À la fin de ce cours, les apprenants seront en mesure de préparer des ensembles de données de logement, d'appliquer des techniques de prétraitement et de transformation, de concevoir des caractéristiques significatives, d'effectuer une analyse exploratoire des données et de construire des modèles prédictifs à l'aide de la régression linéaire en Python. Vous apprendrez également à évaluer la multicolinéarité avec le facteur d'inflation de la variance (VIF) et à valider la précision de la prédiction avec les meilleures pratiques d'évaluation des modèles. Ce cours est conçu pour vous emmener pas à pas à travers le flux de travail complet de la modélisation prédictive, en commençant par la configuration du projet et la compréhension de l'ensemble des données, suivi par des techniques avancées dans le nettoyage des données, l'analyse des corrélations, et la modélisation de la régression. Grâce à des exercices pratiques avec l'ensemble de données d'Ames Housing, vous acquerrez des compétences pratiques pour transformer des données brutes en informations exploitables. Ce qui rend ce cours unique, c'est sa structure de bout en bout, basée sur des projets, qui reflète les flux de travail de l'apprentissage automatique dans le monde réel. Au lieu d'une théorie abstraite, vous apprendrez en appliquant les concepts directement à une étude de cas pratique - prédire les prix des maisons avec des données immobilières réelles. Que vous soyez un débutant en science des données ou que vous cherchiez à renforcer votre portefeuille d'apprentissage automatique, ce cours vous dotera des compétences nécessaires pour mettre en œuvre en toute confiance l'analytique prédictive basée sur la régression.