XiaoMi-AI文件搜索系统
World File Search System统计方法
癌症免疫疗法早期临床开发相关生物标志物的统计方法概述
在过去十年中，出现了一种利用免疫系统对抗肿瘤的癌症治疗新模式。这些免疫疗法的新作用机制也给药物开发带来了新的挑战。生物标志物在免疫疗法早期临床开发的几个领域中发挥着关键作用，包括作用机制的证明、剂量确定和剂量优化、不良反应的缓解和预防以及患者丰富和适应症优先排序。我们讨论了在早期开发研究中建立一组生物标志物的预后、预测方面以及将生物标志物的变化与临床疗效联系起来的统计原理和方法。所讨论的方法旨在避免偏见并得出可靠且可重复的结论。本综述针对对免疫疗法背景下的生物标志物的战略使用和分析感兴趣的药物开发商和数据科学家。
特刊 - 多基因风险评分的统计方法
多基因风险评分（PRS）是遗传研究中的强大工具，通过汇总多种遗传变异的影响，可以定量地衡量个人对某些疾病或特征的遗传易感性。尽管有潜力，但PRS仍面临一些挑战。要解决这些问题，需要采用创新的方法来将知识从良好的人群转移到代表性不足的群体，同时考虑异质性，以确保各种人群之间的公平和准确的风险预测。本期特刊将重点介绍PRS的尖端统计方法，并探索潜在的未来改进方向。
流行病学高级统计方法 mod spec 2024-25
（伦敦 LSHTM 理科硕士或研究生如需咨询远程学习模块，请发送电子邮件至 distance@lshtm.ac.uk） 院系 流行病学与人口健康院系 伦敦卫生与热带医学院 http://www.lshtm.ac.uk/eph/ FHEQ 级别 7 级 学分值 CATS 15 ECTS 7.5 HECoS 代码 101335 : 101030 : 100962 授课方式 远程学习 学习方式 通过虚拟学习环境的在线材料进行定向自学 学习语言 英语 先决条件 流行病学学生必须通过 EPM101 流行病学基础和 EPM102 流行病学统计学，并且应该学习并了解 EPM103 实用流行病学、EPM105 流行病学论文写作和审阅以及 EPM202 流行病学统计方法在学习本模块之前，必须先学习流行病学。如果学生希望在同一年学习 EPM202 和 EPM304，建议他们在 EPM102 中至少取得 3 级。流行病学学生可以选择学习 CTM208 临床试验中的进一步统计方法代替 EPM304，但必须向项目主任申请批准，并且
原创文章 人工智能增强篮球罚球的运动学分析 BEKIR KARLIK 1、MUSA HAWAMDAH 2 1 埃波卡大学计算机工程系，地拉那，阿尔巴尼亚 2 塞尔丘克大学计算机工程系，科尼亚，土耳其 在线发表：2024 年 12 月 30 日 接受发表：2024 年 12 月 15 日 DOI：10.7752/jpes.2024.12321 摘要：问题陈述和方法：在篮球比赛中，罚球的成功与否取决于球的出手角度、在空中的正确位置以及最佳速度运动特征。本研究利用人工智能（AI）研究了篮球运动员在疲劳前后执行罚球的运动学特征。材料和方法：我们使用了各种监督机器学习算法，包括：k-最近邻 (k-NN)、朴素贝叶斯、支持向量机 (SVM)、人工神经网络 (ANN)、线性判别分析 (LDA) 和决策树。这些算法用于对从球员收集的运动数据得出的特征进行分类，以揭示他们在不同疲劳程度下的投篮机制的模式和变化。当球员在疲劳前后成功和不成功投篮时，在球释放点测量肘部、躯干、膝盖和踝关节角度。有两种方法可用于对这些特征进行分类：第一种方法是直接使用行数据；另一种是使用主成分分析 (PCA) 减少数据。对于这两种方法，数据在应用于分类器之前都在 0-1 之间归一化。结果：我们通过使用朴素贝叶斯分类器对行数据获得了 98.44% 的最佳分类准确率。此外，使用 PCA 对减少数据进行 ANN 的结果显示最佳分类准确率 95.31%。研究结果揭示了疲劳引起的投篮力学的不同模式和变化，并强调了机器学习模型在分析生物力学数据方面的有效性。讨论和结论：这些结果有助于制定训练计划，以提高疲劳状态下的表现和一致性。这项研究强调了人工智能和数据驱动方法在运动生物力学中的潜力，可以为运动员表现和疲劳管理提供有价值的见解。