<?xml version="1.0" encoding="utf-8" standalone="yes" ?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
  <channel>
    <title>All Talks &amp; Workshops | Jeff Lin</title>
    <link>https://jefflinmd.com/talk/</link>
      <atom:link href="https://jefflinmd.com/talk/index.xml" rel="self" type="application/rss+xml" />
    <description>All Talks &amp; Workshops</description>
    <generator>Source Themes Academic (https://sourcethemes.com/academic/)</generator><language>en-us</language><copyright>© Jeff Lin 2022</copyright>
    <image>
      <url>https://jefflinmd.com/images/icon_hubd7880285348c4660acc9402140a2483_242472_512x512_fill_lanczos_center_2.png</url>
      <title>All Talks &amp; Workshops</title>
      <link>https://jefflinmd.com/talk/</link>
    </image>
    
    <item>
      <title>大數據分析, 機械學習, 資料採礦</title>
      <link>https://jefflinmd.com/talk/2020-08-20-bigdata/</link>
      <pubDate>Thu, 20 Aug 2020 00:00:00 +0000</pubDate>
      <guid>https://jefflinmd.com/talk/2020-08-20-bigdata/</guid>
      <description>
&lt;script src=&#34;https://jefflinmd.com/rmarkdown-libs/header-attrs/header-attrs.js&#34;&gt;&lt;/script&gt;


&lt;p&gt;關於大數據分析, 機械學習, 資料採礦等所使用的資料分析方法,
在統計領域也稱為統計學習,
統計主要是討論資料分析的方法,
因此統計學習的入們課程以討論資料分析為重心,
至於大數據資料庫的管理與存取, 不同演算法的差議,
不會在本課程討論. 另外, linear regression, logistic regression,
data visualization 在統計基礎課程已經講授.
machine learning 與 deep learning 可使用 Python, R, SAS, IBM-SPSS 等軟體.&lt;/p&gt;
&lt;div id=&#34;softwares&#34; class=&#34;section level3&#34;&gt;
&lt;h3&gt;Softwares&lt;/h3&gt;
&lt;ul&gt;
&lt;li&gt;R:
&lt;ul&gt;
&lt;li&gt;RSudio&lt;/li&gt;
&lt;li&gt;tidyverse&lt;/li&gt;
&lt;li&gt;ggplot2, lattice&lt;/li&gt;
&lt;li&gt;caret, tidymodels, mlr3&lt;/li&gt;
&lt;/ul&gt;&lt;/li&gt;
&lt;li&gt;Python:
&lt;ul&gt;
&lt;li&gt;Jupyter&lt;/li&gt;
&lt;li&gt;Jupyter notebooks&lt;/li&gt;
&lt;li&gt;NumPy, SciPy, Pandas&lt;/li&gt;
&lt;li&gt;Matplotlib, Seaborn&lt;/li&gt;
&lt;li&gt;Scikit-learn&lt;/li&gt;
&lt;/ul&gt;&lt;/li&gt;
&lt;/ul&gt;
&lt;/div&gt;
&lt;div id=&#34;大數據分析基本&#34; class=&#34;section level3&#34;&gt;
&lt;h3&gt;大數據分析基本&lt;/h3&gt;
&lt;ul&gt;
&lt;li&gt;Introduction&lt;/li&gt;
&lt;li&gt;Tidy Data&lt;br /&gt;
&lt;/li&gt;
&lt;li&gt;Data Preprocessing
&lt;ul&gt;
&lt;li&gt;Descriptive Statistics&lt;/li&gt;
&lt;li&gt;Missing Data&lt;/li&gt;
&lt;li&gt;Categorical Variables&lt;/li&gt;
&lt;li&gt;Dummy Variables
&lt;ul&gt;
&lt;li&gt;Combine Levels&lt;/li&gt;
&lt;li&gt;Binning Predictors&lt;/li&gt;
&lt;/ul&gt;&lt;/li&gt;
&lt;li&gt;Continuous Variables
&lt;ul&gt;
&lt;li&gt;Near-zero Variance&lt;/li&gt;
&lt;li&gt;Collinearity&lt;/li&gt;
&lt;li&gt;Linear Dependencies&lt;/li&gt;
&lt;li&gt;Outliers&lt;/li&gt;
&lt;/ul&gt;&lt;/li&gt;
&lt;li&gt;Data Transformations&lt;/li&gt;
&lt;li&gt;Putting It All Together&lt;/li&gt;
&lt;/ul&gt;&lt;/li&gt;
&lt;/ul&gt;
&lt;/div&gt;
&lt;div id=&#34;big-data-visualization&#34; class=&#34;section level3&#34;&gt;
&lt;h3&gt;Big Data Visualization&lt;/h3&gt;
&lt;ul&gt;
&lt;li&gt;Exploatory Data Analysis&lt;/li&gt;
&lt;li&gt;R: Basic Graphics&lt;/li&gt;
