Ce module aborde les concepts statistiques indispensables à la création et à l'interprétation de modèles d'apprentissage automatique. Les apprenants passeront en revue des mesures fondamentales telles que la variance, la corrélation, le R au carré et l'erreur-type, tout en identifiant les erreurs statistiques courantes. Le module aborde également des thèmes avancés, notamment la régression linéaire, les hypothèses statistiques et l'interprétation des résultats, afin de permettre aux apprenants d'analyser les données en toute confiance.

Ce module est consacré aux distributions de probabilité et aux tests d'hypothèses, deux éléments essentiels à l'inférence statistique. Les apprenants étudieront les distributions de probabilité discrètes et continues, les structures de variance-covariance, ainsi que les critères de rejet d'hypothèses. Le module présente également des distributions classiques telles que la distribution t, la distribution chi carré et la distribution de Poisson, ainsi que des techniques de visualisation permettant de vérifier les hypothèses relatives aux données et d'interpréter les résultats.

Ce module présente les principaux algorithmes d'apprentissage automatique CORE, en mettant l'accent sur la régression, la classification, les arbres de décision et les méthodes d'apprentissage par ensemble. Les apprenants exploreront la méthode des K plus proches (KNN), les modèles de régression généralisés, les classificateurs par arbres de décision, ainsi que l'utilisation de l'élagage pour améliorer les performances. Le module se termine par les techniques d'apprentissage par ensemble, notamment les forêts aléatoires et le boosting, permettant de construire des modèles prédictifs performants.