پایتون برای تحلیل داده های سلامت و مدل سازی پیش بینی

با استفاده از پایتون داده‌های سلامت را بارگذاری، تمیزکاری، تحلیل و مصورسازی کنید و مدل‌های پیش‌بینی پایه بسازید. آنچه خواهید آموخت: از پایتون و محیط‌های Jupyter/Colab برای بارگذاری، تمیزکاری و کاوش در داده‌های سلامت واقعی استفاده کنید. آمار توصیفی انجام دهید و نمودارهای بینش‌دار بسازید تا روندهای بالینی و سلامت عمومی را روشن کنید. با کتابخانه‌های pandas، NumPy و Matplotlib/Seaborn، تکنیک‌های تحلیل داده اصلی مانند گروه‌بندی، تجمیع، تحلیل سری‌های زمانی و همبستگی را به کار ببرید. مدل‌های پیش‌بینی پایه (مانند رگرسیون و طبقه‌بندی) را برای وظایف رایج در تحلیل سلامت بسازید و ارزیابی کنید. با فرمت‌های داده‌ای رایج سلامت مانند CSV و Excel و جداول سبک پرونده سلامت الکترونیکی کار کنید و بهبود کیفیت داده و قابلیت بازتولید را در پروژه‌ها رعایت کنید. نیازمندی‌ها: مهارت‌های پایه کار با رایانه و توانایی نصب نرم‌افزار یا استفاده از گوگل کولب. هیچ تجربه برنامه‌نویسی قبلی لازم نیست؛ مباحث پایه پایتون در دوره تدریس می‌شود. علاقه‌مند به سلامت، بهداشت عمومی یا داده‌های بالینی و تمایل به کار با داده‌های واقعی.