فلش‌کارت‌های آموزشی چارچوب تصمیم‌گیری برای کمی‌سازی عدم قطعیت در مدل‌سازی اپیدمیولوژیک: رویکردی نوآورانه

دوره چارچوب تصمیم‌گیری برای کمی‌سازی عدم قطعیت در مدل‌سازی اپیدمیولوژیک چارچوب تصمیم‌گیری برای کمی‌سازی عدم قطعیت در مدل‌سازی اپیدمیولوژیک: رویکردی نوآورانه تصمیم‌گیری در دنیای عدم قطعیت: از تئوری تا ...

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 74,988 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: چارچوب تصمیم‌گیری برای کمی‌سازی عدم قطعیت در مدل‌سازی اپیدمیولوژیک: رویکردی نوآورانه

موضوع کلی: مدل‌سازی اپیدمیولوژی و تصمیم‌گیری مبتنی بر داده

موضوع میانی: ارزیابی و مدیریت عدم قطعیت در مدل‌های اپیدمیولوژی

📋 سرفصل‌های دوره (100 موضوع)

  • 1. مقدمه‌ای بر مدل‌سازی اپیدمیولوژیک: چرا و چگونه؟
  • 2. مفاهیم پایه اپیدمیولوژی: شیوع، بروز، R0
  • 3. مدل‌های قطعی در اپیدمیولوژی: SIR, SIS
  • 4. مدل‌های تصادفی و اهمیت آن‌ها در دینامیک بیماری
  • 5. معرفی عدم قطعیت در مدل‌های علمی و کاربردهای آن‌ها
  • 6. تعریف و انواع عدم قطعیت در مدل‌های اپیدمیولوژیک
  • 7. نقش عدم قطعیت در تصمیم‌گیری‌های سلامت عمومی
  • 8. چالش‌های کمی‌سازی عدم قطعیت در سناریوهای واقعی
  • 9. مروری بر چارچوب تصمیم‌گیری (Decision-Theoretic Framework)
  • 10. اهداف و ساختار دوره آموزشی: یک نقشه راه
  • 11. عدم قطعیت الئاتوریک (Aleatory) در مقابل اپیستمیک (Epistemic)
  • 12. عدم قطعیت داده‌ها: جمع‌آوری، اندازه‌گیری و خطاهای گزارش‌دهی
  • 13. عدم قطعیت پارامترها: برآورد و تنوع ذاتی آن‌ها
  • 14. عدم قطعیت ساختار مدل: فروض، ساده‌سازی‌ها و انتخاب مدل
  • 15. عدم قطعیت آینده و رویدادهای پیش‌بینی‌ناپذیر اپیدمیولوژیک
  • 16. عدم قطعیت در شرایط اولیه و مرزی مدل‌ها
  • 17. عدم قطعیت ناشی از مقیاس‌بندی (Scaling) در مدل‌سازی
  • 18. عدم قطعیت ناشی از تعاملات پیچیده (Complex Interactions)
  • 19. تفکیک و شناسایی منابع عدم قطعیت در مدل‌های اپیدمیولوژی
  • 20. اهمیت طبقه‌بندی عدم قطعیت برای مدیریت و کاهش آن
  • 21. معرفی کلی تکنیک‌های کمی‌سازی عدم قطعیت (Uncertainty Quantification)
  • 22. رویکردهای فرکوئنتیست (Frequentist) در UQ
  • 23. فواصل اطمینان (Confidence Intervals) برای پارامترهای مدل
  • 24. آزمون فرض آماری و P-value در زمینه UQ پارامترها
  • 25. برآورد حداکثر درستنمایی (Maximum Likelihood Estimation) با عدم قطعیت
  • 26. معرفی استنتاج بیزی (Bayesian Inference) برای UQ
  • 27. قضیه بیز و اجزای آن: پیشین، درستنمایی، پسین
  • 28. توزیع‌های پیشین (Prior Distributions): انتخاب و تاثیر آن‌ها
  • 29. توزیع‌های پسین (Posterior Distributions) و تفسیر استنتاجی آن‌ها
  • 30. فواصل اعتبار (Credible Intervals) در استنتاج بیزی
  • 31. روش‌های مونت کارلو زنجیره مارکوف (MCMC) برای نمونه‌گیری
  • 32. الگوریتم گیبس (Gibbs Sampling) و کاربردهای آن
  • 33. الگوریتم متروپولیس-هاستینگز (Metropolis-Hastings)
  • 34. ارزیابی همگرایی زنجیره‌های MCMC و تشخیص مشکلات
  • 35. نمونه‌گیری از توزیع‌های پسین (Posterior Sampling)
  • 36. تحلیل حساسیت (Sensitivity Analysis): معرفی و هدف آن
  • 37. تحلیل حساسیت محلی (Local Sensitivity Analysis)
  • 38. تحلیل حساسیت جهانی (Global Sensitivity Analysis): شاخص‌های سوبول (Sobol Indices)
  • 39. انتشار عدم قطعیت (Uncertainty Propagation) با روش مونت کارلو
  • 40. تحلیل سناریو (Scenario Analysis) برای عدم قطعیت‌های بزرگ و عمیق
  • 41. معرفی نظریه تصمیم (Decision Theory) و اصول آن
  • 42. تصمیم‌گیری عقلانی و مفهوم ترجیحات (Preferences)
  • 43. توابع مطلوبیت (Utility Functions) و ارزیابی پیامدها
  • 44. نظریه مطلوبیت مورد انتظار (Expected Utility Theory)
  • 45. درخت‌های تصمیم (Decision Trees) و نمودارهای تاثیر
  • 46. تصمیم‌گیری در شرایط اطمینان کامل (Decision Making under Certainty)
  • 47. تصمیم‌گیری در شرایط ریسک (Decision Making under Risk)
