Formation Modélisation Statistique Essentielle : Maîtrisez les Fondamentaux avec R

01.Introduction à la modélisation statistique

02.Rappels de statistique descriptive et inférentielle

• —Mesures de tendance centrale et de dispersion
• —Visualisation des données (histogrammes, boîtes à moustaches)
• —Notions de probabilité et de distribution (normale)
• —Hypothèses et tests statistiques (présentation)

03.Régression linéaire simple : concepts fondamentaux

• —Objectif et hypothèses du modèle
• —Équation de la droite de régression
• —Estimation des coefficients (moindres carrés)
• —Interprétation des coefficients et de l'ordonnée à l'origine

04.Régression linéaire simple : diagnostic et validation

• —Mesure de l'ajustement : R-carré
• —Analyse des résidus : hypothèses de normalité et d'homoscédasticité
• —Détection des valeurs aberrantes et influentes
• —Prédiction et intervalles de confiance

05.Introduction à la régression linéaire multiple

06.Sélection de variables et validation de modèles multiples

• —Critères de sélection de modèles (AIC, BIC)
• —Méthodes de sélection (pas à pas, en avant, en arrière)
• —Validation croisée simple (principe)
• —Application pratique sur un jeu de données

07.Initiation aux modèles pour données catégorielles : régression logistique

• —Quand utiliser la régression logistique ?
• —Concept de probabilité et d'odds ratio
• —Interprétation des coefficients
• —Mesures de performance (AUC, précision, rappel)

08.Bonnes pratiques et limites de la modélisation

• —Cycle de vie d'un projet de modélisation
• —Importance de la compréhension métier
• —Pièges à éviter : surapprentissage, causalité vs corrélation
• —Éthique et interprétabilité des modèles