction complète à la science des données, couvrant Python, Numpy, Pandas, Matplotlib et Scikit-learn, en mettant l'accent sur les exercices pratiques et le travail collaboratif.
Couvre les concepts d'interfaces Comparable et Comparator en Java, en expliquant comment les classes implémentent ces interfaces pour permettre la comparaison d'objets.
Explore l'impact de la configuration spatiale sur l'enseignement des interactions dans les salles de classe, l'analyse de la disposition des sièges et des mouvements des enseignants.
Présente une description de projet pour la construction de chatbots éducatifs à l'aide de modèles de type ChatGPT, décrivant les étapes, les politiques et le partage de données à des fins de recherche.
Introduit des concepts d'apprentissage automatique appliqués tels que la collecte de données, l'ingénierie des caractéristiques, la sélection des modèles et les mesures d'évaluation du rendement.
Explore les arbres de décision pour la classification, l'entropie, le gain d'information, l'encodage à chaud, l'optimisation de l'hyperparamètre et les forêts aléatoires.
Explore les défis de santé mondiale en médecine régénérative et en éthique, en guidant les étudiants sur le développement de projets et l'évaluation critique.
Explore l'approche systématique de la gestion de projet, y compris les outils de diagnostic, les projets de haute technologie et l'analyse économique pour la rentabilité.
Explore la fiabilité dans l'automatisation industrielle, couvrant la fiabilité, la sécurité, les caractéristiques des pannes et des exemples de sources de défaillance dans diverses industries.
Explore les fondamentaux de la régression linéaire, la formation des modèles, l'évaluation et les mesures du rendement, en soulignant l'importance de la R2, du MSE et de l'EAM.