  • 48. تصمیم‌گیری در شرایط عدم قطعیت (Decision Making under Uncertainty)
  • 49. معیارهای تصمیم‌گیری تحت عدم قطعیت: Maximin, Maximax, Minimax Regret
  • 50. توابع زیان (Loss Functions) و نقش آن‌ها در بهینه‌سازی تصمیم
  • 51. تحلیل هزینه-فایده (Cost-Benefit Analysis) در بهداشت عمومی
  • 52. تحلیل هزینه-اثربخشی (Cost-Effectiveness Analysis)
  • 53. ارزش اطلاعات کامل (Value of Perfect Information - VoPI)
  • 54. ارزش اطلاعات ناقص (Value of Imperfect Information - VoII)
  • 55. رویکردهای پیش‌بینی و پس‌بینی برای ارزیابی تصمیم
  • 56. یکپارچه‌سازی کمی‌سازی عدم قطعیت و نظریه تصمیم
  • 57. چارچوب تصمیم‌گیری بیزی (Bayesian Decision Framework)
  • 58. فرمول‌بندی مسئله تصمیم در اپیدمیولوژی با در نظر گرفتن UQ
  • 59. تعریف گزینه‌های تصمیم و پیامدهای نامطمئن آن‌ها
  • 60. مدل‌سازی پیامدهای نامطمئن (Uncertain Outcomes)
  • 61. ادغام توزیع‌های پسین در ارزیابی گزینه‌های تصمیم
  • 62. تحلیل تصمیم مبتنی بر مطلوبیت مورد انتظار بیزی
  • 63. تصمیم‌گیری قوی (Robust Decision Making): مفاهیم و ضرورت
  • 64. استراتژی‌های تصمیم‌گیری قوی در مواجهه با عدم قطعیت عمیق
  • 65. کاربرد: تخصیص واکسن تحت عدم قطعیت پارامتریک و مدل
  • 66. کاربرد: استراتژی‌های واکنش به شیوع بیماری (Outbreak Response)
  • 67. کاربرد: تصمیم‌گیری در مورد مداخلات غیردارویی (NPIs)
  • 68. ارزیابی ریسک در مدل‌های اپیدمیولوژیک با استفاده از UQ
  • 69. مدیریت ریسک و راهبردهای کاهش عدم قطعیت
  • 70. استفاده از ارزش اطلاعات برای هدایت تحقیقات آتی
  • 71. بهینه‌سازی تصمیم‌گیری تحت عدم قطعیت با استفاده از برنامه‌ریزی ریاضی
  • 72. مدل‌سازی پویای تصمیم‌گیری (Dynamic Decision Models)
  • 73. فرایندهای تصمیم‌گیری مارکوف (Markov Decision Processes)
  • 74. تصمیم‌گیری متوالی (Sequential Decision Making) در طول زمان
  • 75. تصمیم‌گیری با اهداف چندگانه (Multi-Objective Decision Making)
  • 76. روش‌های تحلیل تصمیم چندمعیاره (Multi-Criteria Decision Analysis)
  • 77. مطالعه موردی: مدل‌سازی آنفولانزا و تصمیمات سیاستی با UQ
  • 78. مطالعه موردی: تصمیم‌گیری‌های کووید-۱۹ با عدم قطعیت‌های مختلف
  • 79. کالیبراسیون و اعتبارسنجی مدل‌ها در حضور عدم قطعیت
  • 80. تکنیک‌های میانگین‌گیری مدل (Model Averaging)
  • 81. مدل‌سازی گروهی (Ensemble Modeling) برای کاهش عدم قطعیت ساختاری
  • 82. مدل‌های مبتنی بر عامل (Agent-Based Models) و چالش‌های UQ آن‌ها
  • 83. مدل‌سازی فضایی و مکانی-زمانی با در نظر گرفتن عدم قطعیت
  • 84. مسائل شناسایی‌پذیری پارامتر (Parameter Identifiability) و اثر آن بر UQ
  • 85. تحلیل‌های بیزی پیشرفته: مقایسه مدل و انتخاب مدل
  • 86. بررسی‌های پیش‌بینانه پسین (Posterior Predictive Checks)
  • 87. ارتباطات موثر عدم قطعیت با سیاست‌گذاران و عموم مردم
  • 88. ابزارهای نرم‌افزاری برای UQ و تحلیل تصمیم (R, Python, Stan, PyMC)
  • 89. ملاحظات اخلاقی در تصمیم‌گیری‌های سلامت عمومی مبتنی بر عدم قطعیت
  • 90. نقش شبیه‌سازی‌های پیشرفته در کمی‌سازی عدم قطعیت
  • 91. ارزیابی انتقادی مطالعات کمی‌سازی عدم قطعیت و تصمیم‌گیری
  • 92. مقابله با عدم قطعیت عمیق (Deep Uncertainty) در مدل‌های بلندمدت
  • 93. مدیریت انطباقی (Adaptive Management) در اپیدمیولوژی
  • 94. تصمیم‌گیری بلادرنگ (Real-time Decision Making) با داده‌های پویا
  • 95. چارچوب‌های تصمیم‌گیری برای آمادگی در برابر پاندمی‌ها
  • 96. مدل‌سازی تغییرات اقلیمی و بیماری‌های عفونی با عدم قطعیت
  • 97. چالش‌های مقیاس‌پذیری محاسباتی برای مدل‌های اپیدمیولوژیک بزرگ
  • 98. ادغام عوامل رفتاری و اجتماعی در چارچوب تصمیم‌گیری بیزی
  • 99. شکاف بین تحقیقات و سیاست‌گذاری: پر کردن با UQ و DT
  • 100. مروری بر گرایش‌های نوظهور در کمی‌سازی عدم قطعیت و تصمیم‌گیری
دوره چارچوب تصمیم‌گیری برای کمی‌سازی عدم قطعیت در مدل‌سازی اپیدمیولوژیک