关键词：智能算法、运动生物力学、运动数据、疲劳引起的变化简介在对各种运动进行的研究中已经观察到功能技能和基于技能的运动模式之间的差异。评估功能技能比评估基于技能的运动模式更具挑战性（Goktepe 等人，2009 年；Abdelkerim 等人，2007 年；Chappell 等人，2005 年）。例如，Goktepe 等人（2009 年）利用统计分析来证明踝关节、肩膀和肘部角度对网球发球的影响。Abdelkerim 等人（2007）展示了篮球运动员的计算机化时间运动分析，而 Chappell 等人（2005）则研究了在进行疲劳前和疲劳后练习的三个停跳任务中落地和跳跃动作中改变的运动控制策略。评估基于技能的收缩、适当的肌肉发力时间和关节定位等因素相对容易。值得注意的是，个人之间的动作执行和技能习得存在差异。在篮球罚球中，关节角度是足以将投篮分为不同类别的基本特征（Schmidt 等人，2012；Ge，2024；Zhang & Chen，2024）。疲劳是人类活动的自然结果，会影响运动员在训练和比赛期间的认知和学习能力。虽然大多数研究认为疲劳是影响表现的一个关键因素（Forestier & Nougier，1998；Apriantono 等人，2006），但一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010；Rusdiana 等人，2019；Li，2021；Bourdas 等人，2024）。例如，Uygur 等人（2010）基于统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024）则专注于疲劳对三分跳投的影响。Li 等人（2021）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中尚未发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同数据源或机器学习技术在结构分析和语义提取中的作用。这项研究是首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析
原创文章 人工智能增强篮球罚球的运动学分析 BEKIR KARLIK 1、MUSA HAWAMDAH 2 1 埃波卡大学计算机工程系，地拉那，阿尔巴尼亚 2 塞尔丘克大学计算机工程系，科尼亚，土耳其 在线发表：2024 年 12 月 30 日 接受发表：2024 年 12 月 15 日 DOI：10.7752/jpes.2024.12321 摘要：问题陈述和方法：在篮球比赛中，罚球的成功与否取决于球的出手角度、在空中的正确位置以及最佳速度运动特征。本研究利用人工智能（AI）研究了篮球运动员在疲劳前后执行罚球的运动学特征。材料和方法：我们使用了各种监督机器学习算法，包括：k-最近邻 (k-NN)、朴素贝叶斯、支持向量机 (SVM)、人工神经网络 (ANN)、线性判别分析 (LDA) 和决策树。这些算法用于对从球员收集的运动数据得出的特征进行分类，以揭示他们在不同疲劳程度下的投篮机制的模式和变化。当球员在疲劳前后成功和不成功投篮时，在球释放点测量肘部、躯干、膝盖和踝关节角度。有两种方法可用于对这些特征进行分类：第一种方法是直接使用行数据；另一种是使用主成分分析 (PCA) 减少数据。对于这两种方法，数据在应用于分类器之前都在 0-1 之间归一化。结果：我们通过使用朴素贝叶斯分类器对行数据获得了 98.44% 的最佳分类准确率。此外，使用 PCA 对减少数据进行 ANN 的结果显示最佳分类准确率 95.31%。研究结果揭示了疲劳引起的投篮力学的不同模式和变化，并强调了机器学习模型在分析生物力学数据方面的有效性。讨论和结论：这些结果有助于制定训练计划，以提高疲劳状态下的表现和一致性。这项研究强调了人工智能和数据驱动方法在运动生物力学中的潜力，可以为运动员表现和疲劳管理提供有价值的见解。关键词：智能算法、运动生物力学、运动数据、疲劳引起的变化简介在对各种运动进行的研究中已经观察到功能技能和基于技能的运动模式之间的差异。