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 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».
Explore l'importance de la randomisation dans la spectrométrie de masse des protéines et la protéomique, en soulignant son rôle dans la minimisation des biais et la garantie de la validité de la recherche.
Examine l'inférence causale, en soulignant l'importance de s'engager dans une ontologie pour tirer des inférences causales et choisir des estimands appropriés.
Discute de l'impact des séance de courss en direct sur la performance et l'assiduité des étudiants, révélant des effets variés en fonction des niveaux de capacité des étudiants.
Couvre les bases de la théorie des probabilités, y compris les définitions, les calculs et les concepts importants pour l'inférence statistique et l'apprentissage automatique.
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.
Explore la construction d'un modèle de probabilité, l'échantillonnage aléatoire, le calcul de la variance et l'optimisation de l'allocation dans les expériences.
Couvre le concept d'événements et de tribus en théorie des probabilités, soulignant l'importance de définir les tribus valides et leur rôle dans la modélisation des expériences aléatoires.
