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.
Présente la structure du cours et les concepts fondamentaux de l'apprentissage automatique, y compris l'apprentissage supervisé et la régression linéaire.
Discute des méthodes numériques, en se concentrant sur les critères d'arrêt, SciPy pour l'optimisation et la visualisation des données avec Matplotlib.
Introduit Renku, une plateforme pour la science collaborative des données, mettant l'accent sur la reproductibilité, la shareability, la réutilisabilité et la sécurité.
Introduit les bases de Numpy, une bibliothèque de calcul numérique en Python, couvrant les avantages, la disposition de la mémoire, les opérations et les fonctions d'algèbre linéaire.
Explore les fonctionnalités de contrôle de version distribuée de Git, en se concentrant sur la résolution des conflits et la gestion de la collaboration.
Explore la pertinence des styles dans l'interaction homme-ordinateur, la perception visuelle, la cognition, les tests d'utilisabilité, les jeux, la visualisation des données, l'accessibilité, la réalité étendue, et plus encore.
Discute des solutions pour l'alignement des activités et des technologies de l'information et de l'importance de mettre les activités à jour en fonction des modèles de TI.