1. Modèles, paramètres et estimation. - 1.1. Les modèles à considérer. - 1.2. Estimation du maximum de vraisemblance. - 2. Transformations des paramètres. - 2.1. Que sont les paramètres ? - 2.2. Paramètres stables a priori. - 2.3. Paramètres stables a posteriori. - 2.4. Justification théorique des paramètres stables à l'aide des résidus de déviance. - 2.5. Similitude des modèles. - 3. Inférence et transformations stables. - 3.1. Existence et unicité des solutions. - 3.2. Inférences sur les fonctions des paramètres. - 3.3. Réplication efficace : observations et conception influentes. - 4. La géométrie de l'inférence non linéaire. - 4.1. Le rôle des représentations graphiques. - 4.2. Représentation graphique des données dans l'espace (x, y). - 4.3. Représentation graphique des données dans l'espace (y, y). - 4.4. Représentation graphique dans l'espace des paramètres. - 5. Méthodes de calcul pour la modélisation non linéaire. - 5.1. Bibliothèques et progiciels. - 5.2. Conditions requises pour l'ajustement de modèles non linéaires. - 5.3. Algorithmes d'inférence non linéaire. - 5.4. Paramètres linéaires séparables. - 5.5. Intervalles de confiance pour les paramètres et les fonctions. - 6. Applications pratiques de la modélisation non linéaire. - 6.1. Questions à se poser dans toute application pratique. - 6.2. Ajustement de courbes à des observations régulières dans le temps. - 6.3. Ajustement des données à des modèles définis par des équations différentielles. - 7. Un programme pour l'ajustement de modèles non linéaires (MLP). - 7.1. Structure du MLP. - 7.2. Ajustement de courbe : y = f(x ?) + ?. - 7.3. Ajustement des distributions de fréquences. - 7.4. Modèles biologiques standard nécessitant une estimation du maximum de vraisemblance. - 7.5. Modèles généraux définis par l'utilisateur dans un MLP. - Annexe : Glossaire des termes techniques utilisés dans ce document. - Références. - Index des auteurs. Langue : anglais