Introduction à la régression linéaire

📋 Plan du Cours

1. Régression linéaire et applications
2. Définition et modèle supervisé
3. Représentation graphique et types
4. Équation de régression linéaire
5. Fonction coût et moindres carrés
6. Apprentissage par descente de gradient
7. Exercice et mise en œuvre pratique

📖 1. Régression linéaire et applications

🔑 Notions clés & Définitions

• Régression linéaire : Technique d’analyse qui prédit une valeur inconnue en reliant une variable dépendante à une variable ou plusieurs variables apparentées via une relation linéaire.
• Variable cible Y : Variable dépendante, quantitative, que le modèle cherche à prédire à partir d’autres variables.
• Variables explicatives X : Variables indépendantes utilisées pour expliquer ou prédire la valeur de la variable cible.

📝 Points essentiels

• La régression linéaire sert à transformer des données brutes en informations exploitables via une formule interprétable pour la décision.
• Elle est utilisée dans des secteurs comme finance (ventes, coûts), marketing (tendances), santé (analyse et prévision).
• Une seule variable explicative correspond à une régression simple, tandis que plusieurs variables explicatives mènent à une régression multiple.

💡 Astuce mémo

Y dépend de X : le modèle cherche une droite (ou hyperplan) qui relie expliquer→prédire.

📖 2. Définition et modèle supervisé

🔑 Notions clés & Définitions