ارتقا مهارت های علم داده خود را در علوم بهداشتی - Advance Your Data Science Skills in Health Sciences

علم داده به سازمان‌ها بینش‌های قابل توجه و بسیار ارزشمندی درباره رفتار انسانی ارائه می‌دهد. در حالی که داده کاوی می تواند کمی دلهره آور به نظر برسد، برای پردازش داده های خود نیازی نیست که یک برنامه نویس بسیار ماهر باشید. در این دوره آموزشی جدید، مربی Miki Tebeka به شما نشان می دهد که چگونه از پشته علمی Python برای تکمیل وظایف رایج علم داده استفاده کنید. در مورد ابزارهای اساسی و مفاهیم اصلی برای پردازش موثر داده ها با پشته علمی پایتون، از جمله نحوه کار با Visual Studio Code برای مستندسازی، NumPy برای محاسبات عددی، پانداها برای خرد کردن داده ها، scikit-learn برای مدل سازی داده ها، madplotlib برای تجسم داده ها آشنا شوید.، و بیشتر. پس از تکمیل این دوره، مهارت های لازم برای بارگذاری و تجزیه و تحلیل داده ها، اجرای مدل ها، حل مسائل پیچیده و نمایش نتایج برای تیم خود را خواهید داشت.

با استفاده از R، نرم افزار محاسبات آماری منبع باز، رفتار و ریسک را تجزیه و تحلیل کنید. R محیط و زبانی را فراهم می کند که می توانید از آن برای تجزیه و تحلیل داده ها استفاده کنید، از جمله مجموعه داده های پیمایش عمومی عوامل خطر رفتاری (BRFSS). این دوره مهارت های اصلی علم داده در زمینه مراقبت های بهداشتی، از جمله اپیدمیولوژی، و همچنین نحوه انجام تجزیه و تحلیل مقطعی، تنظیم فرهنگ لغت داده ها، توسعه فراداده، تعیین اختلالات، اعمال محرومیت ها، ایجاد نمودارها، ایجاد متغیرهای پیوسته و دسته بندی نتایج و بیشتر. با مونیکا واهی، متخصص بیوتکنولوژی و اپیدمیولوژیست بپیوندید تا ابتدا ملاحظات طراحی و اخلاقی را مورد بحث قرار دهد و سپس مراحل انجام تجزیه و تحلیل توصیفی را برای شما انجام دهد. این دوره دقیق و کاربردی برای کمک به افراد در زمینه بهداشت عمومی، پزشکی و علم داده برای ویرایش، تجزیه و تحلیل و تفسیر داده ها طراحی شده است. نحوه کدگذاری متغیرهای جدید را یاد بگیرید، از فرایند مدل سازی مرحله به مرحله استفاده کنید و تصمیمات خود را مستند کنید. نحوه تجسم نتایج با ایجاد نمودارها و گرافیک و نحوه افزودن جداول و نمودارها به اسناد خود را بیاموزید. این دوره به شما کمک می کند تا به طور مستقل یک تجزیه و تحلیل کامل BRFSS طراحی، توسعه و اجرا کنید و حتی نتایج خود را در نشریات یا مجلات علمی منتشر کنید. اهداف یادگیری بررسی داده ها و مستندات نظرسنجی انجام تجزیه و تحلیل BRFSS درک قراردادهای نامگذاری ویرایش متغیرها بررسی توزیع ها ایجاد مجموعه داده تحلیلی توسعه آمار توصیفی برای پاسخ به فرضیه های از پیش تعیین شده تهیه جداول و طرح های شایسته انتشار

مدل های رگرسیون خطی و لجستیک را می توان با استفاده از R، نرم افزار محاسبات آماری منبع باز ایجاد کرد. در این دوره، مونیکا واهی، متخصص بیوتکنولوژی و اپیدمیولوژیست، از مجموعه داده های موجود برای عموم مردم در دسترس استفاده می کند تا به شما نحوه انجام یک مدل سازی گام به گام را نشان دهد. مونیکا به شما نشان می دهد که چگونه تحقیقات خود را با در نظر گرفتن اعتبار علمی و انتخاب یک فرضیه طراحی کنید. سپس، او مراحل آماده سازی، توسعه و نهایی سازی هر دو مدل رگرسیون خطی و یک مدل رگرسیون لجستیک را در اختیار شما قرار می دهد. او همچنین تکنیک هایی را برای نحوه تفسیر نمودارهای تشخیصی، بهبود تناسب مدل، مقایسه مدل ها و موارد دیگر به اشتراک می گذارد. اهداف یادگیری برخورد با باورپذیری علمی انتخاب یک فرضیه تفسیر طرحهای تشخیصی کار با نمایه ها و فراداده های مدل کار با چارک ها و رتبه بندی ساختن مدل کار بهبود تناسب مدل انجام مدل رگرسیون خطی انجام مدل رگرسیون لجستیک انجام رگرسیون گام به گام به جلو برآورد پارامترها تفسیر نسبت شانس اضافه کردن نسبت شانس به مدل ها مقایسه مدل های تو در تو ارائه و تفسیر مدل نهایی