Ce module se concentre sur la préparation des données pour l'analyse grâce à des techniques essentielles de traitement des données. Vous apprendrez à nettoyer, transformer et formater les ensembles de données en traitant les valeurs manquantes, en convertissant les types de données, en normalisant les valeurs numériques et en créant des cellules pour l'analyse. Le module présente également des méthodes de transformation des variables catégorielles en représentations numériques adaptées à la modélisation. Grâce à des exercices pratiques, vous appliquerez ces techniques à des ensembles de données réels.

Ce module développe votre capacité à analyser et à comprendre des ensembles de données grâce à des techniques d'analyse exploratoire des données. Vous apprendrez à calculer des statistiques descriptives, à effectuer des analyses de corrélation et à appliquer des techniques de regroupement pour découvrir les relations entre les variables. Le module présente également des méthodes de visualisation des données et des tests statistiques tels que le test du chi-carré pour les variables catégorielles. Grâce à des travaux pratiques, vous analyserez des ensembles de données afin d'identifier des tendances, des modèles et des informations potentielles.

Ce module présente les principes fondamentaux de la construction de modèles prédictifs à l'aide de techniques de régression. Vous apprendrez à construire des modèles de régression linéaire simple, linéaire multiple et polynomiale pour analyser les relations entre les variables. Le module couvre également les méthodes d'évaluation des performances des modèles à l'aide de mesures telles que le R au carré et l'erreur quadratique moyenne. Des techniques de visualisation telles que les diagrammes de résidus et les diagrammes KDE sont utilisées pour évaluer l'adéquation des modèles aux données.

Ce module se concentre sur l'amélioration des performances des modèles grâce à des techniques d'évaluation et d'optimisation. Vous apprendrez à détecter le surajustement et le sous-ajustement et à appliquer des stratégies pour améliorer la généralisation des modèles. Le module présente la régression ridge et l'ajustement des hyperparamètres en utilisant la recherche par grille pour affiner les modèles prédictifs. Grâce à des travaux pratiques, vous évaluerez et améliorerez les modèles de régression en utilisant des ensembles de données du monde réel.

Dans ce module, vous appliquerez l'ensemble du processus d'analyse des données appris tout au long du cours. Vous importerez, nettoierez, analyserez et modéliserez des ensembles de données du monde réel afin de générer des idées et des prédictions. Le module comprend un projet pratique et un projet final qui simulent des scénarios d'analyse de données réels. Vous passerez également un examen final pour démontrer votre compréhension des concepts clés de l'analyse de données basée sur Python.