Data science → Knowledge

Causal inference, probabilistic programming, and deep learning are three (broad) computational frameworks that can form the basis of better evidence-based decision-making and decision-based evidence-making. Julia is a promising programming language for all of this; just add software engineering.

• Basic Idea of Causal Inference in Julia GLM

• Basic Idea of Deep Learning in Julia Flux

• Basic Idea of Probabilistic Programming in Julia Turing

• Causal Inference With Time Varying Variables

• How Probabilistic Programming Allows 'Automatic' Causal Inference

• Interpreting Models Has Never Been Easier (marginaleffects)

• Learning Probabilistic Programming in Stan From 10 Examples

• Research Software Engineering: 3 Things Any Researcher Should Know

• Single-World Intervention Graphs in 10 Examples

• Target Trial Emulation in Practice

• Target Trial Emulation Summarized

• Target Trial Emulation: 3 Examples

• Understanding the Parametric G-Formula Through Source Code Analysis (R)

• Understanding AlphaZero by Reading Source Code in Julia

• Why causal mediation is more important than I previously thought

Kohti tieteellistä terveyden hoitoa

Terveystieto on usein epäluotettavaa...

• 9 huonoa ja tavallista syytä uskoa terveysväitteisiin

• 5 harhaa jotka vääristävät terveystietoa

• 5 syytä miksi myös terveysihmeet ovat usein sattumaa

... mutta tieteessä on opittu jo kauan sitten, miten tietoa voi luoda luotettavammin:

• 10 periaatetta jotka tekevät terveystiedosta luotettavaa (tai roskaa)

• Hyötyä vai huuhaata? Vain reilu vertailu vahvistaa (8 kriteeriä)

• Vaikutusta, harhaa vai sattumaa? 5 väylää luotettavampaan syypäätelmään

Evoluutio ja lääketieteen historia antavat vahvan pohjan hoidon kehittämiselle.

• 4 tärkeintä opetusta terveyden hoidon läntisestä historiasta

• Mitä evoluutio oikeasti sanoo terveyden hoidosta?

Miscellaneous

• How To Organize Messy Personal Archives in Messy Terminal Bash

• Difference Between Good And Bad Writing – And How to Improve

• Fear Of Death: A Realistic Way Forward (Essay)