课程简介
得益于现代科学技术的快速发展，目前生物科学家可以在短时间内产生大量的数据。这些生物技术的普及使得生物大数据的分析已经变成了生物学研究及应用的关键。在此课程中，我们将主要讲授在生物数据分析中特别是近年来高通量生物数据分析中常用的统计方法，并基于软件R介绍利用这些方法进行生物数据分析的具体实例。本课程无指定教材，但可参考所列参考资料。本课的视频和文字内容仅用于课程学习，仅允许登陆本慕课的同学观看，未经任课教师本人授权，禁止课程之外的下载和传播。
课程大纲
1. 统计及生物统计概要（2学时）
2. 数据探索性分析、可视化（4学时）
3. 生物统计中常用的假设检验和置信区间估计方法（12学时）
a) 参数假设检验
b) 非参数假设检验
c) Bootstrap方法、permutation 方法
d) 多重假设检验
4. 生物统计中常用的回归分析方法（12 学时）
a) 线性回归分析
b) 广义线性回归
c) 非线性回归方法、广义非线性回归方法
d) 混合效应回归模型
5. 高维生物统计学方法 （12学时）
a) 模型选择方法
模型衡量准则；传统变量选择方法，如前向选择方法、后向选择方法；罚函数方法
b) 超高维数变量筛选方法
线性模型中的变量筛选、非线性模型中的变量筛选
c) 降维方法
PCA, NMF,LLE,DiffusionMap, tSNE, UMAP等线性、非线性降维方法
6. 生物数据的分类、聚类分析（6学时）
a) 逻辑回归、支持向量机、随机森林等分类方法
b) K-means、混合正态模型、隐马氏模型等聚类方法
课程说明
有同学反映注册华文慕课时，系统提示该邮箱已注册，这可能是华文慕课系统的问题，可以在登录界面，点击忘记密码，输入邮箱后，按照华文慕课给指定邮箱发送的邮件提示操作，可以找回密码，完成注册。
参考资料
1. Introduction to Data Science: Data Analysis and Prediction with R, Rafael A. Irizarry
2. Generalized Additive Models: an introduction with R, Simon Wood
3. Elements of Statistical Learning by Jerome H. Friedman, Robert Tibshirani, and Trevor Hastie
4. Advanced Data Analysis from an Elementary Point of view, Cosma Rohilla Shalizi
5. Mixed Effects Models and Extensions in Ecology with R, Alain F. Zuur, Anatoly A. Saveliev, Elena N. Ieno, and Graham M. Smith
6. An Introduction to Statistical Learning with Applications in R, Gareth James, Daniela Witten, Trevor Hastie and Robert Tibshirani
7. Bootstrap Methods: A Guide for Practitioners and Researchers, Michael R. Chernick.
拓展阅读
其他
主讲教师
席瑞斌
席瑞斌，北京大学数学科学学院、统计科学中心、生物统计系研究员。席瑞斌常年从事生物医学大数据、大数据、贝叶斯统计、高维统计等领域的研究，在统计学、生物信息学顶级和权威杂志发表文章40余篇。
课程助教
辛未
相关课程推荐
正在进行
京公网安备 11040202430145号
