Utilisation de librairies
Pandas
Afin de faciliter le traitement et la manipulation des fichiers csv, l'utilisation de la librairie Pandas est fortement recommandé. Cette librairie est communément utilisé en machine learning. Elle nous permet entre autres de faire appel à des fonctions sur notre dataset pour faciliter la manipulation. On peut, par exemple, vérifier si les valeurs d'une colonne est vide, ou bien d'enlever carrément des colonnes du dataset.
Lien vers la documentation de la librairie Pandas : https://pandas.pydata.org/pandas-docs/stable/reference/general_functions.html
Matplotlib
L'exploration et la connaissance des liens entre chaque feature est important dans n'importe quel situation de machine learning. On vous recommande donc fortement d'utiliser la librairie Matplotlib pour faire la visualisation des données. Cette librairie permet entre autres de traçer des histogrammes, des nuages de points, etc. Bref, tout ce dont vous avez besoin pour avoir une représentation visuelle de votre data. Dans ce challenge-ci, on vous encourage justement d'explorer le lien entre les différentes variables et de voir d'emblée, à travers des graphiques s'ils ont un impact majeur sur le salaire. L'accuracy du modèle de régression linéaire dépend fortement de quels features vous décidez d'inclure dans le calcul de la régression linéaire.
Régression Linéaire avec Scikit-Learn
Au lieu d'implémenter l'algorithme en Python et de trouver une constante pour le learning rate, il est possible de faire de tout faire via des librairies de machine learning, comme Scikit-learn, Tensorflow, PyTorch et Keras.  Libre à vous de choisir quelle librairie utiliser. Par contre, on recommande aux débutants d'utiliser la librairie Scikit-learn puisqu'elle est facile et intuitive à utiliser, et qu'elle supporte plusieurs types de Machine Learning dont la régression linéaire. Elle permet entre autres de faire un algorithme de type Naive Bayes (thème du 2e challenge).

Lien vers la documentation sklearn: https://scikit-learn.org/stable/modules/linear_model.html#ordinary-least-squares