Le module 2 plonge dans les subtilités de l'analyse statistique, en commençant par une compréhension approfondie du concept de Valeur P et de sa Significativité statistique en tant qu'indicateur d'Erreur de type I. Les étudiants apprendront à appliquer des tests statistiques en Python pour identifier les caractéristiques significativement corrélées, en explorant diverses métriques de corrélation adaptées aux caractéristiques catégorielles, de type mixte et continues. Ce module met l'accent sur l'application pratique, en dotant les étudiants des compétences nécessaires pour calculer et interpréter ces métriques en Python, améliorant ainsi leur capacité à mener des analyses de données sophistiquées et à tirer des conclusions significatives à partir d'ensembles de données complexes.

Le module 3 offre une plongée profonde dans le monde des règles d'association, enseignant aux étudiants comment improviser ces règles pour identifier des combinaisons de caractéristiques précieuses qui génèrent des valeurs d'étiquettes spécifiques. Les apprenants maîtriseront la définition de seuils appropriés pour l'Assistance informatique et la Confiance et acquerront une compréhension complète de l'algorithme Apriori et de l'importance des ensembles d'éléments fréquents au sein de cet algorithme. Ce module couvre le calcul des métriques communes pour les règles d'association, en familiarisant les étudiants avec la terminologie pertinente. En outre, les apprenants exploreront l'application pratique des règles d'association dans l'analyse des paniers de marché, y compris les stratégies de vente croisée, de vente incitative et de regroupement de produits, les dotant ainsi de compétences précieuses pour la prise de décision fondée sur les données dans les contextes commerciaux.

Dans le module 4, les étudiants apprendront à décrire et à interpréter les profils des clusters, en acquérant des compétences dans le déploiement des algorithmes de clustering K-Moyennes et K-Modes. Ils exploreront l'application de l'analyse de fréquence, de récence et monétaire (RFM) pour identifier les clients les plus précieux dans le secteur de la vente au détail. Le module couvre également la technique de l'Échantillonnage aléatoire simple avec la possibilité d'incorporer des variables de stratification, améliorant ainsi la précision de l'analyse des données. En outre, il souligne l'importance de la validation objective des modèles à l'aide d'une partition de test, garantissant la fiabilité et l'efficacité des modèles analytiques dans les scénarios du monde réel.

Ce module approfondit l'analyse de l'importance des caractéristiques dans l'apprentissage automatique, couvrant les valeurs de Shapley, les méthodes de sélection des caractéristiques, l'évaluation statistique, l'interaction des caractéristiques, l'aliasing, et l'algorithme des moindres carrés. Les étudiants seront capables de maîtriser ces concepts pour construire des modèles robustes et interprétables.

Dans le module 6, les étudiants maîtriseront l'art de la sélection des caractéristiques dans l'apprentissage automatique en explorant la méthode de sélection avant et arrière, la méthode des sous-ensembles possibles et le concept de séparation complète et quasi-complète. Les étudiants découvriront également des règles d'association pour identifier les séparations, interpréteront les paramètres du modèle et les probabilités prédites, et approfondiront les concepts d'Estimation du maximum vraisemblance, de cotes et de rapports de cotes.

Le module 7 donnera aux étudiants la capacité d'exploiter la puissance des modèles arborescents pour découvrir des modèles cachés dans vos données. Les étudiants seront capables de décrire efficacement les clusters, de définir intelligemment les paramètres des algorithmes, de construire des règles d'entreprise à partir des résultats des arbres, et d'utiliser les métriques de variance, les valeurs d'entropie et les indices de Gini pour une construction optimale des arbres.

Le module 8 plonge dans le domaine des métriques d'évaluation des modèles d'apprentissage automatique. Les étudiants maîtriseront les concepts de courbes de précision et de rappel, de courbes de lift et de courbes de caractéristiques d'exploitation du récepteur (ROC). En outre, ils seront en mesure de découvrir des méthodes de calcul des seuils de probabilité à l'aide des statistiques de Kolmogorov-Smirnov et des F1-score. Ils pourront explorer des mesures telles que le taux de classification erronée, l'aire sous la courbe (AUC) et l'erreur quadratique moyenne (RMSE), ainsi que des techniques de calcul de la RMSE et de détection d'observations gravement mal ajustées à l'aide de résidus spécifiques au modèle.

Ce module contient l'évaluation sommative du cours qui a été conçue pour évaluer votre compréhension du matériel du cours et votre capacité à appliquer les connaissances que vous avez acquises tout au long du cours. Veillez à bien réviser le matériel de cours avant de passer l'évaluation.