机器学习则是人工智能的一个分支，致力于开发能够从数据中学习和改进其性能的算法和统计模型
下面内容摘录自《用R探索医药数据科学》专栏文章的部分内容（原文6424字）。
1章2节：机器学习、统计学与ChatGPT的概述，与R语言的相关 (更新20241229)-CSDN博客
一、人工智能
二、机器学习
1、认识机器学习
机器学习（Machine Learning，ML）则是人工智能的一个分支，致力于开发能够从数据中学习和改进其性能的算法和统计模型。简而言之，机器学习让计算机通过分析大量数据自行“学习”并做出预测或决策。
1）早期的机器学习
1943年：沃尔特·皮茨（Walter Pitts）和沃伦·麦卡洛克（Warren McCulloch）在他们的论文《神经活动中的思想逻辑演算》（A Logical Calculus of the Ideas Immanent in Nervous Activity）中引入了第一个神经网络的数学模型。这项工作奠定了理解神经网络如何模拟人类思维过程的基础。
1949年：加拿大心理学家唐纳德·赫布（Donald Hebb）出版了《行为的组织》（The Organization of Behavior），提出了神经元相互作用的理论，这些理论后来为人工神经网络的发展提供了参考。赫布的“共同发火，联结加固”原则成为生物系统和人工系统中学习理论的基石。
2）机器学习的兴起
1950年：阿兰·图灵（Alan Turing）在他的论文《计算机器与智能》（Computing Machinery and Intelligence）中提出了图灵测试，该测试旨在评估机器表现出与人类相同或无法区分的智能行为的能力。
（图：阿兰·图灵 (1912-1954) 在 1936年。阿兰·图灵是一位英国数学家、逻辑学家、密码学家和计算机科学家。他在第二次世界大战期间为破解德国的恩尼格玛密码做出了关键贡献，这不仅大大加速了战争的结束，也展示了计算机在复杂计算和问题解决中的巨大潜力。著名的图灵测试是阿兰·图灵在1950年发表的论文《计算机器与智能》中提出的一种评估机器智能的方法。该测试旨在回答“机器能思考吗？”这个问题。尽管随着技术的发展，图灵测试的局限性和挑战逐渐显现，但它仍然是人工智能领域一个重要的思想实验和衡量标准。）
1952年：亚瑟·塞缪尔（Arthur Samuel）开发了第一个自学习程序，一个跳棋游戏算法，使用如α-β剪枝和评分函数等技术，通过经验改善其游戏能力。1959年，塞缪尔提出了“机器学习”这一术语。
1956年：由约翰·麦卡锡（John McCarthy）、马文·明斯基（Marvin Minsky）、内森尼尔·罗切斯特（Nathaniel Rochester）和克劳德·香农（Claude Shannon）组织的达特茅斯会议通常被认为是人工智能领域的诞生。这一事件催生了对机器学习和AI技术的研究。
3）机器学习的发展
1960年代：这一十年见证了早期学习机器的发展，如分析声纳信号和语音模式的Cybertron。研究集中在模式识别和能够从数据中学习的算法实现。
1970年代：对机器学习的兴趣持续，算法在识别模式和基于经验做出决策方面取得了重大进展。这一时期还引入了用于基本模式识别任务的最近邻算法。
1980年代：该领域开始转向更复杂的模型，包括杰拉尔德·德琼（Gerald Dejong）引入的基于解释的学习，使计算机能够丢弃无关信息并从训练数据中形成一般规则。
1990年代：焦点从知识驱动转向数据驱动的方法，在处理大数据集的算法方面取得了重大进展。1997年，IBM的深蓝（Deep Blue）击败国际象棋冠军加里·卡斯帕罗夫（Garry Kasparov），标志着AI和机器学习历史上的一个重要时刻。
2000年代：深度学习的引入，特别是杰弗里·辛顿（Geoffrey Hinton）的工作，彻底改变了该领域。这一时期见证了卷积神经网络（CNN）的发展及机器学习在图像识别和自然语言处理等各个领域的应用。
