Introduit des concepts d'apprentissage automatique appliqués tels que la collecte de données, l'ingénierie des caractéristiques, la sélection des modèles et les mesures d'évaluation du rendement.
Introduit les bases de l'apprentissage automatique, y compris la collecte de données, l'évaluation des modèles et la normalisation des fonctionnalités.
Explore la collecte de données, la sélection des caractéristiques, la construction de modèles et l'évaluation des performances dans l'apprentissage automatique, en mettant l'accent sur l'ingénierie des caractéristiques et la sélection des modèles.
Couvre la méthodologie de recherche, y compris la production de revues, l'anthropologie, l'ethnographie, les méthodes d'enquête et les études numériques.
Étudier la mesure et l'opérationnalisation des résultats dans la gestion de la fièvre chez les enfants de moins de cinq ans au moyen d'exemples et d'approches de collecte de données.
Introduit Google Analytics 4 et des guides sur la configuration pour les sites WordPress, mettant l'accent sur les différences clés et le suivi des événements.
Explore la régression logistique pour prédire les proportions de la végétation dans la région amazonienne grâce à l'analyse des données de télédétection.
Introduit un cours sur l'apprentissage automatique des données comportementales à l'EPFL, couvrant les algorithmes ML, le traitement des données et l'évaluation des modèles.
Explore l'importance de l'analyse comparative entre les sexes dans la recherche de mise en oeuvre sur les maladies de la pauvreté, en mettant l'accent sur les objectifs transformatifs et l'inclusivité.
Explore l'évaluation environnementale systémique, l'analyse nationale des flux de matériaux et le développement d'un tableau de bord du métabolisme urbain pour Zurich à l'aide de données ouvertes.
Fournit une vue d'ensemble des concepts d'apprentissage profond, en se concentrant sur les données, l'architecture du modèle et les défis liés à la gestion de grands ensembles de données.
Examine les défis que posent les hypothèses de données, les biais et d'autres aspects de la recherche, y compris les écritures incomplètes et les frustrations des nouveaux arrivants.
Explore la méthodologie MODNet pour les prévisions des biens matériels, en mettant l'accent sur la sélection des caractéristiques et l'apprentissage supervisé.
Se penche sur l'impact de l'apprentissage automatique sur la vie privée, en discutant des attaques, des vulnérabilités et des considérations éthiques dans l'utilisation des données.
Plongez dans l'importance des fonctionnalités, de l'évolution des modèles, des défis d'étiquetage et de la sélection des modèles dans l'apprentissage automatique.
Discute des techniques d'imagerie, en se concentrant sur les distorsions géométriques et radiométriques dans la photographie aérienne et leurs implications pour l'interprétation des données.
