Maîtrisez la régression logistique sous R et acquérez les compétences pratiques nécessaires pour résoudre des problèmes de classification concrets. Dans ce cours, vous apprendrez à distinguer les tâches de régression de celles de classification, à préparer les données pour la modélisation, à construire des modèles de régression logistique sous R et à interpréter les coefficients des modèles en toute confiance. Au fil de la formation, vous évaluerez les performances des modèles à l’aide de matrices de confusion, de courbes ROC, de l’AUC et d’analyses de seuil afin d’améliorer les résultats de classification.

Grâce à des travaux pratiques sur des ensembles de données issus des secteurs de la publicité, de la santé et de la finance, vous appliquerez la régression logistique pour prédire l’évolution du diabète, analyser le risque de crédit et étayer les décisions d’octroi de prêt. Vous explorerez également la mise à l’échelle des caractéristiques, la réduction de dimension, le fractionnement des ensembles de données et la validation des modèles afin de développer des modèles d’apprentissage automatique supervisés fiables. Conçu pour les apprenants intéressés par la science des données, l’apprentissage automatique, l’analyse de données et la modélisation financière, ce cours met l’accent sur la mise en œuvre pratique parallèlement aux concepts fondamentaux. À l’issue de ce cours, vous serez capable de prétraiter des ensembles de données brutes, de construire et d’évaluer des modèles de régression logistique sous R, d’optimiser les performances des modèles et d’appliquer des techniques de modélisation prédictive à des scénarios de prise de décision dans les domaines de la santé et de la finance. Si vous souhaitez renforcer vos compétences en programmation R et en modélisation de classification grâce à des applications pratiques axées sur les données, ce cours vous propose un parcours structuré allant des concepts fondamentaux à l’analyse prédictive en situation réelle.