چارچوب تصمیم‌گیری برای کمی‌سازی عدم قطعیت در مدل‌سازی اپیدمیولوژیک: رویکردی نوآورانه

تصمیم‌گیری در دنیای عدم قطعیت: از تئوری تا عمل

بحران‌های بهداشت عمومی، مانند همه‌گیری اخیر COVID-19، به ما نشان دادند که تصمیم‌گیری‌های به‌موقع و مبتنی بر داده تا چه حد می‌توانند سرنوشت‌ساز باشند. در قلب این تصمیم‌گیری‌ها، مدل‌های اپیدمیولوژیک قرار دارند؛ ابزارهایی قدرتمند که به ما در پیش‌بینی مسیر بیماری، ارزیابی اثربخشی مداخلات و تخصیص بهینه منابع کمک می‌کنند. اما هر مدلی با "عدم قطعیت" همراه است. چگونه می‌توانیم به پیش‌بینی‌های یک مدل اعتماد کنیم، وقتی خود مدل از قطعیت کامل برخوردار نیست؟

این دوره آموزشی، با الهام از مقاله علمی پیشگامانه "A decision-theoretic framework for uncertainty quantification in epidemiological modelling"، پاسخی انقلابی به این پرسش ارائه می‌دهد. ما دیگر عدم قطعیت را به عنوان یک نقص یا مشکل نمی‌بینیم، بلکه آن را به عنوان «هزینه مورد انتظار ناشی از تصمیم‌گیری بر اساس اطلاعات ناقص» تعریف می‌کنیم. این تغییر نگرش، درها را به روی استراتژی‌های جدیدی برای مدیریت ریسک، جمع‌آوری داده‌های هوشمندانه و اتخاذ تصمیمات قوی‌تر باز می‌کند. این دوره، پلی است میان نظریه‌های پیچیده دانشگاهی و نیازهای عملی متخصصان، مدیران و پژوهشگران حوزه سلامت.

