Ce cours pratique permet aux apprenants d'appliquer et d'évaluer les techniques de régression linéaire en Python grâce à une approche structurée et axée sur les projets de l'apprentissage automatique supervisé. Conçu pour les débutants et les aspirants professionnels des données, le cours passe par chaque étape du pipeline de modélisation de la régression - de la compréhension du cas d'utilisation et de l'importation des bibliothèques clés à l'analyse des relations entre les variables et à la prédiction des résultats. Dans le module 1, les apprenants identifieront, décriront et prépareront les éléments fondamentaux d'un projet d'apprentissage automatique. Grâce à l'analyse univariée et graphique, ils reconnaîtront les modèles de distribution, les valeurs aberrantes et les caractéristiques des données essentielles à la préparation du modèle. Dans le Module 2, les apprenants analyseront les relations entre les variables, construiront un modèle de régression et évalueront ses performances prédictives à l'aide de mesures et de visualisations standard. À la fin du cours, les apprenants interpréteront en toute confiance les résultats des modèles et les valideront par rapport aux résultats réels, ce qui leur permettra d'acquérir les compétences essentielles pour construire et évaluer des modèles de régression linéaire à l'aide de Python. Ce cours combine des démonstrations pratiques, des explications conceptuelles claires et des évaluations structurées, y compris des exercices pratiques et des quiz notés alignés sur la taxonomie de Bloom, afin de promouvoir un apprentissage approfondi et axé sur les résultats.