2010年代：主要里程碑包括2011年IBM Watson赢得《危险边缘！》比赛，以及Facebook等公司在面部识别技术上的进展。机器学习成为许多应用的核心，从自动驾驶汽车到个人助理。
2、R与机器学习
在数据科学中，机器学习的主要目的是通过观测数据来估计模型的未知参数值，将假设转化为统计参数假设，并进行假设检验和结果解释。例如，线性回归算法在传统统计学和机器学习中都被广泛使用。通过这种方法，我们既可以训练一个线性回归机器学习模型，也可以通过最小二乘法拟合一个线性回归统计模型。在机器学习中，线性回归算法用于训练具有预测功能的模型，并使用新数据集进行测试，以验证模型在新数据集上的预测或分类能力。然而，在统计学中，更强调的是假设数据具有高斯噪声，通过拟合一条最小化均方误差的线性模型来描述数据与输出变量之间的关系，从而进行统计推断。
在R语言中，有几个著名的机器学习扩展包，它们为数据科学家和分析师提供了强大的工具。caret 是一个广泛使用的包，简化了模型训练和调参的流程，支持多种算法。randomForest包实现了随机森林算法，常用于分类和回归任务。xgboost包以其高效的梯度提升框架著称，特别适合处理大规模数据集。此外，tidymodels是一个现代化的建模框架，整合了多个包，为机器学习提供了简洁而灵活的工作流程。
以下是一段简单的R代码，展示了如何在传统统计学和机器学习中使用线性回归算法。该代码首先生成一个示例数据集，然后使用线性回归模型进行拟合和预测。
# 生成示例数据集
set.seed(123)
n <- 100
x <- rnorm(n)
y <- 5 + 3 * x + rnorm(n, sd=2)
# 数据可视化
plot(x, y, main="示例数据", xlab="自变量 x", ylab="因变量 y")
# 传统统计学：使用最小二乘法拟合线性回归模型
lm_model <- lm(y ~ x)
summary(lm_model)
# 绘制拟合线
abline(lm_model, col="blue", lwd=2)
# 机器学习：划分训练集和测试集
set.seed(456)
train_indices <- sample(1:n, size=0.7*n)
train_data <- data.frame(x=x[train_indices], y=y[train_indices])
test_data <- data.frame(x=x[-train_indices], y=y[-train_indices])
# 训练线性回归模型
ml_model <- lm(y ~ x, data=train_data)
# 使用测试集进行预测
predictions <- predict(ml_model, newdata=test_data)
# 绘制测试集预测结果
plot(test_data$x, test_data$y, main="测试集预测结果", xlab="自变量 x", ylab="因变量 y")
points(test_data$x, predictions, col="red", pch=19)
legend("topleft", legend=c("真实值", "预测值"), col=c("black", "red"), pch=c(1, 19))
# 计算预测误差
mse <- mean((test_data$y - predictions)^2)
print(paste("均方误差:", mse))
市面上的 R 语言培训班和书籍（包括网络上的文章或视频），由于受限于培训时间或书籍篇幅，往往难以深入探讨 R 语言在数据科学或人工智能中的具体应用场景，内容泛泛而谈和千篇一律，最终无法真正解决实际工作中的问题。同时，它们也缺乏针对医药领域的深度结合与讨论。为了解决这些痛点，我们推出了《用 R 探索医药数据科学》专栏。该专栏将持续更新，不仅为您提供系统化的学习内容，更致力于成为您掌握最新、最全医药数据科学技术的得力助手。
