S'inscrit dans le projet Time Machine de Lausanne, mettant l'accent sur l'histoire urbaine numérique et la création de cartes historiques interactives.
Introduit Jupyter Notebook pour composer des programmes interactifs avec du code en direct et du texte narratif, couvrant l'installation, les cellules de code, le texte Markdown, les widgets et la gestion du noyau.
Couvre l'analyse de données intrajournalières, les études systématiques, le débogage, le calcul multicœur, la programmation GPU et le calcul de corrélation avec les GPU.
Explore la gestion des fichiers et les exceptions dans la programmation Python, couvrant la lecture, l'écriture et les stratégies de gestion des erreurs.
Explore les types booléens, les opérateurs logiques et les structures de contrôle en Python, en mettant l'accent sur l'évaluation des expressions et l'utilisation des opérateurs relationnels.
Couvre les outils de science des données, Hadoop, Spark, les écosystèmes des lacs de données, le théorème CAP, le traitement par lots vs. flux, HDFS, Hive, Parquet, ORC, et l'architecture MapReduce.
Explore l'utilisation d'interconnexions rapides pour le co-traitement évolutif avec les GPU dans les bases de données, soulignant l'importance de surmonter le goulot d'étranglement du transfert et de réévaluer les hypothèses d'amélioration des performances.
Explore l'architecture des GPU, la programmation CUDA, le traitement d'image et leur importance dans l'informatique moderne, en mettant l'accent sur le démarrage précoce et l'exactitude de la programmation GPU.
