안녕하십니까 여러분.
감사 ~을 위한 동조 안에 에게 나의 말하다.
나는 데이비드 마인트럽,
교수 ~에 잉골슈타트 대학교 의 적용된 과학.
그리고 오늘, 나 ~ 할 것이다 말하다 ~에 대한 ㅏ 올가미 R 외출 에게 R 감지 이스크 F 배우들
~을 위한 치명적인 오 결과 안에 중환자 코로나바이러스감염증-19 : 코로나19 환자.
위에 그만큼 마지막 둘 연령,
무엇 시작했다 에게 더욱 더 신경 쓰다 나,
그리고 그것 ~이다 ~ 아니다 무엇 너 아마 생각한다 지금, 피 풍토병,
또는 ~에 최소 ~ 아니다 뿐.
그만큼 주제 ~이다 연결된 에게 이것.
이것 ~이다 나 기부 ㅏ 말하다 ~에 깊은 학습 그리고 인공의 지능
~에 그만큼 발견 정상 회담 2019년 안에 그만큼 아주 멋진 도시 의 코펜하겐.
그리고 ~부터 그 다음에,
그것 외모 처럼 일체 포함 가지다 ~이 되다 그만큼 만능인 도구 ~을 위한 모든 것,
그래서 허락하다 나 주다 너 예시.
~ 안에 5월 2021년,
그만큼 일반적인 감독 의 그만큼 세계 건강 조직
말했다 그만큼 수행원:
"하나 의 그만큼 수업 의 코로나바이러스감염증-19 : 코로나19
~이다 저것 그만큼 세계 필요 ㅏ 중요한 뛰다 앞으로
안에 데이터 분석.
이것 요구한다 활용 그만큼 잠재적인 의 고급의 기술
그런 ~처럼 인공의 지능."
그래서 에게 나, 이것 느낌 처럼 ㅏ 조금, 잊다 ~에 대한 그만큼 과학적 방법
정의 그만큼 목표, 지정 그만큼 도구, 진술 그만큼 가설, 외 기타,
단지 하락 그만큼 마법 단어 인공의 지능
그리고 너 ~이다 ~에 그만큼 좋은 옆.
그래서 그러므로, 나 결정했다 에게 주다 이것 말하다 안에 그만큼 형태 의 ㅏ 대화
~ 사이 일체 포함 열성가 ~에 그만큼 왼쪽 옆 그리고 ㅏ 통계학자 ~에 그만큼 오른쪽 옆.
그리고 나는 가고 있다 에게 말하다 ㅏ 조금 더 구체적으로 ~에 통계 모델,
인공의 지능, 그리고 처벌 회귀.
그리고 그 다음에 안에 그만큼 초 부분 의 그만큼 말하다, 나는 실제로 가고 있다 에게 현재
경우 공부하다 ~에 대한 그만큼 비판적으로 아픈 코로나바이러스감염증-19 : 코로나19 환자.
그래서 하자 가져 오기 시작했다.
여기 그만큼 첫 번째 의문 ~에서 우리의 일체 포함 열성가.
~ 안에 그만큼 연대 의 인공의 지능 그리고 깊은 학습,
누구 필요 통계 회귀 모델?
여기 나의 짧은 대답 저것 나 빌린 ~에서 후안 라브 이스타,
바이스 대통령 ~에 마이크로소프트.
"언제 우리 들어올리다 돈, 이것의 일체 포함, 언제 우리 고용하다, 이것의 기계 학습,
그리고 언제 우리 하다 그만큼 일하다, 이것의 물류 회귀."
그래서 나 사랑 이것 트위터 왜냐하면 안에 나의 의견 ~에 최소,
그것 응축 ㅏ 많은 의 진실 안에 ㅏ 매우 짧은 성명.
일체 포함 가지다 ~이 되다 ㅏ 만능인 마케팅 도구.
하지만 ~을 위한 그만큼 진짜 문제, 우리 아직 사용 전통적인 고급의 통계 행동 양식.
ㅏ 작은 조금 더 길게 대답 ~할 수 있었다 ~이다 그만큼 수행원.
만약에 나 바라보다 ~에 그만큼 전형적인 직무 의 엔지니어 그리고 과학자,
그들 포함 받아 들여 쓰다, 이해하다, 개선하다, 그리고 예측하다.
그리고 깊은 학습 그리고 인공의 지능
~이다 주로 ㅏ 예측 도구.
을 위한 모든 것 또 다른,
우리 아직 필요 고급의 통계 행동 양식 처럼 전통적인 기계 학습,
통계 모델링, 그리고 설계 의 실험.