- 每篇文章篇幅在5000字 至9000字之间。
- 内容涵盖试验统计、预测模型、科研绘图、数据库、机器学习等热点领域。
专栏购买后的 6 点必读
1、本专栏目前共包含 10 个模块，核心内容由 9 大篇章构成。专栏内容将持续更新，更新节奏不严格遵循固定目录顺序，而是结合团队实际工作进展，灵活选择对应章节发布。后续我们也会根据新技术发展与行业动态持续补充内容；若新增技术与现有体系差异较大，将酌情增设全新篇章。
2、建议大家按照以下路径高效学习：以专栏问答和第1篇作为理论基础重点理解，将第2篇和第3篇作为必修的核心操作基础，待基础夯实后，可根据科研需求针对性学习第4至9篇的进阶专题。为了保证最佳学习效果，建议大家在电脑端配合R软件进行同步实操练习。
3、结合当前临床数据科学的研究热点，在学习完前 3 篇内容后，可按自身需求选择后续学习方向：1）若用于自有课题数据，建议重点学习第二章 常规分析技术、第六篇 数据驱动分析及第七篇 机器学习与预测建模；2）若希望快速上手、尽早产出成果，且不介意稿件可能被期刊归类为综述，可选择第五篇 文献挖掘相关技术；3）若开展临床公共数据挖掘，建议结合自身研究方向与兴趣，从第九篇所列数据库中选取其一进行深度学习与实践；如有其他新技术需求，也欢迎在文章评论区留言。
4、本文目录支持直接点击跳转至具体文章，内容按 “篇 - 节” 正向顺序排列，方便按需学习。专栏问答板块以解答疑惑为主，若从基础入门，可直接从第一篇第一章第一节开始系统学习。
5、专栏官网地址（https://blog.csdn.net/2301_79425796/category_12729892.html）的内容显示为倒序排列，便于快速查看最新更新章节。需注意，专栏更新不严格遵循章节顺序，会结合技术热度灵活追加内容，可能连续数周更新已有篇章的补充内容，虽页面显示无明显章节变动，但每周都会有新文章上线，专栏处于持续更新状态。同时，每新增一篇文章后，会第一时间同步更新本文目录，确保目录与专栏内容实时匹配。
6、建议大家优先用电脑阅读（而非手机），同时打开 R 软件，直接复制文中代码实操练习、模仿复现，再一步步拆解理解背后的逻辑。学习完每篇文章后，也推荐大家写下学习感悟：一来可作为笔记留存，清晰记录学习进度与核心重点；二来能梳理思路、加深对技术知识点的理解，还能和其他学习者交流分享心得、互相启发。若学习过程中遇到具体问题，欢迎直接在文章下方留言评论。我们会及时关注你的疑问，结合问题场景与细节给出针对性解答和指导，帮你顺畅掌握专栏中的技术内容。
《用 R 探索医药数据科学》章节目录
专栏内容被划分为工具使用、常规技术、可视化、机器学习和人工智能等九大板块，帮助读者快速定位所需知识，直观把握章节间的逻辑关系与递进层次。
专栏问答
科研问答
科研问答：临床、中医、护理、药学等专业背景的学习者该如何认识 R 语言学习，让科研真正为自己服务？
科研问答：医药类本科生（临床、中医、中药与护理）本科阶段是否需要开展科研学习？
科研问答：什么是临床科学家和临床数据科学家？临床科学家在我国培养和NIH的资助有哪些？
科研问答：公共数据库发表能发表国际学术期刊吗？能够成为本硕博的毕业论文主要研究吗？以NHANES数据库为例
科研问答：Meta 分析真的需要注册吗？三大医药类核心注册平台讲解
职场问答
职场问答：对于医学经理 / 医学统计师，《用R探索医药数据科学》这套专栏对职场有何帮助？
职场问答：以 FDA 为例，真实世界证据是如何改写药物在美上市的审批规则？
技术问答
技术问答：学R语言，感觉还行，一用就错误，人工智能帮忙写代码也看不懂错误，怎么办？
技术问答：R 语言对 AI Agent 的人工智能应用开发会有帮助吗？
第一篇：介绍和工具的使用
1篇1章：认识数据科学和R
1篇1章1节：医药数据科学的历程和发展，用R语言探索数据科学
