Explore la normalisation quantile en génomique, en mettant l'accent sur la préparation des données, le chargement, le filtrage et l'importance d'une analyse précise de l'expression des gènes.
Explore une régression robuste dans l'analyse des données génomiques, en mettant l'accent sur la pondération des résidus importants pour une meilleure précision des estimations et des mesures d'évaluation de la qualité telles que NUSE et RLE.
Explore les applications des matrices d'ADN, les méthodes de fabrication, la détection SNP, l'utilisation des matrices de protéines, la structuration des matrices et la comparaison du microréseau avec l'ARN-Seq.
Introduit les bases statistiques, y compris l'analyse des données et la théorie des probabilités, en mettant l'accent sur la tendance centrale, la dispersion et les formes de distribution.
Introduit les bases de l'apprentissage automatique supervisé, couvrant les types, les techniques, le compromis biais-variance et l'évaluation du modèle.
Explore la théorie de la généralisation dans l'apprentissage automatique, en abordant les défis dans les espaces de dimension supérieure et le compromis entre les biais et les variables.
Explore le compromis entre le biais et la variation dans l'apprentissage automatique, en mettant l'accent sur l'équilibre entre le biais et la variance dans les prédictions du modèle.
Discute des méthodes d'estimation en probabilité et en statistiques, en se concentrant sur l'estimation du maximum de vraisemblance et les intervalles de confiance.
