Les données réelles sont rarement simples. Dans ce module, vous étendrez la modélisation par régression pour y inclure plusieurs variables prédictives et des effets d'interaction. Vous découvrirez comment l'ajout de variables améliore la précision du modèle, comment interpréter des relations complexes et comment éviter le surajustement à mesure que vos modèles gagnent en sophistication.

Les résultats ne sont pas tous numériques. Dans ce module, vous apprendrez à modéliser des résultats catégoriels (par exemple, « oui/non » ou « spam/pas de spam ») à l’aide de la régression logistique. Vous découvrirez comment calculer des probabilités, classer les résultats et évaluer les performances de vos modèles. Au fil de ce module, vous explorerez l’impact du surapprentissage sur la classification et réfléchirez à la manière d’interpréter et de communiquer les prédictions des modèles de manière responsable.

Tout modèle comporte une part d’incertitude, et c’est votre capacité à comprendre et à communiquer cette incertitude qui fait de vous un data scientist avisé. Dans ce dernier module, vous explorerez les méthodes de bootstrapping et de randomisation pour évaluer le niveau de confiance de vos résultats, réaliser des tests d’hypothèses et communiquer vos conclusions en toute transparence. À la fin de ce module, vous mettrez en pratique vos compétences en modélisation et en inférence pour tirer des conclusions claires, fondées sur les données.