درباره دوره: فراتر از پیش‌بینی، به سوی تصمیم‌سازی هوشمند

این دوره یک برنامه آموزشی جامع است که مفاهیم بنیادی نظریه تصمیم، یادگیری ماشین و اقتصاد سلامت را با مدل‌سازی بیماری‌های عفونی ادغام می‌کند. ما به شما نشان می‌دهیم که چگونه چارچوب نظری-تصمیمی که در مقاله مرجع معرفی شده است، می‌تواند به صورت عملی برای ارزیابی و مدیریت عدم قطعیت در پروژه‌های شما به کار گرفته شود. شما یاد خواهید گرفت که چگونه منابع مختلف عدم قطعیت را شناسایی و دسته‌بندی کنید، آن‌ها را به صورت کمی بیان کرده و مهم‌تر از همه، ارزش اطلاعات جدید (Expected Value of Information) را برای کاهش عدم قطعیت محاسبه کنید. این دوره به شما ابزارهایی می‌دهد تا نه تنها مدل‌های بهتری بسازید، بلکه نتایج آن‌ها را به شکلی قابل فهم و کاربردی برای سیاست‌گذاران و مدیران ارائه دهید.

چکیده مقاله الهام‌بخش: "تخمین، درک و انتقال عدم قطعیت برای اپیدمیولوژی آماری، که در آن تخمین‌های مبتنی بر مدل به طور منظم به تصمیمات دنیای واقعی اطلاع می‌دهند، امری بنیادین است... ما یک چارچوب نظری-تصمیمی بر اساس اصول اولیه ارائه می‌دهیم که عدم قطعیت را به عنوان زیان مورد انتظار ناشی از تخمین‌زدن بر اساس اطلاعات ناقص تعریف می‌کند... این چارچوب پایه‌ای برای کمی‌سازی عدم قطعیت قابل اعتمادتر، سازگارتر و مرتبط‌تر با سیاست‌گذاری در اپیدمیولوژی بیماری‌های عفونی فراهم می‌کند."

موضوعات کلیدی دوره

  • مبانی نظریه تصمیم و کاربرد آن در بهداشت عمومی
  • شناسایی و تفکیک منابع عدم قطعیت (Aleatoric vs. Epistemic)
  • معرفی چارچوب نظری-تصمیمی برای کمی‌سازی عدم قطعیت
  • مفهوم عدم قطعیت کاهش‌پذیر (Reducible) و کاهش‌ناپذیر (Irreducible)
  • محاسبه ارزش اطلاعات (Value of Information) برای هدایت جمع‌آوری داده
  • کاربرد عملی چارچوب با استفاده از مطالعه موردی (تحلیل فاضلاب برای SARS-CoV-2)
  • تکنیک‌های مدل‌سازی بیزی (Bayesian Modeling) برای مدیریت عدم قطعیت
  • روش‌های مؤثر برای ارائه و انتقال نتایج عدم قطعیت به مدیران و سیاست‌گذاران

این دوره برای چه کسانی مناسب است؟

این دوره برای طیف وسیعی از متخصصان و دانشجویانی طراحی شده است که با تحلیل داده‌های بهداشتی و تصمیم‌گیری سروکار دارند:

  • اپیدمیولوژیست‌ها و متخصصان بهداشت عمومی: برای ارتقای مدل‌سازی و ارائه تحلیل‌های قوی‌تر.
  • دانشمندان داده و آمارشناسان: برای به کارگیری تکنیک‌های پیشرفته عدم قطعیت در حوزه سلامت.
  • دانشجویان تحصیلات تکمیلی (ارشد و دکتری): در رشته‌های اپیدمیولوژی، آمار زیستی، بهداشت عمومی و مهندسی.
  • سیاست‌گذاران و مدیران حوزه سلامت: برای درک عمیق‌تر مدل‌های پیش‌بینی و تصمیم‌گیری مبتنی بر شواهد.
  • پژوهشگران و اعضای هیئت علمی: که به دنبال ادغام رویکردهای نوین در تحقیقات خود هستند.

چرا باید در این دوره شرکت کنید؟

۱. پیشگام باشید و از جدیدترین متدولوژی‌ها بهره‌مند شوید

چارچوب نظری-تصمیمی یک رویکرد نوین است که در حال تغییر نگاه جهانی به عدم قطعیت در مدل‌سازی است. با شرکت در این دوره، شما جزء اولین متخصصانی خواهید بود که این دانش پیشرفته را به صورت عملی فرا می‌گیرید و می‌توانید آن را در سازمان خود پیاده‌سازی کنید.

۲. تصمیمات بهینه‌تر و قابل دفاع‌تری بگیرید

به جای ارائه یک پیش‌بینی واحد، یاد می‌گیرید که چگونه طیفی از نتایج محتمل را به همراه ریسک هر کدام ارائه دهید. این امر به شما و مدیران شما کمک می‌کند تا تصمیماتی بگیرید که در برابر ناشناخته‌ها مقاوم‌تر هستند.