1篇1章2节：机器学习、统计学与ChatGPT的概述，与R语言的相关
1篇1章5节：学会数据分析基础和流程，开始人工智能数据分析师之路
1篇2章：R的安装和数据读取
1篇2章1节：R和RStudio的下载和安装（Windows 和 Mac）
1篇2章2节：RStudio 四大区应用全解，兼谈 R 的代码规范与相关文件展示
1篇2章3节：RStudio的高效使用技巧，自定义RStudio环境
1篇2章4节：用RStudio做项目管理，静态图和动态图的演示，感受ggplot2的魅力
1篇2章5节：R包管理，从模糊安装到自动更新，和工作目录和工作空间的设置
1篇2章6节：R的数据集读取和利用，如何高效地直接复制黏贴数据到R
1篇2章7节：用R读写RDS、RData、CSV和TXT格式文件
1篇2章8节：用R读写Excel、SPSS、SAS、Stata和Minitab等产生的数据文件
1篇3章：文档和课件输出
1篇3章1节：用R写作，先认识 NoteBook 和 Markdown
1篇3章2节：如何在 R Markdown 和 R Notebook 中创建使用
1篇3章3节：R Markdown的创建详解和直接使用学术期刊和出版社的模板
1篇3章4节：R Markdown 的文档开头（YAML），从基础到扩展包
1篇3章6节：R Markdown 的代码块、绘图与数学公式解析
1篇3章8节：HTML Widgets，将 JavaScript 可视化库封装成 R 函数
1篇3章9节：使用 R Markdown 和 Shiny 结合R语言进行数据报告和交互式应用的创建
1篇3章10节：从 R Markdown 升级到 Quarto 教程（2026年版）
第二篇：常规的分析技术
2篇1章：认识数据
2篇1章1节：数据的基本概念以及 R 中的数据结构、向量与矩阵的创建及运算
2篇2章：数据的预处理
2篇2章1节：全面了解 R 中的数据预处理，通过 R 基本函数实施数据查阅
2篇2章2节：从排序到分组和筛选，通过 R 的 dplyr 扩展包来操作
2篇2章3节：处理医学类原始数据的重要技巧，R语言中的宽长数据转换，tidyr包的使用指南
2篇2章5节：数据科学中的缺失值的处理，删除和填补的选择，K最近邻填补法
2篇2章6节：R的多重填补法中随机回归填补法的应用，MICE包的实际应用和统计与可视化评估
2篇2章9节：用R做数据重塑，增加变量和赋值修改，和mutate()函数的复杂用法
2篇2章10节：用R做数据重塑，变体函数应用详解和可视化的数据预处理介绍
2篇2章12节：R语言中字符串的处理，正则表达式的基础要点和特殊字符
2篇2章13节：R语言中Stringr扩展包进行字符串的查阅、大小转换和排序
2篇2章14节：R语言中字符串的处理，提取替换，分割连接和填充插值
2篇2章15节：字符串处理，提取匹配的相关操作扩展，和Stringr包不同函数的重点介绍和举例
2篇3章：定量数据的统计描述
2篇3章1节：用R语言进行定量数据的统计描述，文末有众数的自定义函数
2篇3章2节：离散趋势的描述，文末1个简单函数同时搞定20个结果
2篇3章9节：组间差异的非参数检验，Wilcoxon秩和检验和Kruskal-Wallis检验
2篇4章：定性数据的统计描述
2篇4章1节：定性数据的统计描述之列联表，文末有优势比计算介绍
2篇4章2节：认识birthwt数据集，EpiDisplay和Gmodels扩展包的应用
2篇4章3节：独立性检验，卡方检验，费希尔精确概率检验和Cochran-Mantel-Haenszel检验
2篇4章5节：分类型变量的Spearman相关分析，偏相关分析和相关图分析
2篇4章6节：相关图的GGally扩展包，和制表的Tableone扩展包
2篇5章：常见类型回归分析
2篇5章7节：构建因变量为分类变量的二分类Logistic回归模型
2篇5章8节：详解不同逻辑回归模型的比较，和如何进行变量优化
