L’objectif de ce cours est d’introduire la régression linéaire et non linéaire (régression logistique et modèles linéaires généralisés). Les méthodes de régression jouent un rôle clé dans de nombreux problèmes et il est absolument essentiel pour un analyste de données de comprendre la théorie et la pratique de l’analyse par régression. C’est également une approche importante face aux défis statistiques : sélection de modèle, pénalisation, robustesse rééchantillonnage (bootstrap, validation croisée), détection des valeurs aberrantes et évaluation des écarts par rapport à un modèle hypothétique. Il s’agira aussi d’affiner la compréhension des techniques statistiques, notamment les tests et les estimations.

Temps présentiel : 30 heures

Charge de travail étudiant : 150 heures

Méthode(s) d'évaluation : Examen final, Examen partiel, Travaux dirigés, Travaux pratiques

Référence :
• Draper and Smith Applied Regression Analysis (Wiley Series in Probability and Statistics): Norman R. Draper, Harry Smith • Harrell Regression Modeling Strategies: With Applications to Linear Models, Logistic Regression, and Survival Analysis (Springer Series in Statistics): Frank E. Harrell • Regression Analysis by Example (Wiley Series in Probability and Statistics) eBook: Samprit Chatterjee, Ali S. Hadi.