Calibration automatique d'estimateurs linéaires à l'aide de pénalités minimales, application à la régression multi-tâches Cet exposé aborde le problème de choisir parmi une famille d'estimateurs linéraires en régression non-paramétrique. Ceci comprend par exemple la sélection de modèles en régression linéaire, le choix d'un paramètre de régularisation et/ou d'un noyau en régression ridge à noyau, le choix du nombre k de voisins pour la méthode des k-plus proches voisins, ainsi que la calibration d'estimateurs de Nadaraya-Watson. Nous proposons un algorithme qui estime d'abord de manière consistante le niveau de bruit, en utilisant le concept de pénalité minimale. Ensuite, en utilisant la pénalisation C_L de Mallows, nous obtenons une procédure qui satisfait une inégalité oracle. Des simulations illustrent que les performances de cette procédure se comparent favorablement à celles de la validation croisée généralisée et de la validation croisée "10-fold". Nous proposons ensuite une application au problème de régression "multi-tâches", où l'on souhaite résoudre simultanément p problèmes de régression. Une analyse théorique de ce problème montre que la clé d'une calibration optimale d'un estimateur ridge "multi-tâches" est la matrice de covariance du bruit entre les différentes tâches. Nous proposons un algorithme estimant cette matrice de covariance, qui fait un usage répété de notre estimateur de la variance en régression "simple-tâche". Nous montrons, dans un cadre non-asymptotique et sous des hypothèses faibles sur la fonction cible, que cet estimateur converge vers la matrice de covariance. En utilisant alors cet estimateur dans la pénalité idéale correspondante, on obtient une inégalité oracle. Nous illustrons le comportement de notre algorithme sur des données simulées. Cet exposé se fonde sur deux articles, en collaboration avec Francis Bach et Matthieu Solnon: S. Arlot, F. Bach. Data-driven Calibration of Linear Estimators with Minimal Penalties. arXiv:0909.1884 M. Solnon, S. Arlot, F. Bach. Multi-task Regression using Minimal Penalties. arXiv:1107.4512