Module 2 Overview (1:12) - Module 2 | Coursera

Für UnternehmenFür Kursteilnehmer

Blättern
Beliebte Kurse
Anmelden
Kostenlose Teilnahme

Module 2 Overview (1:12)

Loading...

Statistics for Genomic Data Science

Johns Hopkins University

4.2 (243 Bewertungen) | 21K Teilnehmer angemeldet

Kurs 7 von 8 in Genomic Data Science Spezialisierung

Kostenlos anmelden

An introduction to the statistics behind the most popular genomic data science projects. This is the sixth course in the Genomic Big Data Science Specialization from Johns Hopkins University.

Lehrplan anzeigen

Kompetenzen, die Sie erwerben

Statistics, Data Analysis, R Programming, Biostatistics

Bewertungen

4.2 (243 Bewertungen)

5 stars
51.85%
4 stars
27.57%
3 stars
11.93%
2 stars
3.29%
1 star
5.34%

TK

Mar 25, 2019

Very good course and useful understanding statistical aspects of data.

MR

Mar 04, 2020

Great course as a starting point for statistical genomics!

Aus der Unterrichtseinheit

Module 2

This week we will cover preprocessing, linear modeling, and batch effects.

Module 2 Overview (1:12)1:12

Dimension Reduction (12:13)12:13

Dimension Reduction (in R) (8:48)8:48

Pre-processing and Normalization (11:26)11:26

Quantile Normalization (in R) (4:49)4:49

The Linear Model (6:50)6:50

Linear Models with Categorical Covariates (4:08)4:08

Adjusting for Covariates (4:16)4:16

Linear Regression in R (13:03)13:03

Many Regressions at Once (3:50)3:50

Many Regressions in R (7:21)7:21

Batch Effects and Confounders (7:11)7:11

Batch Effects in R: Part A (8:18)8:18

Batch Effects in R: Part B (3:50)3:50

Unterrichtet von

Jeff Leek, PhD
Associate Professor, Biostatistics

Testen Sie den Kurs für Kostenlos

Skript

Welcome to Week 2 of Statistics for Genomic Data Science. Last week, we got started and learned about exploratory data analysis. This week, we're going to be learning about pre-processing, and then begin on statistical modeling. So pre-processing is basically the idea that when you get genomic measurements, especially if you consider getting genomic measurements across multiple samples, they're often incomparable in various different ways. The machine that you use to collect the measurements might vary from day to day, or different liaisons might be used, and so these differences translate into differences in the data from sample to sample. We're going to be talking about some of the really common and basic techniques that are used to make samples and data from those samples more comparable before doing statistical analysis. One example of that is quantile normalization, which I've shown a picture of here. Another thing that we're going to be talking about is statistical modeling. We're going to use the linear model as the basic kind of model that we're going to use for most of the statistics for this class. And so we're going to get into how does a linear model work? What are the different components of it and how do you fit it? Then we'll hopefully move on a little bit into interpretation and statistical significance which will be coming up in week three. All right.

Durchsuchen Sie unseren Katalog

Melden Sie sich kostenlos an und erhalten Sie individuelle Empfehlungen, Aktualisierungen und Angebote.

Beliebte Online-Kurse

KI für alle
Vorstellung von TensorFlow
Neuronale Netzwerke und Deep Learning
Algorithmen, Teil 1
Algorithmen, Teil 2
Maschinelles Lernen
Maschinelles Lernen mit Python
Maschinelles Lernen mittels Sas Viya
R-Programmierung
Einführung in die Programmierung mit Matlab
Datenanalyse mit Python
AWS-Grundlagen: Mit der Cloud vertraut werden
Grundlagen der Google Cloud-Plattform
Engineering für Site-Funktionssicherheit
Englisch im Berufsleben
Die Wissenschaft des Wohlbefindens
Lernen lernen
Finanzmärkte
Hypothesenüberprüfung im öffentlichen Gesundheitswesen
Grundlagen für Führungsstärke im Alltag

Beliebte Online-Spezialisierungen

Deep Learning
Python für alle
Data Science
Angewandte Datenwissenschaft mit Python
Geschäftsgründungen
Architektur mit der Google Cloud-Plattform
Datenengineering in der Google Cloud-Plattform
Von Excel bis MySQL
Erweiterte maschinelles Lernen
Mathematik für maschinelles Lernen
Selbstfahrende Autos
Blockchain-Revolution für das Unternehmen
Unternehmensanalytik
Excel-Kenntnisse für Beruf
Digitales Marketing
Statistische Analyse mit R im öffentlichen Gesundheitswesen
Grundlagen der Immunologie
Anatomie
Innovationsmanagement und Design Thinking
Grundlagen positiver Psychologie

Online-Zertifikate

Google IT-Support
IBM Customer Engagement-Spezialist
IBM Datenverarbeitung
Angewandte Projektmanagement
Zertifikat von IBM über berufliche Qualifikation für Angewandte KI
Maschinelles Lernen für Analyse
Räumliche Datenanalyse und Visualisierung
Bauwesen und -management
Instruktionsdesign

Online-Abschlussprogramme

Master-Abschluss in Data Science
Bachelor-Abschluss in Informatik
Abschlüsse in Informatik und Ingenieurwesen
Master-Abschluss in Maschinellem Lernen
MBA- und Business-Abschlüsse
Master-Abschluss in Elektrotechnik
Master-Abschluss in Public Health
Master-Abschluss in Informationstechnologie

Coursera

Info
Leitung
Jobs
Katalog
Zertifikate
MasterTrack™-Zertifikate
Abschlüsse
Für Unternehmen
Für Regierungen
Für Campus
Reaktion auf das Coronavirus

Community

Kursteilnehmer
Partner
Entwickler
Beta-Tester
Übersetzer
Blog
Tech-Blog

Mehr

Nutzungsbedingungen/AGB
Datenschutz
Hilfe
Barrierefreiheit
Presse
Kontakt
Verzeichnis
Partnerunternehmen

Erhältlich bei Google Play

© 2020 Coursera Inc. Alle Rechte vorbehalten.