Cette séance de cours couvre l'analyse d'un ensemble de données sur les voitures, y compris la lecture des données d'un fichier, la définition d'une classe de données pour les voitures et l'extraction d'informations pertinentes telles que la marque, le modèle, les cylindres, le poids et l'origine. L'instructeur montre comment traiter l'ensemble de données et imprimer les détails de la voiture.
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.
Graph Chatbot
Chattez avec Graph Search
Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.
AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.
Ut culpa magna elit aliqua minim nostrud enim elit laborum duis sunt excepteur est. Veniam duis consectetur velit est excepteur reprehenderit commodo enim sint consectetur. Exercitation aute occaecat consectetur Lorem culpa irure laboris. Pariatur tempor exercitation id irure officia culpa. Sit sunt do enim labore id excepteur non est consequat quis qui.
Ut qui minim Lorem ipsum. Ut nulla in ex cupidatat velit pariatur laborum. Do cillum velit culpa ut excepteur occaecat ullamco deserunt adipisicing non laborum culpa. Commodo ut anim ad sit eu ut incididunt do velit laboris. Labore ea quis magna sunt nulla tempor.
Non consectetur officia in occaecat ullamco adipisicing. Culpa do enim et non excepteur. Do aute enim aliquip elit aliquip. Laboris do ad elit laborum magna ex aliquip reprehenderit tempor occaecat tempor duis laboris ipsum. Dolor et incididunt dolor id sunt et nulla. Qui veniam Lorem magna proident dolore magna commodo quis culpa consequat do laboris. Aute aute ea sunt aliquip ex ut ex aliqua mollit.
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.
Couvre les outils de science des données, Hadoop, Spark, les écosystèmes des lacs de données, le théorème CAP, le traitement par lots vs. flux, HDFS, Hive, Parquet, ORC, et l'architecture MapReduce.
Couvre les techniques de manipulation des données à l'aide de Hadoop, en se concentrant sur les bases de données axées sur les lignes et les colonnes, les formats de stockage populaires et l'intégration HBase-Hive.
Couvre les cadres de données Spark, les collections distribuées de données organisées en colonnes nommées, et les avantages de les utiliser sur les DDR.