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 les modules Python, la hiérarchie des programmes, l'importation de modules et les espaces de noms, y compris les variables et les champs d'application dans les fonctions.
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.
Couvre les politiques de planification du processeur, y compris FIFO, SJF et Round Robin, en soulignant leur impact sur les délais de traitement et de réponse.
Explore la coordination et la programmation dans les systèmes d'exploitation, couvrant les problèmes de réveil perdus, les algorithmes de planification et les primitives de coordination comme le sommeil et le réveil.
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.
Plonge dans la construction de systèmes efficaces et critiques pour la sécurité, en soulignant l'importance des pires délais d'exécution et les défis de l'intégration des considérations d'efficacité dans les processus de conception.
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.
