Explore l'approche structurée de l'analyse exploratoire des données spatiales, en soulignant l'importance des cadres analytiques et du mantra de recherche visuelle.
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 la régression logistique pour prédire les proportions de la végétation dans la région amazonienne grâce à l'analyse des données de télédétection.
Introduit des algorithmes ML non linéaires, couvrant le voisin le plus proche, k-NN, ajustement des courbes polynômes, complexité du modèle, surajustement, et régularisation.
Explore les processus cognitifs dans l'analyse des données, en mettant l'accent sur la pensée visuelle et la simplification pour extraire des informations à partir de données.
Introduit la régression géographiquement pondérée, une approche spatialement explicite pour mesurer les relations entre les variables avec des résultats spécifiques à l'emplacement.
Explore la morphologie urbaine, les systèmes urbains auto-organisés, les défis à relever pour réaliser le concept (urban) Digital Twin, les contributions d'analyse spatiale du LASIG et l'enseignement de la géomatique.
Introduit une analyse exploratoire des données en santé environnementale, couvrant sa définition, ses techniques et ses applications dans l'analyse des données géoréférencées sur la santé.
Découvrez comment les bactéries intestinales influencent l’humeur, le poids et la gestion du stress grâce à une communication bidirectionnelle avec le cerveau.
Par le Prof. François Golay explore les SIG, la morphologie urbaine, les défis des Twins numériques, l'analyse basée sur les données et les contributions du LASIG.
Couvre l'analyse des composantes principales pour la réduction de dimensionnalité, en explorant ses applications, ses limites et l'importance de choisir les composantes appropriées.
Couvre la régression linéaire et logistique pour les tâches de régression et de classification, en mettant l'accent sur les fonctions de perte et la formation de modèle.
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.
Explore les fondamentaux de la régression linéaire, la formation des modèles, l'évaluation et les mesures du rendement, en soulignant l'importance de la R2, du MSE et de l'EAM.
