第1行: |
第1行: |
− | 链接参考<nowiki/>https://www.hsph.harvard.edu/james-robins/ 进一步补充中文文本至2500以上
| + | 此词条暂由我是猫翻译,趣木木编写,未经人工整理和审校,带来阅读不便,请见谅。 |
− | | |
− | 此词条暂由我是猫翻译,未经人工整理和审校,带来阅读不便,请见谅。
| |
| | | |
| {{distinguish|James Robbins (disambiguation){{!}}James Robbins}} | | {{distinguish|James Robbins (disambiguation){{!}}James Robbins}} |
第171行: |
第169行: |
| * 詹姆斯 · 罗宾斯博士ー自传 哈佛大学公共卫生学院书目(2008年3月15日访问)。 | | * 詹姆斯 · 罗宾斯博士ー自传 哈佛大学公共卫生学院书目(2008年3月15日访问)。 |
| * 格尔曼,伊丽莎白(2006年3月23日) :“詹姆斯 · 罗宾斯让统计数据说出真相: 数字服务于健康”哈佛大学公报。 | | * 格尔曼,伊丽莎白(2006年3月23日) :“詹姆斯 · 罗宾斯让统计数据说出真相: 数字服务于健康”哈佛大学公报。 |
| + | * [https://www.hsph.harvard.edu/james-robins/ James Robins个人主页] |
| | | |
| + | == 编者推荐 == |
| {{DEFAULTSORT:Robins, James}} | | {{DEFAULTSORT:Robins, James}} |
| [[Category:American epidemiologists]] | | [[Category:American epidemiologists]] |
第183行: |
第183行: |
| [[Category:Harvard College alumni]] | | [[Category:Harvard College alumni]] |
| | | |
| + | === 集智俱乐部推文推荐 === |
| + | [https://swarma.org/?p=30611 好的观察性研究与差的观察性研究 | 周日直播·因果科学读书会] |
| | | |
− | Category:American epidemiologists
| + | [https://swarma.org/?p=33783 会议预告丨CLeaR (Causal Learning and Reasoning) 2022国际会议4月11-13日举办] |
− | Category:American statisticians
| |
− | Category:Year of birth missing (living people)
| |
− | Category:Harvard School of Public Health faculty
| |
− | Category:Living people
| |
− | Category:Washington University School of Medicine alumni
| |
− | Category:Biostatisticians
| |
− | Category:Fellows of the American Statistical Association
| |
− | Category:Harvard College alumni
| |
− | | |
− | 分类: 美国流行病学家分类: 美国统计学家分类: 出生缺失年(活人)分类: 哈佛大学公共卫生学院教员分类: 活人分类: 华盛顿大学医学院校友分类: 生物统计学家分类: 美国统计协会会员分类: 哈佛大学校友
| |
− | | |
− | <noinclude>
| |
− | | |
− | <small>This page was moved from [[wikipedia:en:James Robins]]. Its edit history can be viewed at [[James Robins/edithistory]]</small></noinclude>
| |
| | | |
| + | CLeaR (Causal Learning and Reasoning) 2022国际会议将在2022年4月11-13日举行。本次会议邀请因果科学领域的学者包括Judea Pearl、Alison Gopnik、James Robins、Peter Spirtes等人共同探讨因果学习与推理的最新进展,因果关系是科学和工程领域的一个基本概念。一方面,在过去的几十年里,因果发现、因果推理和因果机器学习中一些最具影响力的发展都是跨学科努力的结果。已经出现了许多机器学习和统计方法用于处理经典的因果发现和推理问题。另一方面,因果观已被证明能够促进形成、理解和解决迁移学习、强化学习和深度学习中的许多机器学习难题。CLeaR 2022将于2022年4月11日至13日在美国加利福尼亚州尤里卡举行,国内学者可线上参与。会议更多介绍详见:<nowiki>https://www.cclear.cc/2022</nowiki> |
| [[Category:待整理页面]] | | [[Category:待整理页面]] |