Copy
LinkedIn
Website
Email
Les mooc ont bien des atouts même s’ils ne sont pas la panacée. En sciences des données, ce nouveau mode de diffusion de la connaissance est adapté aux besoins des étudiants, à la formation continue voire à la culture générale de tout un chacun. L’offre n’a pas fini d’évoluer et c’est tant mieux.

Mooc ? Avec cette drôle d’orthographe qui fait hésiter dans la prononciation française, les mooc (Massive on-line open courses, prononcer « mouc ») ont déferlé sur la Toile à partir de 2012 après une bonne dizaine d’années de gestation dans les universités américaines, MIT (Massachusetts Institute of Technology) en tête.

Ces cours en ligne ouverts à tous, en général gratuits, étaient d’abord destinés aux étudiants. S’ils restent bel et bien les principaux utilisateurs, le public concerné s’élargit sans cesse avec une offre accrue, dans tous les domaines, y compris en sciences de données.
 
Localisation plus rapide des fuites, meilleure détection des pollutions, facturation au plus juste… Autant de progrès attendus de la science des données appliquée aux réseaux d’eau potable.

Le secteur de l’eau potable génère un flot incessant de données. Sur les réseaux tout d’abord, on assiste à la multiplication de capteurs de données sur la qualité de l’eau : nombre de bactéries, concentration de chlore, pH, potentiel redox, matière organique dissoute, turbidité…
1934 : Une vision prémonitoire d’internet
De quoi lire de chez soi des livres exposés dans des grandes bibliothèques, aux pages demandées d’avance.
Paul Otlet, un bibliographe belge imagine dans son Traité de documentation un télescope électrique, permettant de lire de chez soi des livres exposés dans une salle des grandes bibliothèques, aux pages demandées d’avance.
2001 : Random Forest, mieux que les arbres de décision
Ce concours de reconnaissance visuelle d’objet par intelligence artificielle devient une référence. Le challenge de reconnaissance visuelle à grande échelle d’ImageNet (ILSVCR) est un concours annuel de reconnaissance d’objet.
Organisé par l’Université Stanford, l’Université Carnegie-Mellon, l’Université du Michigan et l’Université de Caroline du Nord à Chapel Hill, il est basé sur une énorme base de données d’images annotées, ImageNet, rassemblées par Fei Fei Li et ses collègues de l’université de Princetown depuis 2007.
 
 
Analyse de données : Cette famille de méthodes d’apprentissage permet de dégager les aspects les plus intéressants dans la nature et la structure d’un nombre très important de données. Certaines méthodes permettent de faire ressortir des relations entre les données et de décrire de façon plus succincte les principales informations qu’elles contiennent.
DANS NOTRE PROCHAINE NEWSLETTER...
Les mathématiques de l’imagerie spatiale
Retour vers le futur : le deep learning, une vieille histoire qui nous réserve des surprises
ET TOUJOURS...
PARTENAIRES FONDATEURS
Publicité
OFFRES D'EMPLOI
LinkedIn
Website
Email



Copyright © Data Analytics Post. Tous droits réservés.