Ce projet propose une formation en apprentissage automatique appliquée aux sciences environnementales et au secteur énergétique. Il utilise des notebooks Python pour enseigner l'analyse de données climatiques et énergétiques, en combinant méthodes statistiques traditionnelles et techniques avancées de machine learning. Les étudiants apprennent à extraire des motifs pertinents, modéliser des relations entre variables et prédire des tendances pour prendre des décisions éclairées dans des contextes environnementaux concrets.

Formation destinée aux géographes pour maîtriser les outils et méthodes d'analyse statistique intégrant la dimension spatiale. Elle couvre la corrélation, la régression classique, l'autocorrélation spatiale et la régression géographiquement pondérée (GWR). Les participants apprennent à interpréter des résultats et à produire des cartes thématiques à partir de jeux de données réels, comme les prix de l'immobilier ou la pauvreté urbaine.