2篇5章9节：深度讲解有序多分类Logistic回归模型的分析
2篇6章：生存分析模型
2篇6章4节：认识比例风险模型和Cox比例风险模型，学会从协变量的调整选择最优模型
2篇6章5节：用逐步回归方法来选择模型协变量，比例风险假定的检验和森林图的绘制
2篇7章：高级回归分析
2篇7章5节：Lasso 回归的原理和应用场景，并用R进行代码演示
2篇7章6节：弹性网（Elastic Net）回归的原理和应用场景，并用R进行代码演示
2篇7章7节：逐步回归的原理和应用场景，并用R进行代码演示包的高级应用
2篇7章8节：主成分回归的原理和应用场景，并用R进行代码演示
2篇7章9节：神经网络回归的原理和应用场景，并用R进行代码演示
2篇7章10节：分位数回归的原理和应用场景，并用R进行代码演示
2篇8章：高级生存分析
2篇8章2节：多状态生存模型的基本原理、竞争风险与三状态模型
第三篇：数据可视化技术
3篇1章：R的传统绘图
3篇1章1节：认识R的传统绘图系统，深度解析plot()函数和par()函数的使用
3篇1章5节：R基础绘图之Cleveland 点图，马赛克图和等高图
3篇2章：R的进阶绘图
3篇2章1节：认识 ggplot2 扩展包，深度解析 qplot() 函数的使用
3篇2章2节：ggplot2绘图之原理逻辑分解，掌握绘图步骤
3篇2章4节：ggplot2绘图之几何体解析（一），参考线和基准线与分布图和频数图
3篇2章5节：ggplot2绘图之几何体解析（二），关系图和时间序列图与误差条和高级图形平滑曲线
3篇2章8节：让 ggplot2 绘图进行顶级科研杂志的配色
3篇3章：基于gglot2的扩展包应用
3篇3章6节：绘制切尔诺夫面图（疼痛评分的笑脸可视化）和时间序列数据的日历热图
3篇3章12节：可视化扩展包，从主成分分析到时间序列，从K-means聚类到广义线性模型
3篇3章13节：绘制大数据级别的字母值箱线图（Letter-Value Boxplot）
3篇3章14节：绘制美观和直观的蜂群图（Bee Swarm Plot）
3篇3章15节：用不同方法绘制高级云雨图（Raincloud Plot）
3篇4章：三维图形可视化
3篇4章2节：深度讲解如何绘制三维透视图，从内置函数到扩展包函数
3篇4章4节：绘制三维切片图和三维切片轮廓图，文末添加三维文本信息
3篇4章5节：如何绘制三维曲面图、三维球面图和三维曲面地形图
3篇4章6节：绘制三维等值面图、三维等值体素图和三维多边形图
3篇4章9节：如何将 ggplot2 对象转化为三维图形-CSDN博客
3篇5章：科研绘图新利器（plotthis 包）
3篇5章1节：科研绘图，这个 R 包可能比 ggplot2 更适合你，绘制渐变面积图
3篇5章11节：绘制 Chord Diagram（弦图）和 Circos Plot（环形关系图）
3篇5章12节：降维可视化的DimPlot与FeatureDimPlot应用
3篇6章：科研不确定性绘图（ggdist 包）
3篇6章3节：半眼图与全眼图，分布形态与不确定性表达的统一可视化方法
3篇6章4节：累积分布函数（CDF）图在 ggdist 的可视化演示
3篇6章5节：基于 stat_slab () 函数的高血压临床数据可视化
第四篇：临床试验特定技术
4篇1章：临床试验的常规统计
4篇1章4节：两组例数相同的均数比较的样本量估计和绘制功效曲线
4篇1章6节：自身配对设计的均数比较临床试验的样本量估计和可视化
4篇2章：样本量估计的进阶技术
4篇2章4节：三因素（2b × 3w × 2b）混合设计功效模拟实战，以抗高血压药物试验为例
4篇2章7节：基于分层生存模型的功效计算，以糖尿病临床试验为例
第五篇：文献挖掘的技术
5篇1章：Meta分析攻略
5篇1章1节：认识循证医学中的Meta分析，并予代码演示分析绘图
5篇1章3节：二分类变量的Meta分析模型，分析公式构建和结果解读
