Références complémentaires

Aucune lecture n’est obligatoire : les notes se suffisent à elles-mêmes. Les ouvrages suivants sont suggérés à qui veut approfondir ou voir les mêmes idées présentées autrement. Pour chacun, la première ligne indique les chapitres des notes concernés.

James, Witten, Hastie et Tibshirani (2021). An Introduction to Statistical Learning with Applications in R

Chapitres 4  Prédiction, mesures de performance et validation croisée à 8  Modèles additifs et modèles additifs généralisés (GAM).

2^e édition, Springer. Gratuit en ligne à statlearning.com. Présentation accessible, avec peu de mathématiques, de la validation croisée, de ridge et du lasso, des \(k\)NN, des polynômes, des splines et des GAM. Bon point de départ si un chapitre des notes paraît trop abstrait. Une version avec Python existe aussi.

Dunn et Smyth (2018). Generalized Linear Models with Examples in R

Chapitres 2  Modèles de régression pour données binaires et 3  Modèles linéaires généralisés (GLM).

Springer. Régression logistique et de Poisson, déviance, diagnostics, surdispersion, avec les jeux de données de la librairie GLMsData utilisée dans les notes.

Faraway (2016). Extending the Linear Model with R

Chapitres 2  Modèles de régression pour données binaires, 3  Modèles linéaires généralisés (GLM), 6  Régression non-paramétrique : k plus proches voisins et estimateur de noyau, 7  Régression non-linéaire : polynômes, fonctions par morceaux et splines et 8  Modèles additifs et modèles additifs généralisés (GAM).

2^e édition, Chapman & Hall/CRC. Les GLM, la régression non-paramétrique et les GAM abordés par l’analyse de données en R, avec un minimum de théorie.

Wood (2017). Generalized Additive Models: An Introduction with R

Chapitres 7  Régression non-linéaire : polynômes, fonctions par morceaux et splines et 8  Modèles additifs et modèles additifs généralisés (GAM) ; aussi 3  Modèles linéaires généralisés (GLM) pour une présentation compacte des GLM.

2^e édition, Chapman & Hall/CRC. Par l’auteur de la librairie mgcv : bases de splines, pénalisation, choix du paramètre de lissage, degrés de liberté effectifs, inférence sur les fonctions lisses. Plus exigeant mathématiquement que les précédents.

Hastie, Tibshirani et Friedman (2009). The Elements of Statistical Learning

Chapitres 5  Sélection de variables et régularisation, 6  Régression non-paramétrique : k plus proches voisins et estimateur de noyau et 7  Régression non-linéaire : polynômes, fonctions par morceaux et splines.

2^e édition, Springer. Gratuit en ligne à hastie.su.domains/ElemStatLearn. Version avancée du livre de James et coll. ; utile pour le compromis biais-variance, les méthodes à noyau, la régularisation et les splines.

McCullagh et Nelder (1989). Generalized Linear Models

Chapitre 3  Modèles linéaires généralisés (GLM).

2^e édition, Chapman & Hall. L’ouvrage fondateur des GLM, pour qui veut la théorie à la source.