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.
Explore le calcul parallèle dans CFD, en mettant l'accent sur sa mise en œuvre dans Fluent et les techniques de visualisation pour l'interprétation des données scientifiques.
Couvre les techniques de réduction de dimensionnalité telles que PCA et LDA, les méthodes de clustering, l'estimation de la densité et la représentation des données.
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.
Explore les techniques de visualisation des données, l'impact de la conception et les applications interactives pour une communication efficace de l'information.
Présente la structure du cours et les concepts fondamentaux de l'apprentissage automatique, y compris l'apprentissage supervisé et la régression linéaire.
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.
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.
Discuter de la stratégie de l'EPFL en matière de SI, des réalisations, des défis et de la transition vers une organisation axée sur le service pour répondre aux besoins en TI croissants.
Couvre la tâche d'analyse des données du NABEL, en mettant l'accent sur les compétences en analyse des données et le formatage des rapports pour les concentrations de pollution atmosphérique et la météorologie.
Couvre la régression linéaire et logistique pour les tâches de régression et de classification, en mettant l'accent sur les fonctions de perte et la formation de modèle.