Séance de cours

Génétique : Projet R 2

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Dans cours

BIO-373: Genetics and genomics

The theoretical part of this course covers classical genetics and contemporary genomics. Because bioinformatics has become important for genomic research, the course also includes practical applications to genomic analyses using Python, including group pro ...

Description

Cette séance de cours couvre l'analyse des génotypes et des variantes d'informations extraites des données openSNP, en se concentrant sur la conduite d'une étude d'association à l'échelle du génome (GWAS) pour explorer l'association entre les variantes génétiques et les phénotypes comme la hauteur. La séance de cours comprend l'exploration de données, des méthodes statistiques pour évaluer l'impact des covariables sur les phénotypes, la modélisation de régression linéaire et des techniques de visualisation telles que les parcelles de Manhattan. Les élèves apprendront à exécuter GWAS avec et sans covariables, interpréter les valeurs de p, comparer les résultats et mener une méta-analyse avec les données de l'étude GIANT.

Enseignant·e·s (2)

Bart Deplancke

Enseignement et PhD Doctorant·es actuel·les Wenyu Liu, Théo Nass, Augoustina Maria Economou, Horia Hashimi, Timothée Ferrari, Loïc David, Laurine Cécile Florentine Van Gijn, Angelika Gebhart, Camille Lucie Germaine Lambert, Marie Denise Rumpler, Antoni Jakub Gralak, Elisa Bugani, Geoffray Marie-Devillard A dirigé les thèses EPFL de Jovan Simicevic, Carine Delattre-Gubelmann, Andreas Massouras, Irina Krier, Alina Isakova, Sebastian Martin Waszak, Rachana Narendra Pradhan, Adamandia Kapopoulou, Roel Bevers,

Jacques Fellay

Jacques Fellay is a medical scientist with expertise in infectious diseases and human genomics. He obtained his MD from the University of Lausanne in 2002 and his PhD from University of Utrecht. After a clinical training in infectious diseases in Switzerland and a 4-years postdoctoral fellowship at Duke University, he joined the EPFL in April 2011 with an SNF Professorship. On top of his EPFL affiliation, Jacques is also Head of Precision Medicine at the University Hospital (CHUV) in Lausanne, Group Leader at the Swiss Institute of Bioinformatics, and Co-director of the Health2030 Genome Center at Campus Biotech in Geneva.

Source officielle

Proximité ontologique

Statistique

Analyse des données: Régression (statistiques)

Concepts associés (32)

Régression linéaire

En statistiques, en économétrie et en apprentissage automatique, un modèle de régression linéaire est un modèle de régression qui cherche à établir une relation linéaire entre une variable, dite expliquée, et une ou plusieurs variables, dites explicatives. On parle aussi de modèle linéaire ou de modèle de régression linéaire. Parmi les modèles de régression linéaire, le plus simple est l'ajustement affine. Celui-ci consiste à rechercher la droite permettant d'expliquer le comportement d'une variable statistique y comme étant une fonction affine d'une autre variable statistique x.

Régression non linéaire

Une régression non linéaire consiste à ajuster un modèle, en général non linéaire, y = ƒa1, ..., am(x) pour un ensemble de valeurs (xi, yi)1 ≤ i ≤ n. Les variables xi et yi peuvent être des scalaires ou des vecteurs. Par « ajuster », il faut comprendre : déterminer les paramètres de la loi, (a1, ..., am), afin de minimiser S = ||ri||, avec : ri = yi - ƒa1, ..., am(xi). ||...|| est une norme. On utilise en général la norme euclidienne, ou norme l2 ; on parle alors de méthode des moindres carrés.

Bayesian linear regression

Bayesian linear regression is a type of conditional modeling in which the mean of one variable is described by a linear combination of other variables, with the goal of obtaining the posterior probability of the regression coefficients (as well as other parameters describing the distribution of the regressand) and ultimately allowing the out-of-sample prediction of the regressand (often labelled ) conditional on observed values of the regressors (usually ).

Segmented regression

Segmented regression, also known as piecewise regression or broken-stick regression, is a method in regression analysis in which the independent variable is partitioned into intervals and a separate line segment is fit to each interval. Segmented regression analysis can also be performed on multivariate data by partitioning the various independent variables. Segmented regression is useful when the independent variables, clustered into different groups, exhibit different relationships between the variables in these regions.

Régression (statistiques)

En mathématiques, la régression recouvre plusieurs méthodes d’analyse statistique permettant d’approcher une variable à partir d’autres qui lui sont corrélées. Par extension, le terme est aussi utilisé pour certaines méthodes d’ajustement de courbe. En apprentissage automatique, on distingue les problèmes de régression des problèmes de classification. Ainsi, on considère que les problèmes de prédiction d'une variable quantitative sont des problèmes de régression tandis que les problèmes de prédiction d'une variable qualitative sont des problèmes de classification.

Afficher plus

Séances de cours associées (64)

Régression linéaire probabiliste

Examine la régression probabiliste linéaire, couvrant les probabilités articulaires et conditionnelles, la régression des crêtes et l'atténuation excessive.

Régression linéaire : fondements et applications

Introduit la régression linéaire, couvrant ses fondamentaux, ses applications et ses mesures d'évaluation dans l'apprentissage automatique.

Régression linéaire : Inférence statistique et régularisation

Couvre le modèle probabiliste de régression linéaire et l'importance des techniques de régularisation.

Régression linéaire : perspective d'inférence statistique

Explore la régression linéaire dans une perspective d'inférence statistique, couvrant les modèles probabilistes, la vérité au sol, les étiquettes et les estimateurs de probabilité maximale.

Apprentissage supervisé : Régression linéaire

Couvre l'apprentissage supervisé en mettant l'accent sur la régression linéaire, y compris des sujets comme la classification numérique, la détection des pourriels et la prédiction de la vitesse du vent.

Afficher plus

Concepts associés (32)

Régression linéaire

Régression non linéaire

Bayesian linear regression

Segmented regression

Régression (statistiques)

Afficher plus