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.
Explore la gestion des fichiers et les exceptions dans la programmation Python, couvrant la lecture, l'écriture et les stratégies de gestion des erreurs.
Introduit des fonctions en Python, couvrant les fonctions prédéfinies et définies par l'utilisateur, les paramètres formels et efficaces, et l'importance des docstrings.
S'inscrit dans le projet Time Machine de Lausanne, mettant l'accent sur l'histoire urbaine numérique et la création de cartes historiques interactives.
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.
Explore les caractéristiques de la turbulence, les méthodes de simulation et les défis de modélisation, fournissant des lignes directrices pour le choix et la validation des modèles de turbulence.
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.
Couvre les exercices d'objet Python et les questions de syntaxe de base, y compris les classes, les dictionnaires, les opérations de fichiers et les fonctions.
