Rating 4.47 out of 5 (2927 ratings in Udemy)

• Réaliser correctement toutes les étapes d'un projet complexe de Data Science
• Créer des Visualisations dans Tableau
• Faire du Data Mining dans Tableau
• Comprendre comment appliquer le test du khi-deux
• Appliquer la méthode des Moindres Carrés Ordinaires pour faire des Régressions Linéaires
• Evaluer tous types de modèles grâce au R-Squared
• Evaluer tous types de modèles grâce au Adjusted R-Squared
• Créer un modèle de Régression Linéaire Simple
• Créer un modèle de Régression Linéaire Multiple
• Créer des Dummy Variables
• Interpréter les coefficients de la Régression Linéaire Multiple
• Lire des outputs de modèles de Régression Linéaire
• Utiliser les méthodes de Backward Elimination, Forward Selection et Bidirectional Elimination pour créer des modèles statistiques
• Créer un modèle de Régression Logistique
• Intégrer l'intuition de la Régression Logistique
• Analyser les False Positives & False Negatives et comprendre la différence
• Lire une Matrice de Confusion
• Créer un Modèle Robuste de Segmentation Géo-Démographique
• Transformer des variables indépendantes pour la modélisation
• Dériver des variables indépendantes pour la modélisation
• Vérifier la présence de multicolinéarité en utilisant le VIF (Variance Inflation Factor)
• Avoir l'intuition de la multicolinéarité
• Utiliser la courbe CAP (Cumulative Accuracy Profile) pour évaluer des modèles
• Construire la courbe CAP dans Excel
• Utiliser le Training set et le Test set pour construire des modèles robustes
• Tirer des insights de votre courbe CAP
• Comprendre le Odds Ratio
• Tirer des business insights des coefficients d'une Régression Logistique
• Comprendre à quoi ressemble la détérioration de modèle
• Appliquer trois niveaux de maintenance de modèle pour empêcher la détérioration de modèle
• Installer et utiliser SQL Server
• Installer et utiliser Microsoft Visual Studio Shell
• Nettoyer les données et chercher des anomalies
• Utiliser SSIS (SQL Server Integration Services) pour uploader vos données dans une base de données
• Créer des Conditional Splits dans SSIS
• Gérer les erreurs de Text Qualifier
• Créer des scripts dans SQL
• Tirer profit de SQL pour des projets de Data Science
• Créer des procédures stockées dans SQL
• Présenter des projets de Data Science à des directeurs ou à un public