🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: مدل‌سازی انتشار بیماری‌ها با علم داده

موضوع کلی: برنامه نویسی

موضوع میانی: علم داده (Data Science)

📋 سرفصل‌های دوره (100 موضوع)

• 1. مبانی علم داده
• 2. مقدمه بر مدل‌سازی انتشار بیماری
• 3. مفاهیم پایه همه‌گیرشناسی
• 4. انواع داده‌های سلامت
• 5. جمع‌آوری داده‌های سلامت
• 6. پاکسازی داده‌ها
• 7. کاوش داده‌های سلامت
• 8. تجسم داده‌های سلامت
• 9. مبانی برنامه‌نویسی پایتون
• 10. متغیرها و انواع داده در پایتون
• 11. ساختارهای داده در پایتون (لیست‌ها، تاپل‌ها، دیکشنری‌ها)
• 12. دستورات شرطی در پایتون
• 13. حلقه‌ها در پایتون
• 14. توابع در پایتون
• 15. ماژول‌ها و پکیج‌ها در پایتون
• 16. مبانی NumPy
• 17. آرایه‌های NumPy
• 18. عملیات بر روی آرایه‌های NumPy
• 19. عملیات ریاضی و منطقی با NumPy
• 20. مبانی Pandas
• 21. ساختار داده DataFrame
• 22. بارگذاری و ذخیره‌سازی داده‌ها با Pandas
• 23. انتخاب و فیلتر کردن داده‌ها در Pandas
• 24. دستکاری ستون‌ها و ردیف‌ها در Pandas
• 25. ترکیب و ادغام DataFrames
• 26. خلاصه‌سازی داده‌ها با Pandas
• 27. مدیریت داده‌های گمشده
• 28. مدیریت داده‌های پرت
• 29. تجسم داده‌ها با Matplotlib
• 30. مبانی نمودارها
• 31. نمودارهای خطی
• 32. نمودارهای پراکندگی
• 33. نمودارهای میله‌ای
• 34. نمودارهای هیستوگرام
• 35. نمودارهای جعبه‌ای
• 36. تجسم داده‌ها با Seaborn
• 37. نمودارهای آماری پیشرفته
• 38. نقشه‌های حرارتی
• 39. نمودارهای چندگانه
• 40. تحلیل اکتشافی داده (EDA) برای داده‌های سلامت
• 41. شناسایی الگوها در داده‌های سلامت
• 42. شناسایی روندها در داده‌های سلامت
• 43. شناسایی همبستگی‌ها در داده‌های سلامت
• 44. مقدمه بر مدل‌سازی ریاضی انتشار بیماری
• 45. مدل‌های کلاسیک انتشار بیماری (SIR)
• 46. مفهوم نرخ سرایت (R0)
• 47. پارامترهای مدل SIR
• 48. تحلیل حساسیت مدل SIR
• 49. پیاده‌سازی مدل SIR با پایتون
• 50. مدل‌های بیماری پویا (SEIR)
• 51. پارامترهای مدل SEIR
• 52. تفسیر نتایج مدل SEIR
• 53. مدل‌های پیشرفته‌تر انتشار بیماری
• 54. مدل‌های فضایی انتشار بیماری
• 55. مدل‌های مبتنی بر عامل (Agent-Based Models)
• 56. مقدمه بر یادگیری ماشین
• 57. انواع یادگیری ماشین (نظارت شده، بدون نظارت، تقویتی)
• 58. مفاهیم یادگیری نظارت شده
• 59. رگرسیون خطی
• 60. رگرسیون لجستیک
• 61. مدل‌های درخت تصمیم
• 62. مدل‌های جنگل تصادفی (Random Forests)
• 63. ماشین بردار پشتیبان (SVM)
• 64. مقدمه بر یادگیری بدون نظارت
• 65. خوشه‌بندی (Clustering)
• 66. الگوریتم K-Means
• 67. تحلیل مؤلفه‌های اصلی (PCA)
• 68. ارزیابی مدل‌های یادگیری ماشین
• 69. معیارهای ارزیابی رگرسیون
• 70. معیارهای ارزیابی طبقه‌بندی
• 71. اعتبارسنجی متقابل (Cross-validation)
• 72. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 73. کاربرد یادگیری ماشین در مدل‌سازی انتشار بیماری
• 74. پیش‌بینی شیوع بیماری
• 75. شناسایی عوامل خطر
• 76. دسته‌بندی مناطق پرخطر
• 77. توصیه اقدامات کنترلی
• 78. کاربرد شبکه‌های عصبی (Neural Networks)
• 79. مبانی شبکه‌های عصبی
• 80. شبکه‌های عصبی کانولوشنال (CNN)
• 81. شبکه‌های عصبی بازگشتی (RNN)
• 82. کاربرد RNN در تحلیل سری‌های زمانی بیماری
• 83. مدل‌سازی انتشار بیماری با شبکه‌های عصبی
• 84. ارزیابی مدل‌های یادگیری ماشین برای انتشار بیماری
• 85. مدل‌سازی زمان‌بندی انتشار بیماری
• 86. مدل‌سازی پیش‌بینی شدت شیوع
• 87. مدل‌سازی تأثیر مداخلات بهداشتی
• 88. استفاده از داده‌های مکانی در مدل‌سازی
• 89. مقدمه بر GIS و تحلیل مکانی
• 90. یکپارچه‌سازی داده‌های مکانی با داده‌های سلامت
• 91. مدل‌سازی انتشار بیماری با در نظر گرفتن عوامل مکانی
• 92. تحلیل خوشه‌بندی مکانی شیوع
• 93. استفاده از داده‌های شبکه‌های اجتماعی
• 94. جمع‌آوری داده از منابع غیرسنتی
• 95. تحلیل احساسات و اخبار مربوط به بیماری
• 96. شناسایی الگوهای انتشار بر اساس اطلاعات شبکه‌های اجتماعی
• 97. مقدمه بر مدل‌سازی کووید-19
• 98. مدل‌های خاص کووید-19
• 99. نقش علم داده در مدیریت همه‌گیری کووید-19
• 100. تجزیه و تحلیل داده‌های واکسیناسیون