Explore l'éclosion de COVID-19, sa terminologie, sa transmission, sa gravité et son impact mondial, en soulignant l'importance des stratégies d'atténuation et de l'épidémiologie numérique.
Couvre les concepts fondamentaux de probabilité et de statistiques, en se concentrant sur l'analyse des données, la représentation graphique et les applications pratiques.
Explorer l'interprétation des modèles de régression logistique, l'estimation des paramètres et la comparaison des modèles à l'aide de tests de rapport de probabilité.
Explore l'inférence statistique pour les modèles linéaires, couvrant l'ajustement du modèle, l'estimation des paramètres et la décomposition de la variance.
Explore l'inférence statistique, la suffisance et l'exhaustivité, en soulignant l'importance de statistiques suffisantes et le rôle de statistiques complètes dans la réduction des données.
Examine la régression probabiliste linéaire, couvrant les probabilités articulaires et conditionnelles, la régression des crêtes et l'atténuation excessive.
Se concentre sur l'inférence à grande échelle pour la détection des points chauds QTL dans les modèles de régression clairsemée, soulignant la nécessité d'utiliser la génomique pour comprendre la variation des phénotypes et la susceptibilité à la maladie.
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.
Il explore la construction de régions de confiance, les tests d'hypothèse inversés et la méthode pivot, en soulignant l'importance des méthodes de probabilité dans l'inférence statistique.
Introduit des concepts d'inférence statistique, en se concentrant sur l'estimation des paramètres, les estimateurs non biaisés et l'estimation moyenne à l'aide de variables aléatoires indépendantes.
Se penche sur les défis et les possibilités de l'apprentissage automatique dans la modélisation du risque de crédit, en comparant les modèles statistiques traditionnels avec les méthodes d'apprentissage automatique.
Couvre le lien entre les modèles statistiques et les théories de champ conformes unitaires, en se concentrant sur les points critiques et le rôle des champs locaux.
