Contenus évalués :

• Régression linéaire multiple avancée ;
• Variables catégorielles ;
• Interactions ;
• Relations non linéaires ;
• Transformations ;
• Multicolinéarité ;
• Observations influentes ;
• Diagnostics avancés ;
• Inférence statistique ;
• Modèles linéaires généralisés ;
• Régression logistique binaire ;
• Rapports de cotes ;
• Probabilités prédites ;
• Matrice de confusion ;
• Métriques de classification ;
• Seuil de décision ;
• Courbes ROC et précision-rappel ;
• Régression multinomiale ;
• Régression de Poisson ;
• Rapports de taux ;
• Surdispersion ;
• Ridge ;
• Lasso ;
• Elastic Net ;
• Compromis biais-variance ;
• Validation croisée ;
• Sélection des hyperparamètres ;
• Pipelines ;
• Fuites de données ;
• Évaluation finale ;
• Reproductibilité ;
• Éthique et responsabilité.

Compétences évaluées :

• Sélectionner un modèle adapté à la nature de la cible ;
• Construire et interpréter un modèle avancé ;
• Diagnostiquer les problèmes d’un modèle ;
• Comparer plusieurs spécifications ;
• Construire une régression logistique ou de Poisson ;
• Calculer et interpréter les métriques appropriées ;
• Sélectionner un seuil de décision ;
• Appliquer une méthode de régularisation ;
• Définir une stratégie de validation rigoureuse ;
• Identifier une fuite de données ;
• Interpréter les performances sur les données de test ;
• Présenter les limites et les coûts d’erreur ; 
• Formuler une recommandation statistiquement et opérationnellement cohérente