Les apprenants qui terminent ce cours seront capables de différencier les tâches de régression et de classification, d'appliquer des modèles de régression logistique dans R, de prétraiter des ensembles de données brutes, d'évaluer des modèles à l'aide de matrices de confusion et d'optimiser les performances à l'aide de courbes ROC, d'AUC et d'ajustements de seuils. Ils acquerront également une expérience pratique avec des applications réelles dans les domaines de la santé et de la finance, y compris la prédiction du diabète et l'évaluation des risques de crédit. Ce cours fournit une approche étape par étape pour maîtriser la régression logistique, en commençant par les concepts fondamentaux et en progressant vers des applications avancées. Les apprenants bénéficieront d'ensembles de données pratiques, y compris des données publicitaires, médicales et financières, en veillant à ce qu'ils acquièrent non seulement des connaissances théoriques, mais aussi des compétences appliquées. A la fin de ce cours, les participants seront confiants dans la construction, l'interprétation et la validation de modèles d'apprentissage automatique supervisés avec la régression logistique en R, les équipant d'une expertise précieuse pour la science des données, l'analytique, et les rôles de prise de décision financière.