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.
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.
Explore les techniques de visualisation des données, l'impact de la conception et les applications interactives pour une communication efficace de l'information.
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.
Se concentre sur les fonctions avancées de pandas pour la manipulation, l'exploration et la visualisation des données avec Python, en soulignant l'importance de la compréhension et de la préparation des données.
Présente la structure du cours et les concepts fondamentaux de l'apprentissage automatique, y compris l'apprentissage supervisé et la régression linéaire.
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.
Explore les fonctions des Verts en mécanique des solides, en mettant l'accent sur la solution des forces ponctuelles et leur impact sur les champs de déplacement.
Présente une infrastructure de recherche numérique pour des projets de campus durables et une collaboration de recherche au sein de la communauté Smart Living Lab.
Discute dun petit modèle déconomie ouverte avec des coûts dajustement pour les obligations, couvrant les fonctions dutilité, les contraintes budgétaires et les solutions analytiques.
Explore l'importance de la courbe des rendements dans la prévision des tendances économiques et des récessions en fonction de la relation entre les rendements des bons du Trésor à court et à long terme.
Examine la généralisation des classificateurs ImageNet, les applications critiques pour la sécurité, le surajustement et la fiabilité des modèles d'apprentissage automatique.