Déplacez-vous dans l'intersection de la physique et des données dans les modèles d'apprentissage automatique, couvrant des sujets tels que les champs d'expansion des grappes atomiques et l'apprentissage non supervisé.
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 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.
Explore les méthodes d'estimation du spectre paramétrique, y compris les spectres linéaires et lisses, et se penche sur l'analyse de la variabilité de la fréquence cardiaque.
Explore les comptes de flux de matériaux à l'échelle de l'économie, en analysant les flux de matériaux dans une économie et leurs implications environnementales.
Explore des algorithmes de diffusion fiables, en se concentrant sur l'ordre causal et la fiabilité uniforme, avec des exercices sur les propriétés des détecteurs de défaillance et l'optimisation de la mémoire.