5篇1章4节：二分类变量的Meta分析模型，绘制漏斗图和应用剪补法，绘制和解读轮廓增强漏斗图
5篇1章5节：二分类变量的Meta分析模型，敏感性分析和亚组分析，绘制森林图
5篇2章：高级Meta分析
5篇2章3节：在经典临床研究中进行二次固定效应剂量-反应建模和预测
5篇2章6节：贝叶斯 Meta 分析在小样本、高异质性及稀疏数据下的应用（上篇：核心函数）
5篇2章7节：贝叶斯 Meta 分析在小样本、高异质性及稀疏数据下的应用（中篇：具体建模）
5篇2章8节：贝叶斯 Meta 分析在小样本、高异质性及稀疏数据下的应用（下篇：可视化）
5篇2章9节：累积Meta分析在循证医学中的应用及R语言实操
5篇2章10节：诊断试验准确性研究与多阈值Meta分析方法（上篇：基本概念）
5篇2章11节：诊断试验准确性研究与多阈值Meta分析方法（中篇：构建模型）
5篇2章12节：诊断试验准确性研究与多阈值Meta分析方法（下篇：可视计算）
5篇3章：文献计量学
5篇3章2节：数据库的数据采集，WOS数据库和PUBMED数据库的文献信息批量下载和分析
5篇3章3节：国际六大科研文献数据库的数据加载与格式转换解析
5篇3章12节：耦合网络可视化，从常规网络图到耦合分析聚类图的深度讲解
5篇3章13节：共被引网络、历史共被引网络和共词网络的可视化
5篇3章14节：概念结构图，贡献度最高文献因子图和最被引用文献因子图
第六篇：数据驱动的分析
6篇1章：主成分分析
6篇2章：匹配技术应用
6篇3章：判别和聚类分析
6篇3章4节：K-Means聚类分析的运用，和改进算法的K-Means++
6篇3章5节：实现k-medoids聚类算法的PAM和CLARA方法
6篇4章：时间序列分析
6篇4章3节：认识ARIMA模型和模拟其数据，讲解平稳性检验
6篇4章5节：如何应用SARIMA模型来进行时间序列数据的预测
6篇4章6节：Facebook 的时间序列预测的 Prophet 模型
6篇5章：数据因果分析
6篇6章：孟德尔随机化
6篇6章1节：认识孟德尔与孟德尔定律，为流行病学因果研究提供方法指导
第七篇：机器学习和预测
7篇1章：机器学习入门
7篇1章2节：机器学习在临床预测中的应用场景，与临床预测模型的关键步骤解析
7篇1章3节：详析训练数据集、测试数据集和验证数据集及其划分策略
7篇1章4节：采用随机抽样法和等比抽样法对数据集进行二份及三份的划分
7篇1章5节：划分数据的多次随机抽样的Bootstrap法和加权随机抽样法
7篇1章6节：交叉验证概述与分类，R中K折交叉验证的详细解析
7篇1章12节：认识机器学习的模型评估，掌握数值型数据的模型评估方法
7篇1章15节：六大ROC曲线扩展包的对比，和其它评估曲线的绘制
7篇2章：抽样与重抽样技术
7篇3章：特征工程技术
第八篇：R与人工智能
8篇1章：人工智能理论
8篇1章4节：Transformer架构和提词器工程学的出现
8篇1章5节：在 RStudio 中无插件使用 DeepSeek（基本篇）
8篇1章6节：在 RStudio 中无插件使用 DeepSeek（进阶篇）
8篇2章：R 与 VS Code
8篇2章1节：用 VS Code 打造 R 语言人工智能 IDE
8篇2章2节：VS Code 界面的整体概览和首次启动（2026年版）
8篇2章5节：VS Code 的 Markdown 写作入门和插件安装使用详解
8篇2章6节：Copilot 在医药数据分析场景下的三种基础能力
第九篇：公共数据库挖掘
9篇1章：中国居民数据库
9篇1章1节：中国居民健康与营养调查（CHNS）数据库的官网解析和数据下载（2026年版）
9篇1章2节：CHNS数据库的具体数据下载解析（2026年版）
9篇1章3节：CHNS数据库的家庭层面数据模块和个人层面数据模块（2026年版）
9篇1章4节：CHNS数据库的生物标志物数据模块和城市化数据模块（2026年版）
9篇2章：GBD 数据库
