Couvre les principes et les techniques de visualisation des données, en mettant l'accent sur la narration, la détection d'anomalies et la communication efficace des résultats.
Présente la structure du cours et les concepts fondamentaux de l'apprentissage automatique, y compris l'apprentissage supervisé et la régression linéaire.
Couvre la tâche d'analyse des données du NABEL, en mettant l'accent sur les compétences en analyse des données et le formatage des rapports pour les concentrations de pollution atmosphérique et la météorologie.
Couvre les principes fondamentaux de la science des données, en mettant l'accent sur la profondeur et l'application pratique dans l'apprentissage automatique et l'analyse de données.
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.
Se penche sur l'application de l'apprentissage automatique à l'amélioration de la documentation relative aux droits de l'homme et aux activités de plaidoyer à l'intention d'organisations telles que HURIDOCS.
Introduit les bases de l'apprentissage automatique, couvrant l'apprentissage supervisé et non supervisé, la régression linéaire et la compréhension des données.
S'inscrit dans les fondamentaux du journalisme de données et met en valeur son impact à travers des exemples du monde réel de The Pudding et The Guardian.