괜찮아, 하지만 너 가지다 에게 인정하다
저것 거기 ~이다 매우 성공적인 응용 프로그램 의 일체 포함 그리고 깊은 학습.
잘, 거기 물론 아니요 의심 ~에 대한 저것.
을 위한 예시,
예측 그만큼 다음 이동하다 안에 ㅏ 게임 처럼 체스 그리고 가다.
그만큼 깊은- 학습 알고리즘 하다 이것 방법 더 나은 ~보다 어느 인간 존재.
또는 나 ~일 것이다 처럼 에게 소개하다 나의 가장 좋아하는 인공의 지능 신청,
어느 ~이다 해결 그만큼 단백질 접는 문제.
그만큼 단백질 접는 문제 가지다 뛰어나게 계속 ~ 이다 도입 1972년
~에 의해 그만큼 노벨 상 우승자, 신자 안핀센,
누구 말했다 안에 그의 수락 연설
저것 ㅏ 단백질의 아미노 산 순서 ~해야 한다 충분히 결정하다 그것의 3D 구조.
그리고 ~ 위에 그만큼 마지막 50 연령, 이것 문제 가지다 원래 계속 ~ 이다 미해결.
그리고 거기 ~였다 매우 작은 진전
~까지 딥마인드 ~에 의해 Google 개발된 일체 포함- 기반을 둔 연산 ~라고 불리는 알파F 낡은
저것 에게 ㅏ 매우 크기가 큰 정도 해결 그만큼 단백질 접는 문제.
그리고 너 보다 둘 예 의 이것 ~에 그만큼 오른쪽 옆.
이것 ~이다 매우 감동적인 그리고 아름다운 일하다.
그리고 나 포함 그것 여기 왜냐하면 나 원한 에게 밝히다
저것 이것 ~이다 그만큼 완벽한 깊은- 학습 일체 포함 문제.
우리 가지다 ㅏ 대단한 양 의 데이터,
우리 가지다 ㅏ 조합의 폭발 의 옵션,
그리고 그만큼 결과 우리 ~이다 찾고 ~을 위한 ~이다 ㅏ 예측,
그만큼 실제 3D 구조 의 그만큼 단백질.
그래서 ~을 위한 예측, 우리 ~해야 한다 언제나 사용 일체 포함.
아니다 ~에 모두.
을 위한 예시, 안에 그만큼 데이터세트 저것 나 ~ 할 것이다 현재
~에 대한 그만큼 비판적으로 아픈 코로나바이러스감염증-19 : 코로나19 환자,
우리 원하다 그만큼 모델 에게 예측하다 만약에 그만큼 인내심 있는 ~ 할 것이다 생존하다 또는 ~ 할 것이다 주사위.
하지만 그만큼 순수한 예측 하지 않는다 진짜 돕다.
만약에 너 알다 누구 ~이다 가고 있다 에게 주사위, 무엇 너 원하다 ~이다 너 원하다 에게 치료하다,
너 원하다 에게 예방하다, 너 원하다 에게 알다 그만큼 위험 요인,
너 원하다 에게 ~이다 할 수 있는 에게 행동
그리고 ~ 아니다 단지 간단히 예측 죽음 또는 활착.
그래서 무엇 우리 필요 ~이다 ㅏ 진짜 해석 가능한 모델
저것 ~ 할 것이다 힌트 이것들 것들 저것 우리 필요
처럼 치료, 방지, 그리고 위험 요인.
또 다른 방법 의 찾고 ~에 그것,
하자 가지다 ㅏ 바라보다 ~에 전형적인 데이터- 중심의 모델링 전략.
뭐 ~이다 매우 일반적으로 완료 안에 깊은- 학습 일체 포함 환경
~이다 저것 너 가져가다 모두 사용 가능 데이터,
너 던지다 그것 안에 그만큼 깊은- 학습 일체 포함 연산.
그리고 그것 ~할 것 같다 예측하다 매우 잘 그만큼 결과 저것 당신은 찾고 을 위한,
하지만 당신은 구하는 ㅏ 충분히 해석할 수 없는 모델.
뭐야 대안?
안 대안 ~이다 에게 이미 안에 그만큼 데이터 수집 프로세스
생각한다 주의하여 무엇 데이터 하다 너 필요 ~와 함께 고급의 통계 행동 양식.
그 다음에 적용하다 ㅏ 통계 모델,
그리고 ~처럼 ㅏ 결과, 너 가져 오기 ㅏ 충분히 해석 가능한 모델.
괜찮아, 말한다 우리의 일체 포함 열성가,
하지만 너 ~이다 잃어버린 중요한 가리키다 여기.
