دوره آموزشی طراحی مطالعات مراقبت های بهداشتی داده های بزرگ، بخش اول
2 ساعت 16 دقیقهپیشرفته2025-02-04
مدرسین

Monika Wahi
Data Science and Biotech Expert
جزئیات دوره
حتی اگر درک عمیقی از آمار و علوم اطلاعاتی داشته باشید، برای انجام تحلیلهای دقیق و علمی در حوزه دادههای سلامت، باید با اصول اپیدمیولوژی و طراحی مطالعات تحقیقاتی آشنا باشید. این دوره آموزشی به شما کمک میکند تا تحقیقات خود را بر اساس فرضیات علمی طراحی کنید و شکاف دانشی را که بسیاری از تحلیلگران هنگام ورود به حوزه سلامت با آن مواجه میشوند، برطرف نمایید.
در این دوره، مونیکا واهای، مدرس دوره، مفاهیم و اصطلاحات پایهای اپیدمیولوژی را تعریف کرده و روشهای مختلف طراحی مطالعات را بررسی میکند؛ از جمله مطالعات توصیفی، تحلیلی، مقطعی و مورد-شاهدی. سپس بهطور عمیقتر به مطالعات مقطعی و مورد-شاهدی میپردازد و نحوه برنامهریزی مجموعه دادههای تحلیلی را آموزش میدهد. این شامل شناسایی متغیرهای مورد نیاز و عملیاتی کردن آنها در یک دیکشنری داده است.
در پایان، مروری بر درسهای آموختهشده از این دوره خواهد داشت و شما را برای بخش دوم از مجموعه آموزشی آماده میکند؛ بخشی که به تجزیه و تحلیل توصیفی و رگرسیونی بر روی دادههایی که طراحی کردهاید، میپردازد.
اهداف آموزشی این دوره:
تعریف مفهوم مواجهه و پیامد در مطالعات سلامت
بررسی تفاوتهای بین جمعیتها و نمونهها در مطالعات دادههای سلامت
آشنایی با روش علمی در اپیدمیولوژی و نحوه استفاده از آن
شناخت عناصر کلیدی معیار بردفورد هیل در بخش اول
درک تفاوت بین مطالعات مشاهدهای و آزمایشها
تعریف و شناخت طراحی مطالعات مورد-شاهدی
آشنایی با سطوح شواهد علمی و اجزای مهم آن
درک مفهوم نرخ شیوع در اپیدمیولوژی
برنامهریزی برای ایجاد یک فرضیه پژوهشی کارآمد
در این دوره، مونیکا واهای، مدرس دوره، مفاهیم و اصطلاحات پایهای اپیدمیولوژی را تعریف کرده و روشهای مختلف طراحی مطالعات را بررسی میکند؛ از جمله مطالعات توصیفی، تحلیلی، مقطعی و مورد-شاهدی. سپس بهطور عمیقتر به مطالعات مقطعی و مورد-شاهدی میپردازد و نحوه برنامهریزی مجموعه دادههای تحلیلی را آموزش میدهد. این شامل شناسایی متغیرهای مورد نیاز و عملیاتی کردن آنها در یک دیکشنری داده است.
در پایان، مروری بر درسهای آموختهشده از این دوره خواهد داشت و شما را برای بخش دوم از مجموعه آموزشی آماده میکند؛ بخشی که به تجزیه و تحلیل توصیفی و رگرسیونی بر روی دادههایی که طراحی کردهاید، میپردازد.