评估功能技能比评估基于技能的运动模式更具挑战性（Goktepe 等人，2009 年；Abdelkerim 等人，2007 年；Chappell 等人，2005 年）。例如，Goktepe 等人（2009 年）利用统计分析来证明踝关节、肩膀和肘部角度对网球发球的影响。Abdelkerim 等人（2007）展示了篮球运动员的计算机化时间运动分析，而 Chappell 等人（2005）则研究了在进行疲劳前和疲劳后练习的三个停跳任务中落地和跳跃动作中改变的运动控制策略。评估基于技能的收缩、适当的肌肉发力时间和关节定位等因素相对容易。值得注意的是，个人之间的动作执行和技能习得存在差异。在篮球罚球中，关节角度是足以将投篮分为不同类别的基本特征（Schmidt 等人，2012；Ge，2024；Zhang & Chen，2024）。疲劳是人类活动的自然结果，会影响运动员在训练和比赛期间的认知和学习能力。虽然大多数研究认为疲劳是影响表现的一个关键因素（Forestier & Nougier，1998；Apriantono 等人，2006），但一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010；Rusdiana 等人，2019；Li，2021；Bourdas 等人，2024）。例如，Uygur 等人（2010）基于统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024）则专注于疲劳对三分跳投的影响。Li 等人（2021）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中尚未发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同数据源或机器学习技术在结构分析和语义提取中的作用。这项研究是首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析一些研究表明疲劳对篮球罚球表现没有影响（Uygur 等人，2010 年；Rusdiana 等人，2019 年；Li，2021 年；Bourdas 等人，2024 年）。例如，Uygur 等人（2010 年）根据统计运动学分析发现疲劳对罚球没有显著影响。同样，Rusdiana 等人（2019 年）使用 SPSS 分析了罚球运动学，而 Bourdas 等人（2024 年）则专注于疲劳对三分跳投的影响。Li 等人（2021 年）研究了疲劳对女子篮球运动员投篮表现的运动学影响。所有这些研究都采用了统计方法；文献中没有发现用于分析篮球罚球运动学的人工智能或软计算技术。近几十年来，高效的数据分析已显著提高了使用软计算方法的各个领域的生产力。然而，体育科学中的大多数研究都集中在特定的比赛上，以探索不同的数据源或机器学习技术在结构分析和语义提取中的作用。本研究首次将机器学习方法应用于运动学分析
通过统计方法和K-均值聚类对匈牙利，中国教师中的技术应力分析
摘要 - 采用信息技术进行教学和学习活动引起了教师之间的技能。在过去的几年中，中国教师的技术训练研究仅限于诸如诸如技术超负荷，技术复杂性，技术 - 系统性，技术 - 不确定性和技术入侵之类的因素，并忽略了新技术采用的新兴因素。此外，所有技术训练研究都没有根据技术训练因素来识别教师群体的进一步审议。这项研究涵盖了中国湖南教师的技术应力因素识别范围和教师集群的产生范围。通过问卷调查来收集有关五个技术因素的教师协议，并使用统计方法来衡量回答。调查结果表明，所有调查的因素与中国教师Hunan的Technostress都有积极和显着的关系。使用K-均值聚类方法将教师聚类为五个不同的群集。这项研究发现了新技术是一种新技术，并成功地将教师聚集在重要的集群中，以使中国的教育部门能够为教师提供有针对性的技术培训。
sta314：机器学习的统计方法i
机器学习（ML）是一组技术，可让计算机从数据和过去的经验中学习，而不是要求人手工指定所需的行为。ML在统计学中作为一门学科和数据科学行业的统计数据越来越核心。本课程对常用的ML方法以及ML基础的关键统计概念提供了广泛的介绍。它是更高级课程的基础，例如STA414（用于机器学习的统计方法II）。
