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.
Introduit des outils collaboratifs de science des données comme Git et Docker, en mettant l'accent sur le travail d'équipe et les exercices pratiques pour un apprentissage efficace.
Couvre les champs d'application, les lambdas et les pandas en science des données avec Python, y compris les déclarations imbriquées, la détermination de la portée, les affectations et la manipulation des pandas.
Couvre une mission de travail sur les données de querelle et d'analyse à l'aide de la bibliothèque de pandas de Python pour les ensembles de données du monde réel.
Présente des cahiers Jupyter pour l'enseignement des sciences, mettant l'accent sur la visualisation des angles et des forces dans les problèmes de physique.
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.
Explore l'utilisation d'extensions visuelles, telles que la réalité virtuelle et la réalité augmentée, pour améliorer l'efficacité et la communication sur le lieu de travail.
Explore l'approche structurée de l'analyse exploratoire des données spatiales, en soulignant l'importance des cadres analytiques et du mantra de recherche visuelle.
Couvre les meilleures pratiques et les lignes directrices pour les mégadonnées, y compris les lacs de données, l'architecture, les défis et les technologies comme Hadoop et Hive.
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 un cours sur la modélisation et l'optimisation des systèmes énergétiques, en soulignant l'importance d'une prise de décision éclairée et d'un travail d'équipe pour relever les défis énergétiques.
