Choisir le modèle optimal pour l'interprétation des données multivariées Introduction à l'analyse multivariée : Modélisation linéaire et non linéaire montre comment l'analyse multivariée est largement utilisée pour extraire des informations et des tendances utiles à partir de données multivariées et pour comprendre la structure des phénomènes aléatoires. Outre les concepts fondamentaux des différentes procédures d'analyse multivariée traditionnelle, l'ouvrage aborde les techniques non linéaires permettant d'élucider les phénomènes sous-jacents aux données multivariées observées. Il se concentre principalement sur la modélisation par régression, la classification et la discrimination, la réduction de dimension et le clustering. Le texte explique en détail les concepts et les dérivations des critères AIC et BIC, ainsi que des critères associés, et propose de nombreux exemples pratiques de sélection et d'évaluation de modèles. Pour estimer et évaluer des modèles comportant un grand nombre de variables explicatives, l'auteur présente des méthodes de régularisation, notamment la régularisation par la norme L1, qui permet une estimation simultanée du modèle et une sélection des variables. Destiné aux étudiants de niveau avancé (licence et master) en sciences statistiques, cet ouvrage offre une description systématique des techniques traditionnelles et récentes d'analyse multivariée et d'apprentissage automatique. Il présente également la modélisation statistique linéaire et non linéaire aux chercheurs et aux praticiens en génie industriel et des systèmes, en sciences de l'information, en sciences de la vie et dans d'autres domaines. . Langue : anglais