통계 모델 ~할 것 같다 ~이다 멋진 ~을 위한 작은 데이터 세트,
하지만 ~을 위한 큰 데이터, 그들 캔트 ~이다 사용된, 오른쪽?
잘, 아니요.
을 위한 크기가 큰 데이터 세트, 거기 ~이다 몇몇의 지능적인 방법
에게 줄이다 그만큼 차원
~ 전에 너 시작 ~와 함께 그만큼 장착 프로세스 의 그만큼 모델.
그리고 나 ~일 것이다 처럼 에게 소개하다, ~에 최소 곧,
삼 의 이것들 지능적인 방법 에게 줄이다 그만큼 모델 차원.
숫자 하나, 중복성 분석, 무엇 너 ~할 것 같다 가지다 들었다 에 대한.
만약에 너 가지다 ㅏ 크기가 큰 데이터 세트,
그만큼 가격 너 지불 ~이다 일반적으로 저것 그만큼 요인 ~이다 고도로 상관
그리고 너 ~할 수 있다 측정하다 그만큼 양 의 상관관계 이내에 그만큼 세트 의 요인
~에 의해 그만큼 값 저것 ~이다 ~라고 불리는 변화 인플레이션 요인.
그리고 그 다음에 너 ~할 수 있다 실제로 제거하다 그만큼 요인
~와 함께 그만큼 제일 높은 변화 인플레이션 요인.
왜요?
왜냐하면 그들 ~하지 않다 추가하다 추가의 정보
에게 그만큼 세트 의 요인 저것 너 ~이다 이미 찾고 에.
그래서 이것 ~이다 하나 권위 있는 방법 의 감소 그만큼 차원 의 당신의 데이터.
만약에 너 가지다 범주형 데이터, ~을 위한 예시,
너 바라보다 ~에 엑스- 레이 의 그만큼 폐 그리고 너 ~할 수 있다 보다 다른 증상.
그 다음에 너 ~할 수 있다 가지다 변수 저것 설명하다,
이것 징후 ~였다 거기, 이것 징후 ~였다 거기,
또는 다른 징후 ~였다 거기, 엑스 1, 엑스 2, 엑스 삼.
아마도 ~을 위한 당신의 분석,
이것의 충분한 에게 구별하다 정상- 찾고 폐
그리고 ㅏ 폐 저것 가지다 약간 증상 어딘가에.
~ 안에 다른 단어, 너 전환하다 ㅏ 열 뿐 ~와 함께 0 에게 ㅏ 영.
그리고 만약에 거기 ~에 최소 하나 하나, 너 변화 그것 에게 ㅏ 하나,
그리고 너 만들다 ㅏ 새로운 변하기 쉬운 매력 있는 것 이것 정보.
또는 에게 주다 너 대안, 너 ~할 수 있었다 합집합 엑스 1, 엑스 2, 그리고 엑스 삼,
그리고 세다 그만큼 숫자 의 증상 저것 너 보다 ~에 엑스- 레이.
이것 절차 ~이다 ~라고 불리는 득점
그리고 ~이다 ㅏ 매우 효율적인 방법 의 감소 차원.
주요한 요소 분석 가지다 바로 그거죠 그만큼 같은 영혼.
그것 재결합 마디 없는 변수.
그것 소요 ㅏ 선의 콤비네이션 의 마디 없는 변수
~와 함께 그만큼 아이디어 의 매력 있는 것 그만큼 변화 안에 하나 새로운 만들어진 변하기 쉬운.
나 전화 이것들 차원 절감 행동 양식 지능적인,
왜냐하면 언제 너 적용하다 그들을,
너 이미 배우다 무엇 ~에 대한 당신의 데이터.
그리고 그건 그만큼 전부의 목적 의 통계, 아니다 그것?
학습 것들 ~에서 당신의 데이터.
그래서 허락하다 나 요약하다 그만큼 장점 의 통계 모델.
첫 번째, 그들 ~할 수 있다 ~이다 사용된 ~을 위한 모두 종류 의 작업,
~ 아니다 뿐 ~을 위한 예측.
초, 그만큼 모델 그 자체 ~이다 유용한 그리고 충분히 해석 가능.
그리고 제삼,
너 ~할 수 있다 시작 안에 ㅏ 크기가 큰 데이터세트 ~와 함께 지능적인 차원 절감
~ 전에 너 실제로 맞다 그만큼 모델.
나는 아직 ~ 아니다 확신했다.
할 수 있다 너 주다 나 예시 의 ㅏ 통계 모델
저것 너 적용된 에게 ㅏ 크기가 큰 데이터세트?
괜찮아, 그래서 하자 소개하다 물류 올가미 회귀.
