Discute des techniques avancées d'optimisation Spark pour gérer efficacement les Big Data, en se concentrant sur la parallélisation, les opérations de mélange et la gestion de la mémoire.
Introduit le cours d'analyse des données appliquées à l'EPFL, couvrant un large éventail de sujets d'analyse des données et mettant l'accent sur l'apprentissage continu en sciences des données.
Déplacez-vous dans l'intersection de la physique et des données dans les modèles d'apprentissage automatique, couvrant des sujets tels que les champs d'expansion des grappes atomiques et l'apprentissage non supervisé.
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 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.
Couvre la mise en œuvre et l'évaluation d'un projet pratique dans les algorithmes distribués, en mettant l'accent sur la construction de liens parfaits, la diffusion FIFO et la diffusion causale localisée.
Présente le modèle de programmation MapReduce pour l'informatique distribuée, en mettant l'accent sur sa vision et ses mécanismes de sous-développement.
Couvre un examen des examens passés sur les algorithmes distribués, en mettant l'accent sur des concepts clés tels que la résiliation de la diffusion fiable, le consensus et l'élection des dirigeants.
Explore la transmission causale et l'ordre total dans des algorithmes distribués, y compris des exercices sur la propriété d'ordre total et la transformation de consensus.