9篇2章6节：GBD 数据库分析策略和 SDI 指数的应用解读，并以高血压为例
9篇2章9节：多源数据联合应用在全球疾病负担（GBD）分析中的策略分析
9篇2章10节：2025年基于GBD数据的柳叶刀子刊研究深度解析（全网最深度解读）
9篇2章12节：不同临床科室可基于GBD进行数据挖掘的方向举例（联合分析）
9篇3章：FAERS 数据库（包括其它药物警戒数据库）
9篇3章1节：FAERS数据库的FDA官方讲解，对期刊投稿设限的FAERS数据库的客观评价！
9篇3章2节：认识FAERS数据库的数据和公共仪表板（分析前必看）
9篇3章5节：FAERS数据库中药品报告的数据来源与核心字段深度解读
9篇3章6节：FAERS数据的官网下载和ASCII文件的七大模块详解
9篇3章8节：FAERS联合挖掘，认识和获取VigiBase数据库资料
9篇4章：GEO 数据库
9篇4章5节：GEO 数据库之炎症性肠病基因表达分析演示（一）
9篇4章6节：GEO 数据库之炎症性肠病基因表达分析演示（二）
9篇4章7节：GEO 数据库之炎症性肠病基因表达分析演示（三）
9篇4章8节：GEO 数据库之炎症性肠病基因表达分析演示（四）
9篇4章9节：GEO 数据库之炎症性肠病基因表达分析演示（五）
9篇5章：NHIS 数据库
9篇6章：SEER 数据库
9篇6章3节：SEER数据库的数据下载权限申请（2026年版）
9篇6章4节：SEER数据库 SEERStat、SEERPrep、HDCalc 工具介绍
9篇6章6节：SEER 数据库的2025年数据集中的数据选择（2026年版）
9篇6章7节：SEER 数据库的2025年数据变量多条件组合选择（2026年版）
9篇6章8节：用 Export 功能导出 SEER 数据的全流程操作演示（2026年版）
9篇7章：NHANES 数据库
9篇7章6节：深度讲解不同NHANES的权重的种类选择和R包
9篇7章9节：一步一步构建高效读取NHANES数据的自定义函数
9篇7章10节：如何解决 NHANES 数据合并所遇原表差异问题
9篇7章11节：2025年后如何使用扩展包访问、下载和分析 NHANES 数据
9篇7章13节：根据关键词检索NHANES变量和得到相关信息，并且通过指定URL直接下载数据
9篇7章14节：下载 NHANES 的数据清单、搜索表格和表格里面的变量汇总
9篇7章15节：快速获取 NHANES 特定的表格信息和变量信息
9篇7章16节：NHANES 2017–2023 数据的样本设计、无应答偏差评估与分析说明
9篇7章17节：特殊的NHANES数据解读，包括NNYFS、NHEFS、NHES 和 HHANES 等数据
9篇7章18节：复现NHANES的美国成人抑郁症患病率研究（上）
9篇7章19节：复现NHANES的美国成人抑郁症患病率研究（中）
9篇7章20节：复现NHANES的美国成人抑郁症患病率研究（下）
9篇8章：MIMIC 数据库
9篇8章2节：MIMIC 数据库的 CITI 注册与课程选择（2026年版）
9篇8章3节：MIMIC 数据伦理申请中的贝尔蒙报告与受试者研究伦理
9篇8章4节：MIMIC 数据伦理申请中的IRB、记录和人类群体遗传伦理
9篇8章5节：MIMIC 数据伦理申请中的额外人群、HIPAA 隐私和利益冲突
9篇9章：SHARE 数据库
9篇9章2节：SHARE 数据库入口、注册步骤及使用声明详解
9篇10章：药物经济学公共数据库
9篇10章3节：GHED 数据库 INDICATORS 指标体系数据的深度解读
9篇10章4节：GHED 数据库 HEALTH EXPENDITURE DATA 指标体系数据的深度解读
9篇10章5节：GHED 数据库 MACRO DATA 指标体系数据的深度解读
9篇10章6节：GHED 数据库的数据下载和导出为 Excel 文件
本专栏多次荣获 热销专栏榜 第一名
更多推荐
6
0- 0
已为社区贡献4条内容
所有评论(0)