اهداف آموزشی این دوره:
تعریف مفهوم مواجهه و پیامد در مطالعات سلامت
بررسی تفاوتهای بین جمعیتها و نمونهها در مطالعات دادههای سلامت
آشنایی با روش علمی در اپیدمیولوژی و نحوه استفاده از آن
شناخت عناصر کلیدی معیار بردفورد هیل در بخش اول
درک تفاوت بین مطالعات مشاهدهای و آزمایشها
تعریف و شناخت طراحی مطالعات مورد-شاهدی
آشنایی با سطوح شواهد علمی و اجزای مهم آن
درک مفهوم نرخ شیوع در اپیدمیولوژی
برنامهریزی برای ایجاد یک فرضیه پژوهشی کارآمد
مهارت ها
RData EngineeringData AnalysisData ScienceBusiness Analysis and StrategyBusiness Software and ToolsOpen SourceDeep Dive (X:Y)
سرفصل ها
0. مقدمه
- 01 - خوش آمدید
- 02 - آنچه باید بدانید
- 03 - استفاده از فایلهای تمرین
1. اپیدمیولوژی و استنتاج علّی
- 04 - تعریف اپیدمیولوژی
- 05 - شرایط مربوط به داده ها
- 06 - تعریف مواجهه و نتیجه
- 07 - جمعیتها در مقابل نمونه ها
- 08 - روش علمی در اپیدمیولوژی
- 09 - معیارهای برادفورد هیل - قسمت اول
- 10 - معیارهای برادفورد هیل - قسمت دوم
2. طرحهای مطالعه
- 11 - مروری بر تحقیقات انسانی
- 12 - مطالعه مشاهده ای در مقابل آزمایش
- 13 - طرحهای مطالعه توصیفی در مقابل تحلیلی
- 14 - طرح مطالعه مقطعی
- 15 - طرح مطالعه موردی- شاهدی
- 16 - سطوح شواهد
3. اقدامات انجمن
- 17 - آشنایی با جدول 2*2
- 18 - نسبت شیوع
- 19 - نسبت شانس در یک مطالعه مقطعی
- 20 - نسبت شانس در مطالعه مورد شاهدی
- 21 - نتیجه گیری در مورد جدول 2*2
4. برنامه ریزی برای مطالعه
- 22 - تعریف مخدوش کننده ها
- 23 - استفاده از شبکه علیت برای شناسایی عوامل مخدوش کننده
- 24 - ابزار بررسی متون علمی
- 25 - بررسی متون علمی موجود
- 26 - ایجاد یک فرضیه کاری
- 27 - انتخاب مجموعه داده
- 28 - ملاحظات داده نهایی
5. برنامه ریزی مجموعه دادههای تحلیلی
- 29 - تعریف داده گردانی
- 30 - الزامات یک مجموعه داده تحلیلی مقطعی یا موردی
- 31 - راهاندازی دیکشنری داده
- 32 - عملیاتی کردن زیرجمعیت
- 33 - عملیاتی کردن مواجهه، نتیجه و عوامل مخدوش کننده
- 34 - مستندسازی متغیرهای تبدیل شده در فرهنگ لغت داده
نتیجه گیری
- 35 - بررسی دوره
- 36 - آمادگی برای قسمت دوم
دوره های مرتبط
- دوره آموزشی طراحی مطالعات مراقبت بهداشتی داده های بزرگ، بخش دوم
- دوره آموزشی پایاسپارک پرقدرت: راهکارهای پیشرفته برای پردازش بهینه دادهها
- دوره آموزشی معماری برنامه های کاربردی داده های بزرگ: مهندسی برنامه های زمان واقعی
- دوره آموزشی معماری برنامه های کاربردی داده های بزرگ: مهندسی کاربرد حالت دسته ای (2017)
- دورهی آموزشی مقدماتی آپاچی اسپارک: مهندسی دادههای بزرگ
- دوره آموزشی علم داده در Google Cloud Platform: طراحی انبارهای داده
- دوره آموزشی پردازش پیشرفته دادهها: معماریهای دستهای، زمان واقعی و ابری برای هوش مصنوعی
- دوره آموزشی یادگیری جامع آپاچی کافکا: برنامه های مقیاس پذیر (2021)
مسیرهای مرتبط
- مسیر آموزشی پیشرو بودن در علوم داده
- مسیر آموزشی درک هوش مصنوعی تولیدکننده برای رهبران فناوری
- مسیر آموزشی مبانی هوش مصنوعی مسئول
- مسیر آموزشی مقدمهای بر مهارتهای پایه برای کار با داده: تحلیل و تفسیر دادهها
- مسیر آموزشی ارتقا مهارت های خود را در Hadoop/NoSQL Data Science Stack
- مسیر آموزشی ارتقا مهارت های خود به عنوان یک متخصص اسپارک آپاچی
- مسیر آموزشی آماده شدن برای گواهینامه مهندس داده حرفه ای Google Cloud
- مسیر آموزشی مقدمهای بر مهارتهای پایه برای کار با داده: ذخیرهسازی دادهها