Couvre l'essentiel de la science des données, y compris le traitement, la visualisation et l'analyse des données, en mettant l'accent sur les compétences pratiques et l'engagement actif.
Couvre les principes fondamentaux de la science des données, l'évolution des méthodes scientifiques, le rôle d'un data scientist et l'importance des données en tant que nouveau pétrole.
Couvre les méthodes de recherche économique, les projets de groupe, les méthodes scientifiques et les défis liés à l'application des résultats de la recherche.
Introduit le cours d'analyse des données appliquées à l'EPFL, couvrant un large éventail de sujets d'analyse des données et mettant l'accent sur l'apprentissage continu en sciences des données.
Couvre les méthodes d'observation en sciences sociales, en mettant l'accent sur l'observation directe et indirecte, l'observation participante et l'ethnographie multi-située.
Explore la structure des rapports scientifiques et des expériences de titrage à base d'acide, en mettant l'accent sur l'enregistrement précis des données et une présentation claire.
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.
Explore l'importance de la reproductibilité dans la science des données et présente Renku, une plate-forme pour la gestion de projets axés sur les données.
Présente la structure du cours et les concepts fondamentaux de l'apprentissage automatique, y compris l'apprentissage supervisé et la régression linéaire.
Explore la fraude scientifique, l'intégrité de la recherche, des lignes directrices et des cas notables comme le scandale Schn, soulignant l'importance de maintenir l'honnêteté et le professionnalisme dans la recherche scientifique.
