Dans ce module, vous apprenez à vérifier les hypothèses du modèle et à diagnostiquer les problèmes que vous rencontrez dans la régression linéaire. Vous apprenez à examiner les résidus, à identifier les valeurs aberrantes qui sont numériquement éloignées de l'ensemble des données et à identifier les observations influentes qui affectent indûment le modèle de régression. Enfin, vous apprenez à diagnostiquer la colinéarité afin d'éviter les erreurs standard gonflées et l'instabilité des paramètres dans le modèle.

Dans ce module, vous apprenez à passer des statistiques inférentielles à la modélisation prédictive. Au lieu d'utiliser les valeurs p, vous apprenez à évaluer les modèles à l'aide d'une évaluation honnête. Après avoir choisi le modèle le plus performant, vous apprenez à déployer le modèle pour prédire de nouvelles données.

Dans ce module, vous recherchez des associations entre des prédicteurs et une réponse binaire à l'aide de tests d'hypothèse. Vous construisez ensuite un modèle de régression logistique et apprenez à caractériser la relation entre la réponse et les prédicteurs. Enfin, vous apprenez à utiliser la régression logistique pour construire un modèle, ou classificateur, afin de prédire des cas inconnus.