۳. ارزش واقعی داده‌ها را کشف کنید

با یادگیری محاسبه «ارزش اطلاعات»، می‌توانید به طور دقیق مشخص کنید که کدام داده‌ها بیشترین تأثیر را در کاهش عدم قطعیت دارند. این به معنای تخصیص بهینه بودجه و منابع برای جمع‌آوری داده‌های هدفمند است.

۴. مهارت‌های خود را برای آینده آماده کنید

توانایی کمی‌سازی و مدیریت عدم قطعیت یک مهارت کلیدی و بسیار مورد تقاضا در عصر داده‌محور است. این دوره رزومه شما را تقویت کرده و فرصت‌های شغلی جدیدی را برایتان ایجاد می‌کند.

۵. دانش تئوری را به ابزار عملی تبدیل کنید

این دوره صرفاً یک کلاس تئوری نیست. با استفاده از مطالعات موردی واقعی و تمرین‌های عملی، شما دانش کسب‌شده را مستقیماً به مهارت‌های کاربردی تبدیل خواهید کرد که می‌توانید از روز بعد از دوره در کار خود از آنها استفاده کنید.

همین حالا ثبت نام کنید

سرفصل‌های جامع دوره (۱۰۰ سرفصل کلیدی)

  • بخش ۱: مبانی اپیدمیولوژی و نظریه تصمیم
  • ۱. مقدمه‌ای بر مدل‌سازی بیماری‌های عفونی
  • ۲. معرفی مدل‌های کلاسیک (SIR, SEIR)
  • ۳. پارامترهای کلیدی در اپیدمیولوژی (R0, دوره نهفتگی)
  • ۴. تاریخچه عدم قطعیت در علوم
  • ۵. اصول بنیادین نظریه تصمیم آماری
  • ۶. تابع زیان (Loss Function) و تابع ریسک (Risk Function)
  • ۷. تصمیم‌گیری تحت عدم قطعیت
  • ۸. قاعده بیز و به‌روزرسانی باورها
  • ۹. مطلوبیت (Utility) و نظریه مطلوبیت مورد انتظار
  • ۱۰. ارتباط نظریه تصمیم با بهداشت عمومی
  • بخش ۲: درک عمیق عدم قطعیت
  • ۱۱. تعریف عدم قطعیت در مدل‌سازی
  • ۱۲. طبقه‌بندی‌های سنتی عدم قطعیت
  • ۱۳. عدم قطعیت معرفتی (Epistemic)
  • ۱۴. عدم قطعیت ذاتی (Aleatoric)
  • ۱۵. منابع عدم قطعیت در مدل‌های اپیدمیولوژی
  • ۱۶. عدم قطعیت در پارامترها
  • ۱۷. عدم قطعیت در ساختار مدل
  • ۱۸. عدم قطعیت در داده‌های ورودی
  • ۱۹. چالش‌های کمی‌سازی هر نوع عدم قطعیت
  • ۲۰. چرا طبقه‌بندی سنتی کافی نیست؟
  • بخش ۳: چارچوب نظری-تصمیمی
  • ۲۱. معرفی مقاله الهام‌بخش دوره
  • ۲۲. تعریف عدم قطعیت به عنوان "زیان مورد انتظار"
  • ۲۳. ساختار ریاضی چارچوب
  • ۲۴. نقش تابع زیان در تعریف عدم قطعیت
  • ۲۵. انتخاب تابع زیان مناسب برای مسائل اپیدمیولوژی
  • ۲۶. مثال عملی: محاسبه عدم قطعیت برای R0
  • ۲۷. مزایای این تعریف نسبت به واریانس
  • ۲۸. پیوند بین آمار، یادگیری ماشین و اقتصاد سلامت
  • ۲۹. مفهوم فضای تصمیم و فضای پارامتر
  • ۳۰. تخمین‌گر بهینه بیز (Bayes Estimator)
  • بخش ۴: عدم قطعیت کاهش‌پذیر و کاهش‌ناپذیر
  • ۳۱. تعریف رسمی عدم قطعیت کاهش‌پذیر
  • ۳۲. تعریف رسمی عدم قطعیت کاهش‌ناپذیر
  • ۳۳. ارتباط این مفاهیم با انواع داده‌های آینده
  • ۳۴. نقش حجم نمونه در کاهش عدم قطعیت
  • ۳۵. چگونه داده‌های جدید، عدم قطعیت را کاهش می‌دهند؟
  • ۳۶. تفکیک عملی این دو نوع عدم قطعیت
  • ۳۷. مثال: عدم قطعیت در پیش‌بینی اوج همه‌گیری
  • ۳۸. استراتژی‌های مدیریتی برای هر نوع عدم قطعیت
  • ۳۹. محدودیت‌های کاهش عدم قطعیت
  • ۴۰. پذیرش عدم قطعیت کاهش‌ناپذیر در سیاست‌گذاری
  • بخش ۵: ارزش اطلاعات (Value of Information)
  • ۴۱. مقدمه‌ای بر تحلیل ارزش اطلاعات (VoI)
  • ۴۲. کاهش مورد انتظار در عدم قطعیت (Expected Uncertainty Reduction)
  • ۴۳. ارزش مورد انتظار اطلاعات نمونه (EVSI)
  • ۴۴. ارزش مورد انتظار اطلاعات کامل (EVPI)
  • ۴۵. محاسبه عملی VoI در مدل‌های اپیدمیولوژی
  • ۴۶. کاربرد VoI در طراحی مطالعات جدید
  • ۴۷. اولویت‌بندی جمع‌آوری داده‌ها
  • ۴۸. تحلیل هزینه-فایده برای تحقیقات جدید
  • ۴۹. مثال: آیا نظارت بر فاضلاب ارزش سرمایه‌گذاری دارد؟
  • ۵۰. محدودیت‌ها و چالش‌های تحلیل VoI
