Big Data et sciences sociales : la nécessité d’une grande théorie
Graph Chat
Chattez avec Graph Search
Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.
AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.
Explore les techniques de mesure mécanique dans les sciences de la vie, couvrant la microscopie, les pièges optiques, les pinces magnétiques et les billes déformables.
Explore les bases des changements chimiques dans la résonance magnétique nucléaire et leurs diverses applications dans divers composés et environnements.
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.
Explore les distinctions en humanités numériques, en se concentrant sur les ensembles de données culturelles et les implications de la taille des données.
Introduit des concepts fondamentaux d'apprentissage automatique, couvrant la régression, la classification, la réduction de dimensionnalité et des modèles générateurs profonds.
Explore les aspects sociologiques de la construction d'indicateurs économiques, en se concentrant sur le PIB en tant qu'étude de cas et en soulignant les implications politiques des quantifications.
Présentation d'Apache Spark, couvrant son architecture, ses RDD, ses transformations, ses actions, sa tolérance aux pannes, ses options de déploiement et ses exercices pratiques dans les blocs-notes Jupyter.
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.
Couvre les principes fondamentaux de la science des données, en mettant l'accent sur la profondeur et l'application pratique dans l'apprentissage automatique et l'analyse de données.
Présente le MUK sur la technologie, la transformation numérique et l'action humanitaire, en mettant l'accent sur l'utilisation responsable de la technologie dans le secteur humanitaire.