올가미 ~이다 약어
~을 위한 최소 순수한 수축 그리고 선택 운영자,
그리고 왜 그것 ~이다 ~라고 불리는 처럼 저것, 나 ~ 할 것이다 설명 안에 ㅏ 약간의 순간.
하자 소개하다 이것 올가미 회귀 안에 네 단계.
단계 숫자 하나 ~이다 에게 상기시키다 우리 스스로 의 그만큼 물류 회귀 모델.
~ 안에 ㅏ 물류 회귀 모델, 우리 가지다 ㅏ 범주,
안에 그만큼 가장 쉬운 사례, 둘- 수준 요인...
죄송합니다. 범주형 응답 ~와 함께 둘 수준,
그리고 우리 가지다 ㅏ 목표 에게 모델 그만큼 발생 개연성 의 그만큼 이벤트.
이것 ~이다 일반적으로 완료 ~와 함께 이것 에스- 모양의 기능
저것 해당 에게 그만큼 개연성 의 그만큼 이벤트 실제로 발생.
그만큼 기능의 기간 ~이다 주어진 여기 에게 그만큼 왼쪽,
하지만 그만큼 좋은 소식 ~이다 저것
~와 함께 쉬운 변환 저것 ~이다 ~라고 불리는 로짓 변환,
너 ~할 수 있다 회전하다 그만큼 원래의 가치 ~ 안으로 통나무 그것은 가치,
그리고 그 다음에 그만큼 결과 ~이다 ㅏ 단순한 선의 회귀
~에 그만큼 로짓 값.
그래서 그만큼 맨 아래 선 ~이다 물류 회귀,
~이다 간단히 선의 회귀 ~에 로짓 가치.
단계 숫자 둘.
이것 ~이다 ㅏ 권위 있는 상황 의 ㅏ 둘- 요인 선의 회귀 모델.
그리고 어떻게 하다 우리 맞다 이것 에게 ㅏ 데이터 구름?
잘, 우리 하다 이것 ~와 함께 그만큼 돕다 의 ㅏ 손실 기능.
을 위한 예시, 우리 가져가다 그만큼 합집합 의 제곱 오류,
그리고 그 다음에 우리 바라보다 ~을 위한 그만큼 최저한의 의 이것 기능.
이것 ~이다 그만큼 매우 유명한 그리고 기준 평범한 정사각형 평가자
저것 ~이다 그만큼 결과 의 최소화 구체적으로 이것 손실 기능
주어진 ~에 의해 그만큼 합집합 의 제곱 오류.
셋째, 무엇 저것 ~이다 아마도 더 적은 모두 다 아는,
나 ~일 것이다 처럼 에게 소개하다 개념 에프 롬 수학
그만큼 표준 의 ㅏ 벡터 저것 ~이다 실제로 단지 ㅏ 대표
의 그만큼 개념 의 그만큼 거리 의 ㅏ 길이 의 ㅏ 벡터.
하자 바라보다 ~에 삼 예.
그만큼 첫 번째 하나 저것 너 보다 여기 안에 그만큼 가운데
~이다 그만큼 권위 있는 거리 저것 너 모두 알다 그리고 사용.
이것 ~이다 그만큼 유클리드 거리.
이것의 계획된 ~에 의해 취득 그만큼 사각형 의 그만큼 좌표
그리고 그 다음에 취득 그만큼 정사각형 뿌리.
그만큼 단위 원 ~처럼 너 알다 대표하다 모두 포인트들
저것 가지다 ㅏ 거리 하나, ~에서 그만큼 센터.
이것 ~이다 그만큼 권위 있는 유클리드 표준.
우리 ~할 수 있다 단순화 이것 계산 ~에 의해 간단히 취득 그만큼 합집합 의 순수한 가치.
그래서 대신에 의 취득 ㅏ 정사각형 그리고 취득 ㅏ 정사각형 뿌리,
우리 간단히 합집합 그만큼 순수한 가치.
이것 ~이다 ~라고 불리는 그만큼 L_1 표준.
그리고 무엇 너 보다 여기, 이것 다이아몬드 ~이다 그만큼 대표
의 그만큼 단위 원 의 이것 L_1 표준.
~ 안에 다른 단어, 모두 그만큼 포인트들 여기 ~에 이것 다이아몬드 가지다 거리 하나 ,
만약에 너 측정하다 거리 ~와 함께 그만큼 엘 _1 표준.
드디어, 그만큼 그래서- ~라고 불리는 최고 표준 어디 너 계속하다 에게 단순화하다.
너 단지 가져가다 그만큼 더 큰 값 의 그만큼 둘 순수한 가치, x1 그리고 x2 .