  • بخش ۶: پیاده‌سازی عملی و ابزارها
  • ۵۱. مقدمه‌ای بر مدل‌سازی بیزی با Stan/PyMC
  • ۵۲. تعریف مدل‌های احتمالاتی
  • ۵۳. انتخاب توزیع‌های پیشین (Prior Distributions)
  • ۵۴. الگوریتم‌های MCMC برای نمونه‌گیری پسین
  • ۵۵. ارزیابی همگرایی مدل (Convergence Diagnostics)
  • ۵۶. استخراج عدم قطعیت از توزیع پسین
  • ۵۷. پیاده‌سازی محاسبه تابع زیان در کد
  • ۵۸. شبیه‌سازی داده‌های آینده (Future Data Simulation)
  • ۵۹. محاسبه عددی VoI
  • ۶۰. نکات عملی برای مدل‌های پیچیده
  • بخش ۷: مطالعه موردی: نظارت بر فاضلاب
  • ۶۱. معرفی مسئله: تخمین شیوع SARS-CoV-2 از داده‌های فاضلاب
  • ۶۲. تشریح داده‌های مورد استفاده
  • ۶۳. ساختار مدل اپیدمیولوژیک-آماری
  • ۶۴. شناسایی منابع اصلی عدم قطعیت در این مسئله
  • ۶۵. تعریف تابع زیان مرتبط با سیاست‌گذاری
  • ۶۶. پیاده‌سازی مدل و کمی‌سازی عدم قطعیت فعلی
  • ۶۷. تعریف سناریوی جمع‌آوری داده جدید (گسترش نظارت)
  • ۶۸. شبیه‌سازی نتایج گسترش نظارت
  • ۶۹. محاسبه کاهش عدم قطعیت مورد انتظار
  • ۷۰. نتیجه‌گیری: توجیه اقتصادی و بهداشتی گسترش نظارت
  • بخش ۸: ارتباط با سایر حوزه‌ها
  • ۷۱. چارچوب نظری-تصمیمی و طراحی آزمایش (Experimental Design)
  • ۷۲. یادگیری فعال (Active Learning) و جمع‌آوری داده هوشمند
  • ۷۳. نظریه اطلاعات (Information Theory) و آنتروپی
  • ۷۴. ارتباط با اقتصاد سلامت و تحلیل هزینه-اثربخشی
  • ۷۵. یکپارچه‌سازی مدل‌های مختلف تحت یک چارچوب
  • ۷۶. مقایسه مدل‌ها بر اساس کاهش عدم قطعیت
  • ۷۷. کاربرد در پیش‌بینی‌های آب و هوا
  • ۷۸. کاربرد در مدل‌سازی اقتصادی
  • ۷۹. یادگیری تقویتی (Reinforcement Learning) و تصمیم‌گیری پویا
  • ۸۰. گسترش چارچوب به مدل‌های غیربیزی
  • بخش ۹: انتقال و ارائه نتایج عدم قطعیت
  • ۸۱. چالش‌های روانشناختی درک احتمالات
  • ۸۲. اشتباهات رایج در ارائه عدم قطعیت
  • ۸۳. تکنیک‌های تصویرسازی عدم قطعیت (Fan charts, CIs, etc.)
  • ۸۴. ساخت داشبوردهای تعاملی برای مدیران
  • ۸۵. ارائه نتایج در قالب سناریوهای مختلف
  • ۸۶. ارتباط مؤثر با رسانه‌ها و عموم مردم
  • ۸۷. تدوین گزارش‌های سیاستی قابل فهم
  • ۸۸. چارچوبی برای گفتگوی سازنده بین مدل‌سازان و سیاست‌گذاران
  • ۸۹. مدیریت انتظارات از مدل‌های اپیدمیولوژی
  • ۹۰. اخلاق در مدل‌سازی و عدم قطعیت
  • بخش ۱۰: مباحث پیشرفته و آینده‌پژوهی
  • ۹۱. مدل‌های عامل‌بنیان (Agent-Based Models) و عدم قطعیت
  • ۹۲. عدم قطعیت در شبکه‌های پیچیده
  • ۹۳. استفاده از یادگیری عمیق برای تقریب عدم قطعیت
  • ۹۴. تصمیم‌گیری پویا و بهینه تحت عدم قطعیت
  • ۹۵. چالش‌های محاسباتی در مدل‌های بزرگ
  • ۹۶. رویکردهای aproximation برای محاسبه VoI
  • ۹۷. یکپارچه‌سازی داده‌های ناهمگون (Data Fusion)
  • ۹۸. آینده کمی‌سازی عدم قطعیت در اپیدمیولوژی
  • ۹۹. نقش هوش مصنوعی در تعریف توابع زیان
  • ۱۰۰. جمع‌بندی دوره و پروژه نهایی
فرصت را از دست ندهید، ثبت نام کنید!
SMART LEARNING PLATFORM
از مطالعه تا یادگیری ماندگار
فراتر از یک مجموعه فلش‌کارت؛ تجربه‌ای تعاملی برای یادگیری، تمرین، مرور هوشمند و مشاهده مسیر پیشرفت شما، همراه با امکان دریافت گواهی پایان دوره در دوره‌های واجد شرایط.
مرور فاصله‌دار آمار یادگیری گواهی دوزبانه
یادگیری را به یک مسیر قابل پیگیری تبدیل کنید
با ورود به سامانه آموزشی، محتوای دوره را به‌صورت مرحله‌ای دنبال کنید، فلش‌کارت‌ها را مرور کنید، دانش خود را با پرسش‌ها و آزمون‌ها بسنجید و روند پیشرفتتان را در طول مسیر ببینید.
⟳
مرور فاصله‌دار هوشمند
با مرور زمان‌دار، کارت‌های تازه و کارت‌های سررسیدشده را بر اساس برنامه مرور دنبال کنید. ارزیابی پاسخ‌ها به زمان‌بندی مرورهای بعدی کمک می‌کند تا تمرین متناسب‌تری داشته باشید.
