Ce cours vous présente l'un des principaux types de familles de modélisation de l'apprentissage automatique supervisé : La régression. Vous apprendrez à former des modèles de régression pour prédire des résultats continus et à utiliser des mesures d'erreur pour comparer différents modèles. A la fin de ce cours, vous devriez être capable de : Différencier les utilisations et les applications de la classification et de la régression dans le contexte de l'apprentissage automatique supervisé Décrire et utiliser des modèles de régression linéaire Utiliser une variété de mesures d'erreur pour comparer et sélectionner un modèle de régression linéaire qui convient le mieux à vos données Expliquer pourquoi la régularisation peut aider à prévenir l'overfitting Utiliser des régressions de régularisation : Ridge, LASSO, et Elastic net Qui devrait suivre ce cours ? Ce cours s'adresse aux scientifiques de données en herbe qui souhaitent acquérir une expérience pratique des techniques de régression de l'apprentissage automatique supervisé dans un environnement professionnel. Quelles compétences devriez-vous avoir ? Pour tirer le meilleur parti de ce cours, vous devriez être familier avec la programmation sur un environnement de développement Python, ainsi qu'une compréhension fondamentale du nettoyage des données, de l'analyse exploratoire des données, du calcul, de l'algèbre linéaire, des probabilités et des statistiques.