만약에 너 생각한다 ~에 대한 무엇 그만큼 단위 원 ~이다 안에 이것 사례,
그것 ~ 할 것이다 실제로 회전하다 ~ 안으로 ㅏ 정사각형.
이것 정사각형 ~이다 그만큼 단위 원 ~을 위한 그만큼 최고 값.
그래서 안에 요약, 우리 ~할 수 있다 측정하다 거리 안에 다른 방법 안에 수학,
그리고 무엇 너 보다 여기, 그만큼 다이아몬드, 그만큼 실제 원 또는 정사각형
~이다 단위 원.
그래서 포인트들 ~와 함께 거리 하나, 단지 정확히 잰 ~와 함께 삼 다른 규범,
삼 거리,
삼 다른 개념 의 무엇 ㅏ 길이 이다.
드디어, 하자 결합시키다 모든 것 우리는 완료 그래서 멀리.
그래서 우리 시작 ~와 함께 그만큼 물류 회귀 모델.
우리 추가하다 그만큼 손실 기능.
그리고 지금, 대신에 의 취득 그만큼 평범한 제곱 손실 기능,
우리 추가하다 추가 기간.
그리고 이것 기간 구성 원래 의 그만큼 L_1 표준 의 그만큼 매개변수.
너 보다 저것 우리 추가하다 그만큼 순수한 가치, 베타_1 그리고 베타_2?
그래서 이것 ~이다 그만큼 L_1 표준 의 그만큼 매개변수
저것 우리 추가하다 에게 그만큼 손실 기능.
의 강의, 이것 ~이다 단지 하나 선택.
너 ~할 수 있었다 또한 정사각형 이것들.
그 다음에, 너 ~일 것이다 가져 오기 무엇 ~이다 ~라고 불리는 ㅏ 산등성이 회귀
만약에 너 가져가다 그만큼 정사각형 의 그만큼 매개변수.
이것 첫 번째 하나 여기,
그만큼 맨 위 하나 저것 우리 ~이다 가고 있다 에게 계속하다 에게 사용
~이다 ~라고 불리는 그만큼 올가미 또는 L_1 회귀
왜냐하면 이것 기간 여기 ~이다 간단히 그만큼 L_1 표준 의 그만큼 베타,
의 그만큼 매개변수 벡터.
지금, 전반적인, 무엇 이것 수단 ~이다 저것 너 벌하다 그만큼 손실 기능
~을 위한 고르는 크기가 큰 베타 가치.
그리고 이것 ~이다 왜 이것 패널티 저것 너 소개하다
리드 에게 그만큼 기간 처벌 손실 기능.
그래서 만약에 너 가지다 ㅏ 처벌, 패널티 ~을 위한 크기가 큰 베타 벡터,
그 다음에 대신에 의 행위 평범한 최소 사각형,
너 하다 ㅏ 처벌 회귀.
지금, 하자 바라보다 ㅏ 작은 조금 가까이 에게 그만큼 효과 저것 처벌 가지다.
그래서 이것 ~이다 한 번 다시 그만큼 처벌 손실 기능
~와 함께 이것 추가의 기간 여기.
지금, 그만큼 그래프 저것 너 보다 여기
~이다 독립적인 의 그만큼 그래서- ~라고 불리는 동조 매개변수, 람다.
그만큼 더 큰 람다 이다, 그만큼 더 무게 이것 기간 가지다,
그리고 그만큼 더 그것 ~ 할 것이다 힘 그만큼 베타 값 에게 ~이다 작은.
이것 ~이다 왜 너 보다 저것 그만큼 매개변수 수축.
그리고 이것 ~이다 왜 이것 전부의 절차 ~이다 ~라고 불리는 순수한 수축.
둘째, 안에 이것 그래프, 너 ~할 수 있다 고려하다 이것 지역 여기,
이것 다이아몬드 ~처럼 그만큼 예산 저것 너 가지다
~을 위한 그만큼 합집합 의 그만큼 순수한 가치 의 베타.
그리고 ~에 이것들 타원, 그만큼 잔여 합집합 의 정사각형 ~이다 끊임없는.
그래서 당신은 찾고 ~을 위한 그만큼 가장 작은 잔여 합집합 의 정사각형
이내에 그만큼 예산.
이것 안에 그만큼 사례 그어진 여기 리드 에게 이것 가리키다 여기.
그리고 ~로 인한 에게 그만큼 모양 의 이것 다이아몬드,
이것들 둘 ~ 할 것이다 일반적으로 연결하다 안에 ㅏ 모서리 의 그만큼 다이아몬드.
그리고 무엇 이것 수단 ~이다 저것 그만큼 동 매개변수
~이다 세트 정확하게 에게 영.
