VIP20
本课程属于：026-分子对接筛选批次质控 生物信息学与 AI 制药工程 · 共 20 门相关课程，组合学习更完整。
查看所属VIP全部课程 →
← 返回所属目录 咨询 / 购买

分子对接评分批次偏差分析与校正

共计 30 章节
点击此处阅读海量试读课程：100+行业、1000+细分领域
01
课程介绍与学习目标
课程介绍与学习目标 · 核心概念 · 实践要点
课程介绍学习目标
02
评分系统概述
常见评分场景与挑战
评分系统概述常见评分场景
03
批次偏差定义与分类
批次偏差定义与分类 · 核心概念 · 实践要点
批次偏差定义分类
04
统计基础
均值 · 方差 · 协方差
统计基础均值
05
偏差检测
可视化方法（箱线图 · 散点图）
偏差检测可视化方法
06
偏差检测
统计检验（t检验 · 卡方检验）
偏差检测统计检验
07
数据预处理
缺失值处理 · 异常值识别
数据预处理缺失值处理
08
数据标准化与归一化
数据标准化与归一化 · 核心概念 · 实践要点
数据标准化归一化
09
批次效应概念与来源
批次效应概念与来源 · 核心概念 · 实践要点
批次效应概念来源
10
常见批次校正方法概述
常见批次校正方法概述 · 核心概念 · 实践要点
常见批次校正方法…重点
11
基于线性回归的偏差校正
基于线性回归的偏差校正 · 核心概念 · 实践要点
基于线性回归的偏…重点
12
基于分位数的归一化方法
基于分位数的归一化方法 · 核心概念 · 实践要点
基于分位数的归一…重点
13
基于ComBat的批次校正
基于ComBat的批次校正 · 核心概念 · 实践要点
ComBat基于
14
基于RUV（去除未观察到的变异）方法
基于RUV（去除未观察到的变异）方法 · 核心概念 · 实践要点
RUV基于
15
基于SVA（替代变量分析）方法
基于SVA（替代变量分析）方法 · 核心概念 · 实践要点
SVA基于
16
基于机器学习（随机森林、深度学习）的校正
基于机器学习（随机森林、深度学习）的校正 · 核心概念 · 实践要点
基于机器学习随机森林
17
校正效果评估指标（PSI、KS、相关性等）
校正效果评估指标（PSI · 核心概念 · 实践要点
PSIKS
18
交叉验证与超参数调优
交叉验证与超参数调优 · 核心概念 · 实践要点
交叉验证超参数调优
19
实现工具与库介绍（scikit-learn、limma、pyComBat）
实现工具与库介绍（scikit-lear… · 核心概念 · 实践要点
scikit-learnlimma
20
编写自定义批次校正函数
编写自定义批次校正函数 · 核心概念 · 实践要点
编写自定义批次校…重点
21
构建批量处理流程
构建批量处理流程 · 核心概念 · 实践要点
构建批量处理流程重点
22
案例
考试成绩批次偏差校正
案例考试成绩批次偏差…
23
案例
传感器数据偏差校正
案例传感器数据偏差校…
24
案例
基因组表达数据校正
案例基因组表达数据校…
25
案例
用户评分偏差校正
案例用户评分偏差校正
26
结果可视化与报告生成
结果可视化与报告生成 · 核心概念 · 实践要点
结果可视化报告生成
27
模型部署与API对接
模型部署与API对接 · 核心概念 · 实践要点
API模型部署
28
持续监控与反馈循环
持续监控与反馈循环 · 核心概念 · 实践要点
持续监控反馈循环
29
常见陷阱与最佳实践
常见陷阱与最佳实践 · 核心概念 · 实践要点
常见陷阱最佳实践
30
课程总结与未来展望
课程总结与未来展望 · 核心概念 · 实践要点
课程总结未来展望