Dans ce module, vous apprendrez à effectuer certaines tâches fondamentales de traitement des données qui, ensemble, constituent la phase de prétraitement de l'analyse des données. Ces tâches comprennent le traitement des valeurs manquantes dans les données, le formatage des données pour les normaliser et les rendre cohérentes, la normalisation des données, le regroupement des valeurs de données dans des bacs et la conversion des variables catégorielles en variables quantitatives numériques.

Dans ce module, vous apprendrez ce que l'on entend par analyse exploratoire des données et vous apprendrez à effectuer des calculs sur les données afin de calculer des informations statistiques descriptives de base, telles que la moyenne, la médiane, le mode et les valeurs des quartiles, et à utiliser ces informations pour mieux comprendre la distribution des données. Vous apprendrez à regrouper vos données pour mieux les visualiser, à utiliser la méthode de corrélation de Pearson pour comparer deux variables numériques continues et à utiliser le test du Khi-deux pour trouver l'association entre deux variables catégorielles et comment les interpréter.

Dans ce module, vous apprendrez à définir la variable explicative et la variable réponse et à comprendre les différences entre les modèles de régression linéaire simple et de régression linéaire multiple. Vous apprendrez à évaluer un modèle à l'aide de la visualisation et découvrirez la régression polynomiale et les pipelines. Vous apprendrez également à interpréter et à utiliser le R au carré et les mesures de l'erreur quadratique moyenne pour effectuer des évaluations dans l'échantillon afin d'évaluer numériquement notre modèle. Enfin, vous apprendrez ce qu'est la prédiction et la prise de décision lorsqu'il s'agit de déterminer si notre modèle est correct.

Dans ce module, vous apprendrez l'importance de l'évaluation des modèles et discuterez des différentes techniques de raffinement des modèles de données. Vous apprendrez à sélectionner un modèle et à identifier l'ajustement excessif et l'ajustement insuffisant d'un modèle prédictif. Vous apprendrez également à utiliser la régression Ridge pour régulariser et réduire les erreurs standard afin d'éviter le surajustement d'un modèle de régression et à utiliser la méthode Grid Search pour ajuster les hyperparamètres d'un estimateur.

Nous vous félicitons ! Vous avez maintenant terminé tous les modules de ce cours. Dans ce dernier module, vous réaliserez le travail final qui sera noté par vos pairs. Dans ce travail final, vous jouerez le rôle d'un analyste de données travaillant pour une société d'investissement immobilier qui souhaite commencer à investir dans l'immobilier résidentiel. Vous recevrez un ensemble de données contenant des informations détaillées sur les prix des maisons dans la région en fonction d'un certain nombre de caractéristiques de la propriété, et il vous appartiendra d'analyser et de prédire le prix du marché des maisons à partir de ces informations.