Aperçu des sections

• General

  Tout replier Tout déplier
  • EES1137 Quantitative Applications for Data Analysis (Winter 2022)

    In this course data analysis techniques utilizing the Python and R languages will be introduced, as well as the basics of programming and scientific computing. The goal of this course is to prepare graduate students for performing scientific data analysis. Successful students will learn how to use statistical inference tools to gain insight into large and small data sets, as well as be exposed to cutting-edge techniques and best practises to store, manage and analyze (large) data.  Topics include: Python and R programming, version control, automation, modular programming and scientific visualization.
    

    Students willing to take the course as part of their graduate program have to enrol through Acorn/ROSI.
    This course is part of the EES graduate program and will be taught online this semester.

    Teachers: Alexey Fedoseev, Erik Spence

    Start date: 11 Jan 2022

    End date: 7 Apr 2022

    Scientific Computing Credits: 8

    Data Science Credits: 28

    Events:

    Lecture 1 - Tuesday, 11 January, 10:30 AM » 12:00 PM

    Lecture 2 - Thursday, 13 January, 11:00 AM » 12:30 PM

    Lecture 3 - Tuesday, 18 January, 10:30 AM » 12:00 PM

    A full list of course events can be found here.
  • 

    Forum

    Announcements Forum
  • 

    Page

    Software Requirements Page
  • 

    Forum

    Student forum

• Lectures
  • 

    Fichier

    1. Introduction to the Linux Shell I Fichier
  • 

    Fichier

    2. Introduction to the Linux Shell II Fichier
  • 

    Fichier

    3. Introduction to R Fichier
  • 

    Fichier

    4. Vectors and data frames Fichier
  • 

    Fichier

    5. Lists, loops and conditional statements in R Fichier
  • 

    Fichier

    6. Functions in R Fichier
  • 

    Fichier

    7. Scripts Fichier
  • 

    Fichier

    8. Version Control System - Git Fichier
  • 

    Fichier

    9. Coding Best Practices Fichier
  • 

    Fichier

    10. Distributions Fichier
  • 

    Fichier

    11. Hypothesis tests Fichier
  • 

    Fichier

    12. Linear models Fichier
  • 

    Fichier

    13. Visualization in R Fichier
  • 

    Fichier

    14. Introduction to Python Fichier
  • 

    Fichier

    15. Loops and functions in Python Fichier
  • 

    Fichier

    16. NumPy, SciPy and Visualization Fichier
  • 

    Fichier

    17. Introduction to Machine Learning Fichier
  • 

    Fichier

    18. Resampling Fichier
  • 

    Fichier

    19. Monte Carlo methods Fichier
  • 

    Fichier

    20. Classification II Fichier
  • 

    Fichier

    21. Unsupervised learning Fichier
  • 

    Fichier

    22. Feature selection Fichier
  • 

    Fichier

    23. Neural networks Fichier
  • 

    Fichier

    24. Ensemble methods Fichier

• Recordings
  • 

    Fichier

    1. Introduction to the Linux shell I Fichier
  • 

    Fichier

    2. Introduction to the Linux shell II Fichier
  • 

    Fichier

    3. Introduction to R Fichier
  • 

    Fichier

    4. Vectors and data frames Fichier
  • 

    Fichier

    5. Lists, loops and conditional statements in R Fichier
  • 

    Fichier

    6. Functions in R Fichier
  • 

    Fichier

    7. Scripts Fichier
  • 

    Fichier

    8. Version control - git Fichier
  • 

    Fichier

    9. Coding best practices Fichier
  • 

    Fichier

    10. Distributions Fichier
  • 

    Fichier

    11. Hypothesis testing Fichier
  • 

    Fichier

    12. Linear models Fichier
  • 

    Fichier

    13. Visualization in R Fichier
  • 

    Fichier

    14. Introduction to Python Fichier
  • 

    Fichier

    15. Loops and function in Python Fichier
  • 

    Fichier

    16. NumPy, SciPy and Visualization Fichier
  • 

    Fichier

    17. Introduction to Machine Learning Fichier
  • 

    Fichier

    18. Resampling Fichier
  • 

    Fichier

    19. Monte Carlo methods Fichier
  • 

    Fichier

    20. Classification II Fichier
  • 

    Fichier

    21. Unsupervised learning Fichier
  • 

    Fichier

    22. Feature selection Fichier
  • 

    Fichier

    23. Neural networks Fichier
  • 

    Fichier

    24. Ensemble methods Fichier

• Assignments
  • 

    Devoir

    Assignment 1 Devoir
  • 

    Devoir

    Assignment 2 Devoir
  • 

    Devoir

    Assignment 3 Devoir
  • 

    Devoir

    Assignment 4 Devoir
  • 

    Devoir

    Assignment 5 Devoir
  • 

    Devoir

    Assignment 6 Devoir
  • 

    Devoir

    Assignment 7 Devoir
  • 

    Devoir

    Assignment 8 Devoir
  • 

    Devoir

    Assignment 9 Devoir
  • 

    Devoir

    Assignment 10 Devoir
  • 

    Devoir

    Assignment 11 Devoir