&lt;li&gt;R: lattice package&lt;/li&gt;
&lt;li&gt;R: ggplot2 package&lt;/li&gt;
&lt;li&gt;Analytic Visualization&lt;/li&gt;
&lt;/ul&gt;
&lt;/div&gt;
&lt;div id=&#34;unsupervised-learning&#34; class=&#34;section level3&#34;&gt;
&lt;h3&gt;Unsupervised Learning&lt;/h3&gt;
&lt;ul&gt;
&lt;li&gt;PCA (principal Components Analysis)&lt;/li&gt;
&lt;li&gt;Cluster Analysis&lt;/li&gt;
&lt;li&gt;Basket Analysis and Association Analysis&lt;/li&gt;
&lt;li&gt;Recommendation System&lt;/li&gt;
&lt;/ul&gt;
&lt;/div&gt;
&lt;div id=&#34;supervised-learning&#34; class=&#34;section level3&#34;&gt;
&lt;h3&gt;Supervised Learning&lt;/h3&gt;
&lt;ul&gt;
&lt;li&gt;Predication: Theory and Evaluation&lt;/li&gt;
&lt;li&gt;Classification: Theory and Evaluation&lt;/li&gt;
&lt;li&gt;Linear Regression&lt;/li&gt;
&lt;li&gt;Logistic Regression&lt;/li&gt;
&lt;li&gt;Penalized Regression (L1, L2, Elastic Net)&lt;/li&gt;
&lt;li&gt;Non-parametric Regression (LOWESS, Spline, GAM)&lt;/li&gt;
&lt;li&gt;Robust Regression&lt;/li&gt;
&lt;li&gt;Principal Component Regression (PCR)&lt;/li&gt;
&lt;li&gt;Partial Least Square Regression (PLSR)&lt;/li&gt;
&lt;li&gt;Discriminant (LDA, QDA)&lt;/li&gt;
&lt;li&gt;Naive Bayes Classifier (NB)&lt;/li&gt;
&lt;li&gt;k-Nearest Neighbor Classification (KNN)&lt;/li&gt;
&lt;li&gt;Regression Tree and Classification Tree (Tree)&lt;/li&gt;
&lt;li&gt;Support Vector Machines (SVM)&lt;/li&gt;
&lt;li&gt;Bagging&lt;/li&gt;
&lt;li&gt;Random Forest (RF)&lt;/li&gt;
&lt;li&gt;Boosting&lt;/li&gt;
&lt;/ul&gt;
&lt;/div&gt;
&lt;div id=&#34;text-mining&#34; class=&#34;section level3&#34;&gt;
&lt;h3&gt;Text Mining&lt;/h3&gt;
&lt;ul&gt;
&lt;li&gt;R: tidytext package&lt;/li&gt;
&lt;li&gt;Word and Document Frequency&lt;/li&gt;
&lt;li&gt;Relationships Between Words&lt;/li&gt;
&lt;li&gt;Mining the Corpus&lt;/li&gt;
&lt;li&gt;Sentiment Analysis&lt;/li&gt;
&lt;li&gt;Topic Modeling&lt;/li&gt;
&lt;/ul&gt;
&lt;/div&gt;
&lt;div id=&#34;deep-learning&#34; class=&#34;section level3&#34;&gt;
&lt;h3&gt;Deep Learning&lt;/h3&gt;
&lt;ul&gt;
&lt;li&gt;Introduction to Neural Network&lt;/li&gt;
&lt;li&gt;Recurrent Neural Network (RNN) and Elman Neural Networks (ENN)&lt;/li&gt;
&lt;li&gt;Jordan Neural Networks (JNN)&lt;/li&gt;
&lt;li&gt;Autoencoder&lt;/li&gt;
&lt;li&gt;Stacked Autoencoder and Denoising Autoencoder (DA)&lt;/li&gt;
&lt;li&gt;Restricted Boltzmann Machines (RBM)&lt;/li&gt;
&lt;li&gt;Deep Belief Networks (DBN)&lt;/li&gt;
&lt;li&gt;Convolutional Neural Network (CNN)&lt;/li&gt;
&lt;li&gt;Natural Language Processing (NLP)&lt;/li&gt;
&lt;/ul&gt;
&lt;/div&gt;
</description>
    </item>
    
    <item>
      <title>臨床試驗 Clinical Trials</title>
      <link>https://jefflinmd.com/talk/2020-08-20-clinicaltrial/</link>
      <pubDate>Thu, 20 Aug 2020 00:00:00 +0000</pubDate>
      <guid>https://jefflinmd.com/talk/2020-08-20-clinicaltrial/</guid>
      <description>
&lt;script src=&#34;https://jefflinmd.com/rmarkdown-libs/header-attrs/header-attrs.js&#34;&gt;&lt;/script&gt;


&lt;p&gt;臨床試驗課程主要討論討二大主題:
a) 臨床試驗設計與分析, 著重在統計相關議題.
