Regression (Régression linéaire - Diabète): Modèle de régression linéaire pour prédire la progression du diabète à partir de données médicales. Implémentation complète incluant l'analyse exploratoire, la visualisation des corrélations et l'évaluation des performances (MSE, R²) avec scikit-learn.

Multiple linear regression (Startup): Régression linéaire multiple pour prédire les profits d'une startup en fonction de ses dépenses (R&D, marketing, administration). Analyse comparative des variables explicatives et sélection des features les plus impactantes.

Preprocessing (Nettoyage de données): Pipeline de prétraitement de données incluant la gestion des valeurs manquantes, l'encodage des variables catégorielles, la normalisation et la détection des outliers. Techniques essentielles pour préparer des datasets avant modélisation.

Regression_Logistique: Modèle de classification par régression logistique pour prédire des variables binaires. Implémentation avec évaluation des métriques (accuracy, précision, rappel) et visualisation de la courbe ROC.