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».
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 les défis expérimentaux de conception en sciences sociales, en mettant l'accent sur la formulation d'hypothèses, le contrôle variable et l'atténuation des biais.
S'insère dans la conception expérimentale en génomique, mettant l'accent sur la réplication, la randomisation et le blocage pour réduire le biais et contrôler la variation.
Présente des concepts clés en probabilité et en statistiques, couvrant des expériences aléatoires, des événements, des intersections, des syndicats et plus encore.
Examine les défis que posent les hypothèses de données, les biais et d'autres aspects de la recherche, y compris les écritures incomplètes et les frustrations des nouveaux arrivants.
Explore l'évaluation de la réglementation du marché, en se concentrant sur le trading à haute fréquence et l'impact des changements réglementaires sur la liquidité et la qualité du marché.
Introduit des concepts clés en probabilité et en statistique, illustrant leur application à travers divers exemples et soulignant l'importance du langage mathématique dans la compréhension de l'univers.
Déplacez-vous dans l'intersection de la physique et des données dans les modèles d'apprentissage automatique, couvrant des sujets tels que les champs d'expansion des grappes atomiques et l'apprentissage non supervisé.
Déplacez-vous dans les probabilités, les statistiques, les expériences aléatoires et l'inférence statistique, avec des exemples pratiques et des idées.
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.
