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.
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.
Explore la gestion des fichiers et les exceptions dans la programmation Python, couvrant la lecture, l'écriture et les stratégies de gestion des erreurs.
Couvre les bases de la programmation Python, en se concentrant sur les structures de contrôle de flux, le mode interactif, le mode script et les variables.
S'inscrit dans le projet Time Machine de Lausanne, mettant l'accent sur l'histoire urbaine numérique et la création de cartes historiques interactives.
Déplacez-vous dans les techniques avancées d'optimisation Spark, en mettant l'accent sur la partition des données, les opérations de shuffle et la gestion de la mémoire.
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 bases de l'analyse numérique et des méthodes de calcul utilisant Python, en se concentrant sur les algorithmes et les applications pratiques en mathématiques.
Couvre l'environnement informatique pour les exercices de dynamique moléculaire et de Monte Carlo, en mettant l'accent sur la compréhension théorique plutôt que sur les compétences de codage.
Se concentre sur les fonctions avancées de pandas pour la manipulation, l'exploration et la visualisation des données avec Python, en soulignant l'importance de la compréhension et de la préparation des données.
Couvre les techniques de génération de rythme, y compris les modèles Markov et la génération de rythme hiérarchique, en mettant l'accent sur l'étude de Nancarrow 14.