流行病学高级统计方法 mod spec 2024-25
模块代码 2412 模块名称 流行病学高级统计方法 模块组织者 Tim Clayton 和 Kate Walker 学院 流行病学与人口健康 FHEQ 级别 7 级 学分值 CATS：15 ECTS：7.5 HECoS 代码 101031：101335 授课期限 第 3 学期 授课方式 2024-25 年，此模块将通过面对面教学模式授课。如果本模块规范中注明了特定的教学方法（讲座、研讨会、讨论小组），则将通过面对面课程授课。授课将结合现场和互动活动（同步学习）以及录制或自主学习（异步学习）。学习模式 全日制 对于 LSHTM 研究生学位学生，此模块需要完全注册（全程参与） 学习语言 英语 先决条件 流行病学统计方法是此模块的先决条件，无论是面对面授课（2402）还是远程学习（EPM202）。 专业法定和监管机构认证
一种通过有序响应模型评估网络风险的统计方法
对与网络攻击相关的风险的抽象正确评估对于许多公司而言是一个至关重要的方面。越来越需要计划和实施有效方法来解决网络安全，数据安全和隐私保护。估计成功进行网络攻击的风险是一个重要的问题，因为这种威胁正在激增，因此对使用其服务的公司和客户构成了日益增加的危险。虽然很少获得定量损失数据，但可以从该行业专家的网络攻击严重程度上获得定性评估。因此，自然使用订单响应模型来分析网络风险。特别是我们依靠累积链接模型。我们解释了专家对网络攻击严重程度的评估，这是一组解释变量的函数，描述了所考虑的攻击的特征。通过使用网络结构获得的攻击效应的扩散度量也纳入了模型的解释变量集中。除了对方法的描述外，我们还提供了一个真实数据集的详细分析，其中包括有关严重网络攻击的信息，该信息发生在2017 - 2018年期间。
社论：植物复杂性状遗传解析的统计方法进展
在实际数据分析中，最常用的全基因组关联研究（GWAS）方法往往会遗漏一些重要的位点和性状遗传力。针对这些挑战，Li等（2022a）基于压缩方差分量混合模型建立了一种创新方法3VmrMLM。在3VmrMLM中，数量性状核苷酸（QTN）、QTN与环境互作（QEI）和QTN与QTN互作（QQI）检测中的所有效应都被压缩到一个效应相关向量中，而所有多基因背景都被压缩到一个向量相关的多基因背景中。该方法特别适用于杂合基因型比例较高的物种，如人类、森林、菊花和草原。3VmrMLM能取代现有的方法吗？答案是否定的，尽管3VmrMLM表现出优于现有方法的优势。对于以加性效应为主导的位点的检测，现有方法仍然适用，如在水稻、小麦和大豆中观察到的。由于 GWAS 基于历史重组的连锁不平衡，因此方法之间存在互补性（Zhang et al., 2019 ）。然而，现有方法在检测显性效应和小等位基因替换效应方面面临挑战（Zhang et al., 2023 ）。在分析真实数据时，通货膨胀因子或分位数-分位数图是评估方法性能的常用指标。然而，这对于我们的 mrMLM 和 3VmrMLM 方法（Zhang et al., 2020 ; Li et al., 2022a ）并不重要，因为它们的全基因组扫描旨在选择潜在相关的标记，而不是识别
教授研究生新手的高级统计方法：一个案例示例
教育领域的高级研究专业的学生在理解或采用统计数据分析方法方面的准备很大。这仍然需要在自己的领域阅读文献，这将不可避免地包括此类研究。这种弱点可能会导致学生选择使用定性或解释主义方法，即使教育数据非常复杂，需要复杂的分析技术来正确评估嵌套数据，多性共线因素，数据缺失和随时间变化的影响。本文介绍了一所研究强化大学的研究方法课程，专为仅论文学位课程的学生设计。该课程强调统计方法的逻辑和概念功能，并使学生接触到动手教程，其中要求学生使用开放式数据进行分析。12周课程的上半年侧重于核心知识，通常在第一年的概率和统计课程中教授。下半场重点是引入和建模处理复杂问题和数据所需的高级统计方法。提供课程大纲以及教学和评估的描述。该示例是如何将相对新手引入统计方法的概念使用以提高研究信誉的概念使用。