그리고 이것 ~이다 왜 이것 방법 ~이다 또한 좋은 ~을 위한 선택
왜냐하면 환경 이것 매개변수 영 수단 아무것도 아님 또 다른
발로 차기보다 그것 밖으로 의 그만큼 모델.
그래서 이것 ~이다 안에 요약 왜 우리 전화 그만큼 엘 _1 회귀 올가미.
그것 가지다 ㅏ 수축 요소 그리고 ㅏ 선택 요소
~로 인한 에게 이것들 둘 설명 특징.
하나 마지막 현실적인 측면 의 올가미 회귀
~이다 ~에 대한 그만큼 동조 매개변수, 이것 람다 여기.
어떻게 하다 너 선택하다 그것?
잘, 하나 매우 흔한 접근하다 ~이다 그만큼 수행원:
너 사용 ㅏ 확인 방법
처럼 ~을 위한 예시, 아카이케 정보 표준,
그리고 너 구성 그만큼 의존 의 그만큼 AIC 의 람다.
그리고 그 다음에 너 ~할 수 있다 선택하다 ㅏ 람다 값
저것 준다 너 ㅏ 최소한의 AIC.
에 그만큼 왼쪽 옆, 너 보다 어떻게 그만큼 매개변수 수축
그리고 너 ~할 수 있다 보다 그만큼 푸른 윤곽 저것 대응하다 에게 그만큼 매개변수
저것 ~이다 실제로 비 영
동안 그만큼 다른 것 ~이다 이미 강요된 에게 ~이다 영.
나는 아직 ~ 아니다 확신했다.
할 수 있다 너 보여 주다 나 ㅏ 콘크리트 사례 공부하다?
의 강의.
그래서 데이터 저것 나는 가고 있다 에게 현재 여기
구성 의 739 위독한 중환자실 환자 ~와 함께 코로나바이러스감염증-19 : 코로나19
저것 ~였다 모은 안에 그만큼 시작 의 그만큼 전 세계적인 유행병
~ 사이 3월 그리고 십월 2020.
우리 가지다 하나 바이너리 응답
저것 구성 의 그만큼 수준 회복 된 그리고 죽은,
그리고 우리 가지다 43 요인:
랩 가치, 생식기, 미리 기존의 정황, 등등.
이것 ~이다 그만큼 데이터 저것 우리 ~이다 가고 있다 에게 분석하다 지금.
그래서 여기, 너 보다 그만큼 데이터세트.
그것 가지다 44 열, ~처럼 너 ~할 수 있다 보다 아래에 여기.
그리고 739 환자.
지금, 하자 시작 익숙해지다 ㅏ 작은 조금 여기 ~와 함께 그만큼 데이터.
우리 가지다 이것 마지막 모두 다 아는 상태, 회복 된 그리고 죽은,
나이, 성별, 그리고 체질량지수.
그리고 그 다음에 우리 가지다 추가의 기준선 가치,
동반질환, 바이탈, 엘 ab 가치, 증상, 그리고 CT 결과.
하자 바라보다 ~에 약간 배포판.
그래서 이것 ~이다 그만큼 분포 의 그만큼 마지막 모두 다 아는 상태.
그래서 너 ~할 수 있다 보다 저것 안타깝게도 46% 의 이것들 환자 사망 한.
우리 보다 여기 그만큼 비뚤어진 나이 분포 ~와 함께 중요성 여기 ~ 위에 60.
그리고 너 ~할 수 있다 보다 저것 대충 70% 의 그만큼 환자 ~이다 수컷.
가지다 ㅏ 바라보다 ~에 그만큼 추가의 기준선 가치.
너 ~할 수 있다 보다 여기 그만큼 신체 대량의 인덱스,
그리고 너 ~ 할 것이다 알아채다 저것 우리 가지다 ㅏ 성향 의 높은 신체 대량의 인덱스
~ 위에 25.
우리 가지다 상당히 ㅏ 많은 의 에이스 그리고 에 억제제,
그리고 또한 의 스타틴, 그래서 치료 ~을 위한 콜레스테롤
그리고 ~을 위한 피 압력 그리고 약간 면역억제제.
다음, 동반질환.
너 보다 저것 거의 3분의 2 ~이다 고혈압,
그리고 우리 가지다 상당히 ㅏ 중요한 양 의 심혈관 질병,
의 폐 질병,
그리고 ~에 대한 30퍼센트 의 우리의 환자 가지다 당뇨병.
지금, ~을 위한 그만큼 남은 네 여러 떼, 바이탈, 엘 ab 가치, 증상, 그리고 CT,
나는 가고 있다 에게 보여 주다 너 하나 대표 ~에서 각
그래서 저것 너 ~할 수 있다 가져 오기 ㅏ 감정 의 어떻게 이것들 가치 ~이다 배포.
