Explore les techniques de visualisation scientifique et les applications pour comprendre les phénomènes physiques et communiquer efficacement les résultats.
Explore les différences de communication entre la musique et le langage, les modèles d'émotion et la façon dont les émotions peuvent être mesurées dans la musique.
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.
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 les techniques de visualisation des données, l'impact de la conception et les applications interactives pour une communication efficace de l'information.
Explore l'évaluation environnementale systémique, l'analyse nationale des flux de matériaux et le développement d'un tableau de bord du métabolisme urbain pour Zurich à l'aide de données ouvertes.
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.
Introduit Renku, une plateforme pour la science collaborative des données, mettant l'accent sur la reproductibilité, la shareability, la réutilisabilité et la sécurité.
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 l'importance et les défis des systèmes d'exploitation, leur omniprésence, leur impact sur les programmes et leur rôle d'illusionnistes et d'arbitres.
Explore les ondes dans des milieux inhomogènes, couvrant les conditions initiales et aux limites, la stabilité numérique, les modes propres et les principes de propagation.
Couvre PCA et LDA pour la réduction de dimensionnalité, expliquant la maximisation de la variance, les problèmes de vecteurs propres et les avantages de Kernel PCA pour les données non linéaires.
