耶鲁biostatistics/statistics课程体验

发布网友发布时间：2024-10-06 04:47

共1个回答

热心网友时间：2024-12-12 04:33

本文分享了在耶鲁统计系和生物统计系修读的课程体验，旨在帮助统计和生物统计系项目的同学选择合适的课程。以下观点基于个人经验。
S&DS 610：统计推断

这门课程是统计系PhD一年级必修的理论课，内容涵盖测度论视角下的严格统计理论，包括有限样本理论和大样本理论。教材包括标准理论统计教材，但个人更推荐Jun Shao的《Mathematical Statistics》或R. Keener的《Theoretical Statistics: Topics for a Core Course》，难度更适中，习题有解答。

课程作业量大，每周有5-6题的problem set，难度适中。考试形式为课堂期中和take-home期末，开放书籍，但课堂期中时间紧张，难以查阅资料。课程快节奏且具挑战性。
S&DS 600 高级概率

这门课程同样面向统计系PhD一年级学生，内容涉及测度论视角下的概率论，包括大数定律、条件概率、鞅和中心极限定理等。教材是David Pollard的《A User's Guide to Measure-Theoretic Probability》，风格独特，推荐Durrett的《Probability: Theory and Example》或Stanford STAT 310ABC的笔记作为替代。

作业以证明题为主，难度适中，包含论文项目，要求学生重写论文中的证明或尝试新证明。任务量不大但极具挑战性，需要深入理解和掌握论文内容。
BIS 555 生物医学数据机器学习

这门课程是统计系下的机器学习课程，主要覆盖《The Element of Statistical Learning》的1-12, 14和15章内容，如线性回归、逻辑回归、核方法等。课程注重从统计角度讨论算法原理，包含简单证明，作业难度适中。
S&DS 665 中级机器学习

这门课程是机器学习的第二门课程，内容涉及核方法、卷积神经网络、非参数贝叶斯、变分推断、图模型、强化学习和序列学习等现代方法的简介。教材为K. Murphy的《Probablistic Machine Learning》，侧重概念理解和代码实现。

S&DS 632 高级优化

课程内容包括凸优化的理论和算法，如凸分析和梯度下降法。教材为Beck的《First-Order Methods in Optimization》和Boyd和Vandeberg的《Convex Optimization》。作业和期末项目与Advanced Probability课程相似，具有一定的挑战性。
S&DS 611 统计决策理论

这门课程由Harrison Zhou教授讲授，内容涵盖统计决策论，非渐进角度下的方法风险和最小风险讨论，包括非参数估计、贝叶斯估计、LASSO等。是一门纯理论性质的课程，作业较少，旨在深入理解理论统计中的决策方法。