b) 基礎醫學與臨床醫學共通的實驗設計與分析,
著重在一般生物醫學的實驗設計與資料分析.&lt;/p&gt;
&lt;div id=&#34;臨床試驗設計與分析&#34; class=&#34;section level3&#34;&gt;
&lt;h3&gt;臨床試驗設計與分析&lt;/h3&gt;
&lt;ul&gt;
&lt;li&gt;&lt;p&gt;Introduction and Protocol&lt;/p&gt;&lt;/li&gt;
&lt;li&gt;&lt;p&gt;Ethics&lt;/p&gt;&lt;/li&gt;
&lt;li&gt;&lt;p&gt;Study Population and Outcome Measures&lt;/p&gt;&lt;/li&gt;
&lt;li&gt;&lt;p&gt;Study Controls&lt;/p&gt;&lt;/li&gt;
&lt;li&gt;&lt;p&gt;Basic Design&lt;/p&gt;&lt;/li&gt;
&lt;li&gt;&lt;p&gt;Randomization&lt;/p&gt;&lt;/li&gt;
&lt;li&gt;&lt;p&gt;Blinding&lt;/p&gt;&lt;/li&gt;
&lt;li&gt;&lt;p&gt;Sample Size&lt;/p&gt;&lt;/li&gt;
&lt;li&gt;&lt;p&gt;Safety Assessment&lt;/p&gt;&lt;/li&gt;
&lt;li&gt;&lt;p&gt;Quality of Life&lt;/p&gt;&lt;/li&gt;
&lt;li&gt;&lt;p&gt;Recruitment and Retaining of Participants&lt;/p&gt;&lt;/li&gt;
&lt;li&gt;&lt;p&gt;Data Safety Monitoring Committee&lt;/p&gt;&lt;/li&gt;
&lt;li&gt;&lt;p&gt;Interim Analysis&lt;/p&gt;&lt;/li&gt;
&lt;li&gt;&lt;p&gt;Data Analysis&lt;/p&gt;
&lt;ul&gt;
&lt;li&gt;Baseline Assessment&lt;br /&gt;
&lt;/li&gt;
&lt;li&gt;Analysis Set: ITT and PP&lt;/li&gt;
&lt;li&gt;Ineligibility&lt;/li&gt;
&lt;li&gt;Nonadherence&lt;/li&gt;
&lt;li&gt;Poor Quality Data&lt;/li&gt;
&lt;li&gt;Competing Events&lt;/li&gt;
&lt;li&gt;Missing Data&lt;/li&gt;
&lt;li&gt;Multiple Comparisons&lt;/li&gt;
&lt;li&gt;Adjustment of Covariates&lt;/li&gt;
&lt;li&gt;Subgroup Analysis&lt;/li&gt;
&lt;/ul&gt;&lt;/li&gt;
&lt;li&gt;&lt;p&gt;Reporting and Interpreting of Results&lt;/p&gt;&lt;/li&gt;
&lt;li&gt;&lt;p&gt;Equivalence and Noninferiority&lt;/p&gt;&lt;/li&gt;
&lt;li&gt;&lt;p&gt;Phase I Design&lt;/p&gt;&lt;/li&gt;
&lt;li&gt;&lt;p&gt;Phase II Design&lt;/p&gt;&lt;/li&gt;
&lt;li&gt;&lt;p&gt;Dose-Finding Design&lt;/p&gt;&lt;/li&gt;
&lt;li&gt;&lt;p&gt;Cancer Clinical Trial&lt;/p&gt;&lt;/li&gt;
&lt;li&gt;&lt;p&gt;Diagnostic Devices&lt;/p&gt;&lt;/li&gt;
&lt;li&gt;&lt;p&gt;Biomarker and Translation Medicine&lt;/p&gt;&lt;/li&gt;
&lt;li&gt;&lt;p&gt;Precision Medicine and Targeted Therapy&lt;/p&gt;&lt;/li&gt;
&lt;li&gt;&lt;p&gt;Vaccine Trial&lt;/p&gt;&lt;/li&gt;
&lt;li&gt;&lt;p&gt;Adaptive Design&lt;/p&gt;&lt;/li&gt;
