• Pour l'analyse des séries chronologiques: " Principes et pratiques de prévision" de Hyndman et Athanasopoulos est absolument excellent et est à peu près du même ordre de complexité mathématique que ISLR (c'est-à-dire assez, mais pas trop). Il a l'avantage supplémentaire d'être disponible gratuitement en ligne et d'avoir de nombreux exemples de code. Il a un point faible: il ne permet pas de fournir un contexte commercial ou des aspects intuitifs de la modélisation TS. Pour cela, je recommande " Demand Forecasting for Managers" de Stephan Kolassa et Enno Siemsen.
• Pour les GLM: le chapitre 4 de « Machine Learning and Pattern Recognition» de Bishop donne une brève mais assez bonne explication des GLM dans le contexte de la classification, et ce au niveau des mathématiques théoriques Tu recherches. Aucun échantillon de code cependant, et je ne pense pas qu'une version gratuite ait jamais été publiée.
• Pour l'analyse de survie, je ne peux pas vous donner une référence spécifique. Mais en général, je recommanderais de rechercher dans les manuels et les supports de cours de recherche opérationnelle ou de génie industriel le contenu théorique de niveau intermédiaire et les explications intuitives que vous recherchez.

Si vous vous intéressez à l'inférence bayésienne, il existe un livre merveilleux (qui s'intéresse beaucoup aux GLM) intitulé Statistical Rethinking de Richard McElreath.La deuxième édition vient de sortir et il y a une série de conférences sur YouTube.La série la plus récente (appelée Winter 2019 IIRC) fait suite à la deuxième édition.

Je n'ai pas lu cette nouvelle édition, mais la première édition est un classique, donc celle-ci, disponible à partir de septembre 2020, sera une excellente référence à coup sûr.

• https://www.amazon.com/Regression-Stories-Analytical-Methods-Research/dp/110702398X.

Je suis d'accord avec la recommandation "Statistical Rethinking" de Mooks, c'est une excellente idée.

Pour les GLM, je recommande l ' extension du modèle linéaire avec R de Faraway.Je recommanderais également les Stratégies de modélisation de régression de Frank Harrell, qui fournit une belle explication détaillée de la régression dans son ensemble et de diverses extensions, y compris la modélisation de survie.Les deux manuels incluent du code en R.

Pour l'analyse de survie, Kleinbaum (2013) - Analyse de survie - Un texte d'auto-apprentissage est simple avec des exemples R.Il est même disponible gratuitement sur Springer maintenant en raison des verrouillages universitaires liés au COVID: https://link.springer.com/book/10.1007%2F978-1-4419-6646-9. Je pense que les stratégies de modélisation de régression de Frank Harrell sont également disponibles gratuitement maintenant pour la même raison.En tout cas, c'était il y a peu de temps.

De certains des mêmes auteurs, il existe un autre livre axé davantage sur l'intuition et les aspects pratiques que sur les mathématiques:

Hastie, T., Tibshirani, R., & Friedman, J. (2009).Les éléments de l'apprentissage statistique.Springer Verlag. https://web.stanford.edu/~hastie/ElemStatLearn/

Efron et Hastie ont également un excellent livre qui est faisable même si vous sautez les maths:

Efron, B., & Hastie, T. (2016).Inférence statistique à l'âge de l'ordinateur: algorithmes, preuves et science des données.Cambridge University Press.