◉
مشاهده مسیر پیشرفت
میزان مشاهده فلش‌کارت‌ها، فعالیت‌های مرور، عملکرد آزمون‌ها و آمار یادگیری را بررسی کنید و تصویر روشن‌تری از مسیر آموزشی خود داشته باشید.
▤
یادگیری مرحله‌به‌مرحله
فصل‌ها و بخش‌های آموزشی را به ترتیب دنبال کنید، مطالب دیده‌نشده را پیدا کنید و بدون سردرگمی به ادامه مسیر برگردید.
✓
تمرین و سنجش آموخته‌ها
با نکته‌های آموزشی، پرسش و پاسخ، کوییزها و آزمون‌های پایان فصل، دانسته‌های خود را تمرین کنید و بخش‌هایی را که به توجه بیشتری نیاز دارند بشناسید.
SMART REVIEW
هر بار، مرور هدفمندتر
لازم نیست هر روز از ابتدا درباره اینکه چه چیزی را مرور کنید تصمیم بگیرید. سامانه، صف مرور روزانه را بر اساس کارت‌های تازه و موعد مرور کارت‌ها آماده می‌کند. شما پاسخ را ارزیابی می‌کنید و برنامه مرور با توجه به آن تنظیم می‌شود.
دوباره
برای کارت‌هایی که به تمرین زودتر نیاز دارند.
سخت
برای پاسخ‌هایی که با دشواری به یاد آمده‌اند.
خوب
برای پاسخ‌هایی که به‌درستی به یاد آورده‌اید.
آسان
برای کارت‌هایی که پاسخ آن‌ها را به‌آسانی می‌دانید.
برنامه مرور بر اساس ارزیابی شما تنظیم می‌شود؛ مرور منظم می‌تواند به تثبیت آموخته‌ها کمک کند، اما به‌تنهایی تضمین‌کننده تسلط کامل نیست.
محتوا را به شیوه‌های مختلف تمرین کنید
ساختار دوره‌ها متناسب با موضوع آموزشی طراحی شده است و ممکن است انواع مختلفی از محتوا را در بر بگیرد.
نکته‌های ساده
برای مرور سریع مفاهیم اصلی و نکات کلیدی.
نکته‌های رسمی
برای تمرین تعاریف، اصطلاحات و بیان دقیق علمی.
کوییز
برای سنجش درک مطلب و بررسی گزینه صحیح.
پرسش و پاسخ
برای تمرین یادآوری و سنجش میزان تسلط بر مطالب.
محتوای هر دوره بر اساس ساختار و امکانات فعال همان دوره ارائه می‌شود.
LEARN ANYWHERE
همراه شما روی مرورگر
برای استفاده از نسخه تحت وب، کافی است با حساب کاربری خود وارد سامانه شوید. بدون نیاز به نصب یک برنامه اختصاصی، می‌توانید از مرورگر سازگار روی گوشی، تبلت یا رایانه به دوره‌های در دسترس خود مراجعه کنید.
گوشی هوشمند
برای مطالعه در زمان‌های کوتاه
تبلت و لپ‌تاپ
برای مطالعه و مرور راحت‌تر
حساب کاربری شخصی
برای دسترسی به دوره‌های مجاز شما
COURSE COMPLETION CERTIFICATE
گواهی پایان دوره؛ ثبت دستاورد شما
در دوره‌هایی که امکان دریافت گواهی برای آن‌ها فعال است، می‌توانید پس از تکمیل شرایط آموزشی، درخواست گواهی پایان دوره ثبت کنید.
شرایط درخواست گواهی
✓ داشتن دسترسی دارای قابلیت گواهی برای دوره مربوطه.
✓ تکمیل اطلاعات لازم در پروفایل، شامل کد ملی معتبر، عکس پرسنلی و نام و نام خانوادگی انگلیسی.
✓ مشاهده تمام فلش‌کارت‌های فعال دوره.
✓ قبولی در آزمون‌های پایان فصل، در صورت وجود آزمون برای فصل‌ها.
فارسی و انگلیسی
پس از تأیید و انتشار، نسخه‌های فارسی و انگلیسی گواهی در دسترس قرار می‌گیرند.
استعلام آنلاین
گواهی منتشرشده دارای QR Code و لینک اختصاصی برای بررسی آنلاین اعتبار آن است.
دانلود و چاپ
پس از انتشار گواهی، امکان دریافت نسخه PDF فارسی و انگلیسی و چاپ آن فراهم است.
توجه: ثبت درخواست به معنای صدور قطعی نیست. درخواست گواهی پس از بررسی و تأیید ادمین منتشر می‌شود. این گواهی، گواهی پایان دوره آموزشی است و به‌خودی‌خود معادل مدرک دانشگاهی یا مدرک رسمی مورد تأیید نهادهای دولتی نیست.
یادگیری را شروع کنید؛ پیشرفت را دنبال کنید
با تمرین منظم، مرور هدفمند و پیگیری مسیر آموزشی خود، قدم‌به‌قدم دانش و مهارت‌هایتان را گسترش دهید.
هر کارت، یک قدم به جلو
امکانات محتوایی، مرور و گواهی بر اساس سطح دسترسی و تنظیمات هر دوره متفاوت است.
نگاهی به محیط سامانه

