Ce cours est le mieux adapté pour les personnes qui ont une formation technique en mathématiques / statistiques / informatique / ingénierie poursuivant un changement de carrière à des emplois ou des industries qui sont axées sur les données telles que la finance, la rétention, la technologie, les soins de santé, le gouvernement et bien d'autres. Les possibilités sont infinies.

Ce cours fait partie des cours d'admission basés sur la performance pour le programme de Science des données. Dans ce cours, nous apprendrons ce qui arrive à notre modèle de régression lorsque ces hypothèses n'ont pas été respectées. Comment pouvons-nous détecter ces divergences dans les hypothèses du modèle et comment remédier aux problèmes seront abordés dans ce cours.Après avoir terminé ce cours avec succès, vous serez en mesure de : -décrire les hypothèses des modèles de régression linéaire. -utiliser des graphiques de diagnostic pour détecter les violations des hypothèses d'un modèle de régression linéaire. -effectuer une transformation des variables dans la construction de modèles de régression. -utiliser des outils appropriés pour détecter et supprimer les erreurs hétéroscédastiques. -d'utiliser des outils appropriés pour remédier à l'autocorrélation. -utiliser des outils appropriés pour remédier aux données colinéaires. -effectuer des sélections de variables et des validations de modèles.