nav[aria-label="Primary Navigation"] { padding: 0; & ul { list-style: none; width: 100%; display: flex; flex-direction: row; justify-content: start; align-items: start; gap: 30px; padding: 0; & li { margin: 0; } & ul li { list-style: none; } } }

309283_zh-TW

liliconcom · 2020-09-18T17:30:15+00:00

精準醫學的機器學習和生物標誌物亞組分析了解如何： * 了解機器學習的基礎知識* 比較使用來自較大人群的數據樣本的統計建模與數據機制未知的算法建模（機器學習）之間的差異 * 了解 4 種模型* 使用不同算法的模型（回歸、基於樹的模型、神經網絡） * 使用不同參數設置的模型（網格搜索、隨機搜索、遺傳算法） * 使用不同特徵的模型（特徵選擇、特徵提取、特徵工程） * 部署訓練集的模型（bagging、boosting、5 折交叉驗證） * 了解使用亞組分析和使用亞組識別（為給定藥物找到正確的患者）和最佳治療方案（給定患者的最佳藥物） * 使用 JMP 基因組學* 根據入院時收集的數據預測敗血症死亡 * 識別可歸因於 FAP…

liliconcom

精準醫學的機器學習和生物標誌物亞組分析

了解如何：

了解機器學習的基礎知識
- 比較使用來自較大人群的數據樣本的統計建模與數據機制未知的算法建模（機器學習）之間的差異
了解 4 種模型
- 使用不同算法的模型（回歸、基於樹的模型、神經網絡）
- 使用不同參數設置的模型（網格搜索、隨機搜索、遺傳算法）
- 使用不同特徵的模型（特徵選擇、特徵提取、特徵工程）
- 部署訓練集的模型（bagging、boosting、5 折交叉驗證）
了解使用亞組分析和使用亞組識別（為給定藥物找到正確的患者）和最佳治療方案（給定患者的最佳藥物）
使用 JMP 基因組學
- 根據入院時收集的數據預測敗血症死亡
- 識別可歸因於 FAP 中化學預防療法治療的正常與息肉組織的差異分子表達特徵
- 使用亞組分析來尋找臨床測量或代謝物生物標誌物
資源
- 一個綜合的臨床代謝組學模型提高了對膿毒症死亡的預測案例分析
- 有關的JMP 成功案例描述 JMP Genomics 在絕大多數分析中的應用