Ce module présente aux apprenants les concepts essentiels des méthodes d'échantillonnage et des types de données statistiques dans l'Apprentissage automatique. Il explore les techniques d'Échantillonnage systématique, en grappes et stratifié, tout en faisant la distinction entre les données qualitatives, quantitatives, discrètes, continues, nominales et ordinales. En maîtrisant ces fondements, les apprenants comprendront comment la collecte et la classification des données ont un impact sur la précision, la fiabilité et l'efficacité des modèles d'Apprentissage automatique.

Ce module fournit une base complète de la théorie des probabilités, des variables aléatoires et des concepts d'algèbre linéaire essentiels pour l'apprentissage automatique. Les apprenants exploreront les principes fondamentaux de la probabilité tels que la probabilité conditionnelle, l'indépendance et la loi de la probabilité totale, avant d'aborder les distributions discrètes et continues, y compris les distributions de Bernoulli, géométriques et normales. Le module présente également les notions essentielles de l'algèbre linéaire - les matrices, les transpositions et les déterminants - permettant aux apprenants d'acquérir les outils mathématiques nécessaires pour construire et analyser efficacement les modèles d'apprentissage automatique.

Ce module dote les apprenants des bases statistiques nécessaires pour tester des hypothèses, interpréter des intervalles de confiance et appliquer des techniques inférentielles avancées dans l'apprentissage automatique. Les apprenants exploreront les types d'erreurs, les approches de la valeur critique et de la Valeur P, les tests de queue et les intervalles de confiance. Le module avance ensuite dans les statistiques déductives appliquées avec les tests t, les tests khi carré, et les mesures de qualité d'ajustement, ainsi que l'interprétation de la covariance. À la fin du module, les apprenants seront capables de mener des tests statistiques robustes et d'évaluer les relations entre les données avec précision.