Explore l'évolution de l'analyse des données à l'IA et au ML, en mettant l'accent sur les mégadonnées, l'apprentissage automatique et l'interaction avec les médias sociaux.
Examine les défis que posent les hypothèses de données, les biais et d'autres aspects de la recherche, y compris les écritures incomplètes et les frustrations des nouveaux arrivants.
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.
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.
Introduit des concepts clés en matière de droits de l'homme, explore la discrimination, les normes sociales et l'impact des algorithmes sur les droits.
Explore les défis et les points de vue de l'apprentissage profond, en mettant l'accent sur le paysage des pertes, la généralisation et l'apprentissage caractéristique.
Se penche sur les défis que pose l'équité dans les processus décisionnels algorithmiques, la lutte contre les préjugés et les injustices historiques dans les données.
Couvre la minimisation empirique des risques, l'apprentissage statistique et des exemples de prédiction du cancer, de prix des maisons et de génération d'images.
Étudie les défis liés à l'élaboration de systèmes normatifs de recommandations d'information et les considérations éthiques en matière d'IA, de journalisme et de diversité.
Couvre les principes fondamentaux de l'apprentissage profond, y compris les données, l'architecture et les considérations éthiques dans le déploiement de modèles.
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.