&lt;li&gt;&lt;p&gt;Regulatory issues: ICH E9 and ICH E9 (R1)&lt;/p&gt;&lt;/li&gt;
&lt;/ul&gt;
&lt;/div&gt;
&lt;div id=&#34;醫學實驗設計與分析&#34; class=&#34;section level3&#34;&gt;
&lt;h3&gt;醫學實驗設計與分析&lt;/h3&gt;
&lt;ul&gt;
&lt;li&gt;Basic Concepts in Experiments
&lt;ul&gt;
&lt;li&gt;Experimental Unit and Replications&lt;/li&gt;
&lt;li&gt;Randomization&lt;/li&gt;
&lt;li&gt;Treatment Design and Experimental Design&lt;/li&gt;
&lt;li&gt;Crossed or Nested&lt;/li&gt;
&lt;li&gt;Complete or INcomplete&lt;/li&gt;
&lt;li&gt;Replications: True or Technical&lt;/li&gt;
&lt;li&gt;Data layout or Field&lt;/li&gt;
&lt;li&gt;Fixed Factors and Random Factors&lt;/li&gt;
&lt;/ul&gt;&lt;/li&gt;
&lt;li&gt;CRD (Completely Randomized Designs)
&lt;ul&gt;
&lt;li&gt;One Way ANOVA&lt;/li&gt;
&lt;li&gt;Multiple Testings and Multiple Comparisons&lt;/li&gt;
&lt;li&gt;Fixed and Random Factors/Effects&lt;/li&gt;
&lt;/ul&gt;&lt;/li&gt;
&lt;li&gt;CRD
&lt;ul&gt;
&lt;li&gt;Two Fixed Factors&lt;/li&gt;
&lt;li&gt;Balanced and Unbalanced&lt;/li&gt;
&lt;li&gt;Interaction&lt;/li&gt;
&lt;li&gt;ANCOVA (Analysis of Covariances)&lt;/li&gt;
&lt;/ul&gt;&lt;/li&gt;
&lt;li&gt;RCBD/CBD (Randomized Complete Block Designs)
&lt;ul&gt;
&lt;li&gt;Block: Fixed or Random?&lt;/li&gt;
&lt;li&gt;RCBD Variations&lt;/li&gt;
&lt;li&gt;Replications&lt;/li&gt;
&lt;li&gt;Crossed Blocks&lt;/li&gt;
&lt;li&gt;LSD (Latin/Eular Square Design)&lt;/li&gt;
&lt;li&gt;GLSD (Graceo+Latin Square Design)&lt;/li&gt;
&lt;/ul&gt;&lt;/li&gt;
&lt;li&gt;SPD (Split Plot Design)
&lt;ul&gt;
&lt;li&gt;CRD on the Whole Plots&lt;/li&gt;
&lt;li&gt;RCBD on the Whole Plots&lt;/li&gt;
&lt;li&gt;SSPD (Split Split Plot Design)&lt;/li&gt;
&lt;li&gt;SBD (Strip Plot Designs, Split Block Design)&lt;/li&gt;
&lt;li&gt;Crossover Design&lt;/li&gt;
&lt;li&gt;RMD (Repeated Measures Design)&lt;/li&gt;
&lt;/ul&gt;&lt;/li&gt;
&lt;li&gt;FD (Factorial Design)&lt;/li&gt;
&lt;li&gt;Incomplete Design
&lt;ul&gt;
&lt;li&gt;BIBD (Balanced Incompete Block Design)&lt;/li&gt;
&lt;li&gt;FFD (Fractional Factorial Design)&lt;/li&gt;
&lt;/ul&gt;&lt;/li&gt;
&lt;/ul&gt;
&lt;/div&gt;
</description>
    </item>
    
  </channel>
</rss>