이것 ~이다 그만큼 호흡기 비율.
이것들 ~이다 그만큼 숫자 의 림프구.
그래서 이것 ~이다 ㅏ 필수적인 매개변수, ㅏ 랩 매개변수.
여기, 너 가지다 ㅏ 징후, 중증 간 실패
저것 ~할 수 있다 발생하다 ~에 그만큼 중환자실.
그리고 이것 ~이다 ㅏ CT 결과,
지역 의 강화 저것 ~할 수 있다 ~이다 본 ~에 그만큼 CT 의 그만큼 폐.
괜찮아, 그래서 지금 우리 ~이다 준비가 된
그리고 우리 ~이다 실제로 가고 있다 에게 분석하다 그만큼 모델.
그래서 나 가다 에게 분석, F 그것 엠 오델.
나 가져가다 그만큼 마지막 모두 다 아는 상태.
그건 왜 나 던지다 안에 모든 것 또 다른 ~처럼 요인
그리고 나 가다 에게 일반적인 회귀
어느 ~이다 가고 있다 에게 공연하다 그만큼 올가미 회귀.
너 ~할 수 있다 보다 여기 저것 그만큼 올가미 견적 방법
~이다 이미 미리 선택했습니다.
그래서 만약에 나 딸깍 하는 소리 ~에 가다, 그만큼 절차 ~이다 이미 완성된.
이것의 매우 빠른, 그리고 이것 ~이다 그만큼 결과.
이것 ~이다 그만큼 스크린샷 저것 너 봤다 이미 ~에 그만큼 미끄러지 다.
지금, 나는 ~ 아니다 가고 있다 에게 일하다 ~와 함께 이것 모델 ~을 위한 그만큼 수행원 이유.
만약에 나 가다 여기 위로 에게 그만큼 모델 C 비교 부분,
나 보다 저것 나 가지다 30 매개변수 안에 이것 모델.
그래서 이것 모델 ~이다 아직 매우 큰.
만약에 나 가다 뒤 아래에 여기,
나 ~할 수 있다 보다 저것 나의 AIC 하지 않는다 변화 ㅏ 많은 만약에 나 놓다 그것 더 나아가 에게 그만큼 왼쪽.
대신에 의 행위 이것 수동으로, 무엇 나는 가고 있다 에게 하다
~이다 나는 가고 있다 에게 변화 그만큼 설정 의 JMP
그래서 저것 그것 하지 않는다 가져가다 그만큼 베스트- 맞다, 그만큼 최소한의 AIC,
하지만 대신에 그만큼 가장 작은 이내에 그만큼 노란색 존.
그래서 이것 ~이다 무엇 나 ~할 수 있다 하다 여기 안에 그만큼 모델 시작하다.
그래서 나 가져가다 그만큼 고급 C 통제
그리고 나 변화 최고 맞다 S에게 가장 큰 Y에서 엘로우 Z 하나.
나 딸깍 하는 소리 ~에 가다.
그리고 지금, 실제로 나 가지다 ㅏ 매우 멋진 모델 ~와 함께 16 매개변수.
지금, 이것 ~이다 그만큼 모델 나는 가고 있다 에게 사용.
그리고 에게 ~이다 할 수 있는 에게 보여 주다 너 무엇 요인 ~이다 안에 이것 모델,
나는 단지 가고 있다 에게 고르다 그들을, 고르다 0이 아닌 자귀.
지금, 나 가지다 이것들 16 선택된,
그리고 나 ~할 수 있다 놓다 그들을 안에 ㅏ 물류 회귀
그리고 활성화 그만큼 승산 비율.
그래서 ~에 그만큼 맨 위, 우리 보다 그만큼 16 효과 안에 우리의 모델.
그리고 아래에, 우리 ~할 수 있다 보다 그만큼 승산 비율.
그래서 ~을 위한 예시, 그만큼 승산 비율 의 나이 ~이다 1.07.
만약에 너 가져가다 이것 에게 그만큼 힘 10, 그것 ~ 할 것이다 주다 너 대충 ㅏ 값 의 둘,
어느 수단 저것 ~와 함께 10 년 더,
대충, 약 당신의 승산 비율 더블스.
당신의 가능성 의 사망 ~이다 두 배 ~처럼 높은 ~처럼 전에.
그리고 그 다음에 아래에 여기,
우리 가지다 그만큼 승산 비율 ~을 위한 그만큼 교육적인 변수.
그래서 ~을 위한 예시,
관상 동맥 심혈관 질병 가지다 이상한 비율 의 1.62.