یادگیری هوشمند، قدم‌به‌قدم

با محیط سامانه آموزشی آشنا شوید و نمونه‌هایی از فضای یادگیری، فلش‌کارت‌ها و ابزارهای مرور و تمرین را مشاهده کنید.

تصویر نمونه اول از سامانه آموزشی و فلش‌کارت‌ها
محیط سامانه آموزشی
برای مشاهده تصویر در اندازه بزرگ‌تر کلیک کنید
تصویر نمونه دوم از سامانه آموزشی و فلش‌کارت‌ها
یادگیری و مرور مطالب
برای مشاهده تصویر در اندازه بزرگ‌تر کلیک کنید
تصویر نمونه سوم از سامانه آموزشی و فلش‌کارت‌ها
تجربه مطالعه تعاملی
برای مشاهده تصویر در اندازه بزرگ‌تر کلیک کنید
تصویر نمونه چهارم از سامانه آموزشی و فلش‌کارت‌ها
امکانات بیشتر سامانه
برای مشاهده تصویر در اندازه بزرگ‌تر کلیک کنید

یادگیری فراتر از مطالعه معمولی
با فلش‌کارت‌های آموزشی، مرور هدفمند و تمرین مستمر، مطالب را فعالانه یاد بگیرید و مسیر پیشرفت خود را دنبال کنید.

تگ‌ها: COVID-19 Decision Theory epidemiological modelling Uncertainty Quantification اپیدمیولوژی ارزیابی عدم قطعیت بهینه‌سازی تصمیم تحلیل عدم قطعیت تصمیم‌گیری در اپیدمیولوژی تصمیم‌گیری مبتنی بر داده کمی‌سازی عدم قطعیت مدل‌سازی اپیدمیولوژی مدل‌سازی بیماری مدل‌های اپیدمیولوژی مدیریت عدم قطعیت

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.