Ce cours vous présente des sujets supplémentaires dans l'apprentissage automatique qui complètent les tâches essentielles, y compris la prévision et l'analyse des données censurées. Vous apprendrez à analyser des données avec une composante temporelle et des données censurées qui nécessitent une inférence des résultats. Vous apprendrez quelques techniques pour l'analyse des séries temporelles et l'analyse de survie. La partie pratique de ce cours se concentre sur l'utilisation des meilleures pratiques et la vérification des hypothèses dérivées de l'apprentissage statistique. A la fin de ce cours, vous devriez être capable de : Identifier les défis communs de modélisation avec les données de séries temporelles Expliquer comment décomposer les données de séries temporelles : tendance, saisonnalité et résidus Expliquer comment fonctionnent les modèles autorégressifs, de moyenne mobile et ARIMA Comprendre comment sélectionner et mettre en œuvre divers modèles de séries temporelles Décrire les approches de modélisation des aléas et de la survie Identifier les types de problèmes adaptés à l'analyse de la survie Qui devrait suivre ce cours ?

Ce cours s'adresse aux scientifiques des données en herbe qui souhaitent acquérir une expérience pratique de l'analyse des séries temporelles et de l'analyse de survie. Quelles compétences devez-vous avoir ? Pour tirer le meilleur parti de ce cours, vous devez être familiarisé avec la programmation dans un environnement de développement Python, ainsi qu'avoir une compréhension fondamentale du nettoyage des données, de l'analyse exploratoire des données, du calcul, de l'algèbre linéaire, de l'apprentissage automatique supervisé, de l'apprentissage automatique non supervisé, de la probabilité et de la statistique.