Dans ce cours, nous approfondirons notre exploration des techniques d'inférence statistique en nous concentrant sur la science et l'art d'adapter les modèles statistiques aux données. Nous nous appuierons sur les concepts présentés dans le cours d'inférence statistique (cours 2) pour souligner l'importance de relier les questions de recherche à nos méthodes d'analyse des données. Nous nous concentrerons également sur les différents objectifs de la modélisation, y compris la déduction des relations entre les variables et la génération de prédictions pour les observations futures. Ce cours présentera et explorera diverses techniques de modélisation statistique, y compris la régression linéaire, la régression logistique, les modèles linéaires généralisés, les modèles hiérarchiques et à effets mixtes (ou multiniveaux), et les techniques d'inférence bayésienne. Toutes les techniques seront illustrées à l'aide d'une variété d'ensembles de données réelles, et le cours mettra l'accent sur différentes approches de modélisation pour différents types d'ensembles de données, en fonction de la conception de l'étude sous-jacente aux données (en référence au cours 1, Comprendre et visualiser les données avec Python). Au cours de ces sessions en laboratoire, les apprenants travailleront sur des tutoriels axés sur des études de cas spécifiques pour aider à solidifier les concepts statistiques de la semaine, qui incluront des plongées plus approfondies dans les bibliothèques Python, y compris Statsmodels, Pandas, et Seaborn. Ce cours utilise l'environnement Jupyter Notebook de Coursera.