- Rappels sur la régression linéaire, analyse de la variance, la régression logistique, les similitudes
- Le modèle linéaire : définitions et hypothèses, estimation, existence de sous-modèles (cas gaussien, non gaussien)
- La sélection de modèle : cadre, risque quadratique, critères de sélection de modèle (Cp de Mallows, AIC, BIC, divergence de Kullback)
- Introduction à la statistique en grande dimension : motivation, méthode LASSO
- Le modèle linéaire généralisé : introduction, estimation par maximum de vraisemblance, inférence
- GLM (Modèle Linéaire Généralisé), Fit et dispersion, Régression de Poisson avec offset, Modèles à effets mixtes +
avec évaluation via un projet.
