: dc.contributor.author: Berger, David dc.date.issued: 2026-10 dc.description.abstract: L’essor des données volumineuses et de haute dimension, conjugué à l’augmentation des ressources computationnelles, a profondément transformé les pratiques en statistique. Si ces avancées ont favorisé le développement de méthodes performantes quant aux prédictions effectuées, les enjeux liés à l’interprétabilité des modèles et à la quantification de l’incertitude demeurent centraux, notamment en médecine ou en épidémiologie. En s'inscrivant dans ce contexte, cette thèse s’articule autour de deux axes principaux: la sélection de variables en grande dimension à l’aide de pénalisations $\ell_1$ et le développement de méthodes non paramétriques permettant de limiter les hypothèses de modélisation tout en assurant une quantification rigoureuse de l’incertitude. La première contribution porte sur l’estimation de graphes non dirigés. Nous étudions le comportement asymptotique du support estimé par le Lasso Graphique en fonction du[...]