지금, 나 ~일 것이다 처럼 에게 가리키다 밖으로 약간 의 이것들 결과.
그래서 하자 첫 번째 바라보다 ~에 요인
저것 ~이다 잘- 모두 다 아는 ~에서 그만큼 일반 인구.
그래서 여기, 너 보다 그만큼 의존 의 그만큼 마지막 모두 다 아는 상태 ~ 대 나이.
그리고 너 ~할 수 있다 보다 어떻게 이것 증가 나이
증가하다 당신의 가능성 의 사망 매우 상당히.
처럼 나 말했다 전에, 그만큼 승산 비율 의 10 년 ~이다 대충 더블.
에 그만큼 왼쪽 옆,
너 보다 폐 질병 그리고 심혈관 질병
저것 둘 다 또한 가지다 ㅏ 중요한 효과 ~에 그만큼 위험 의 사망 ~에서 코로나- 19.
그리고 이것들 요인은 또한 유효한 안에 그만큼 일반 인구.
지금, 더 재미있게,
우리 찾기 이것들 삼 요인 ~ 아니다 에게 ~이다 안에 우리의 모델.
그래서 성별, 체질량 지수, 그리고 고혈압 ~이다 ~ 아니다 부분 의 우리의 모델.
그래서 어떻게 ~이다 저것 가능한?
잘, 이것의 위독한 에게 기억하다
저것 우리의 인구 구성 의 중환자실 환자.
그들 ~이다 이미 비판적으로 아픈.
그래서 우리 가지다 72% 의 남성 환자,
우리 가지다 거의 80% 저것 가지다 ㅏ 체질량지수 ~ 위에 26,
그리고 3분의 2 ~이다 고혈압.
그래서 이것들 요인 ~ 할 것이다 실제로 고도로 증가하다 당신의 위험
의 비판적 원인 의 그만큼 코로나- 19 질병.
하지만 한 번 너 ~이다 비판적으로 아픈, ~에 저것 가리키다, 그들 ~하지 않다 문제 더 이상.
그래서 저것 ~였다 ㅏ 매우 중요한 결과 ~을 위한 우리를.
어느 요인 나르다 ~ 위에 ~에서 그만큼 일반 인구
그리고 어느 요인 사라지다 안에 그들의 중요성
한 번 너 ~이다 이미 중환자?
드디어, 나 ~일 것이다 처럼 에게 가리키다 밖으로 하나 더 측면 어느 ~이다 스타틴.
스타틴 ~이었다 전적으로 의미 없는.
너 보다 그만큼 피 값 여기 의 25% 한 번 너 보았다 ~에 그들을 일변량.
하지만 안에 우리의 다중 계승 모델, 그들 ~이었다 고도로 중요한.
그리고 ~처럼 너 ~할 수 있다 보다 여기, 그만큼 승산 비율 ~이다 아래에 하나,
감소 그만큼 위험 의 인류.
그래서 이것 ~이다 ㅏ 매우 중요한 수업.
때때로, 사람들 선택하다 위험 요인 첫 번째 안에 크기가 큰 데이터세트
~에 의해 찾고 ~에 그들을 일변량.
그리고 만약에 너 했다 저것, 너 ~일 것이다 ~와 함께 보장하다
가지다 놓친 스타틴,
왜냐하면 일변량, 이것의 완전히 관련 없는.
하지만 안에 우리의 다인자 모델,
우리 ~할 수 있었다 보여 주다 저것 스타틴 가지다 ㅏ 보호 효과
에 맞서 사망 ~에서 코로나바이러스감염증-19 : 코로나19 한 번 너 ~이다 비판적으로 아픈.
이것 발견 가지다 계속 ~ 이다 나중에 확인 ~에 의해 다른 사람.
그리고 단지 ~처럼 예시,
나 포함 ㅏ 메타 분석 ~에서 구월 21
저것 참으로 확인 저것 스타틴 줄이다 그만큼 인류 의 환자
안에 ㅏ 매우 크기가 큰 메타 분석 ~와 함께 거의 150,000 환자.
만약에 당신은 관심 있는 안에 더 세부,
우리 출판 우리의 일하다 안에 그만큼 신문 의 객관적인 약.
나 ~일 것이다 처럼 에게 가져가다 그만큼 기회 에게 감사하다 나의 공동 저자,
안에 특정한, 스테판 보그만 그리고 마티나 노왁- 마헨
~에서 그만큼 진료소 안에 잉골슈타트
그리고 나 ~일 것이다 또한 처럼 에게 감사하다 너 매우 많이 ~을 위한 당신의 주목,
그리고 나는 찾고 앞으로 에게 당신의 질문.
감사합니다 너 매우 많이.
