Introduit le cours d'analyse des données appliquées à l'EPFL, couvrant un large éventail de sujets d'analyse des données et mettant l'accent sur l'apprentissage continu en sciences des données.
Couvre l'analyse causale des données d'observation, des pièges, des outils permettant de tirer des conclusions valables et d'aborder les variables confusionnelles.
Explore l'inférence causale en épidémiologie, en mettant l'accent sur l'impact de la COVID-19 sur la naissance prématurée et en perfectionnant les stratégies de traitement du cancer de la prostate.
Discuter de la taxonomie des conceptions de recherche et choisir la conception appropriée pour la recherche de mise en oeuvre, avec des exemples d'essais randomisés par grappes et avant/après études.
Explore les défis que pose l'insertion de paramètres épidémiologiques à partir des données cliniques, en mettant l'accent sur la COVID-19 et la complexité de l'estimation des rapports de fatalité des infections.
Explore l'évolution des enquêtes dans l'astronomie moderne du domaine du temps, mettant en évidence l'impact des observations du domaine du temps sur les prix Nobel récents.
Explore les défis des études observationnelles, en soulignant l'importance de la randomisation et de l'analyse de sensibilité pour tirer des conclusions valables à partir de «données trouvées».
Enquêter sur la façon dont le mois de naissance influence le succès des athlètes, analyser l'ensemble de données des athlètes japonais pour explorer les tendances dans les dates de naissance et les professions.
Se concentre sur les fonctions avancées de pandas pour la manipulation, l'exploration et la visualisation des données avec Python, en soulignant l'importance de la compréhension et de la préparation des données.
Explore le processus de réfutation de la séance de cours académique, en mettant l'accent sur l'analyse des données pour l'acceptation du papier, l'apprentissage automatique et les tests statistiques.
Examine l'inférence causale, en soulignant l'importance de s'engager dans une ontologie pour tirer des inférences causales et choisir des estimands appropriés.
Couvre la méthode de l'élément fini statistique, en mettant l'accent sur la construction d'une mesure préalable, en traitant des erreurs de spécification des modèles et en combinant les données des capteurs avec les modèles FEM.
