Explore les défis que posent les essais multiples dans l'analyse des données génomiques, y compris le contrôle des taux d'erreur, les valeurs de p ajustées, les tests de permutation et les pièges dans les essais d'hypothèses.
Couvre l'analyse des composantes principales pour la réduction de dimensionnalité, en explorant ses applications, ses limites et l'importance de choisir les composantes appropriées.
Couvre PCA et LDA pour la réduction de dimensionnalité, expliquant la maximisation de la variance, les problèmes de vecteurs propres et les avantages de Kernel PCA pour les données non linéaires.
Introduit l'analyse des composantes principales, en mettant l'accent sur la maximisation de la variance dans les combinaisons linéaires pour résumer efficacement les données.
Déplacez-vous dans les tests d'hypothèses, couvrant les statistiques d'essais, les régions critiques, les fonctions de puissance, les valeurs p, les tests multiples et les statistiques non paramétriques.
