این دوره بر روی ثبت تکامل نرخ بهره و ارائه بینش عمیق در مورد مشتقات اعتباری تمرکز خواهد کرد. در ماژول اول، اصطلاح مدل‌های شبکه ساختار و حساب نقدی را مورد بحث قرار می‌دهیم، و سپس مشتقات درآمد ثابت، مانند گزینه‌ها، آتی، Caplets و Floorlets، Swaps و Swaptions را تحلیل می‌کنیم. در ماژول دوم، کالیبراسیون مدل را در زمینه اوراق بهادار با درآمد ثابت بررسی می‌کنیم و آن را به سایر طبقات و ابزار دارایی تعمیم می‌دهیم. یادگیرندگان کالیبراسیون مدل را با استفاده از اکسل انجام می دهند و آن را برای قیمت گذاری مبادله پرداخت کننده در مدل Black-Derman-Toy (BDT) اعمال می کنند. ماژول سوم مشتقات اعتباری را معرفی می‌کند و متعاقباً بر مدل‌سازی و قیمت‌گذاری سوآپ‌های پیش‌فرض اعتبار تمرکز می‌کند. در بخش چهارم، فراگیران با مفهوم اوراق بهادارسازی، به ویژه اوراق بهادار دارای پشتوانه دارایی (ABS) آشنا خواهند شد. بحث به اوراق بهادار با پشتوانه وام مسکن (MBS) و ریاضیات وام مسکن مرتبط می‌رود. ماژول نهایی به معرفی و قیمت گذاری تعهدات وام مسکن وثیقه (CMOs) می پردازد.

این دوره به بررسی این موضوع می‌پردازد که چگونه ایده «مدرن» در پایان قرن هجدهم در فلسفه و ادبیات اروپایی توسعه می‌یابد، و چگونه مدرن بودن (یا پیشرو، یا هیپ) به یکی از معیارهای حیاتی برای درک و ارزیابی تغییرات فرهنگی تبدیل شده است. آیا هنوز در مدرنیته هستیم یا فراتر از مدرن به پست مدرن رفته ایم؟

چیزی که این دوره اکسل را متمایز می کند این است که ما روی رفع سریع یا نکات و ترفندهای خاص تمرکز نمی کنیم. این دوره برای کسانی است که قبلاً اکسل را می دانند. هدف این دوره ارتقای مدل‌های اکسل، بهبود وضوح، طول عمر و قابلیت انتقال این مدل‌ها و کاهش اشتباهات و تشویق ثبات در کسب‌وکارها در حین کار با اکسل است. از طریق این دوره اکسل، فراگیران ابزارهایی را برای تصمیم گیری در مورد استفاده یا عدم استفاده از اکسل برای حل مشکل خود به دست خواهند آورد. آنها یاد خواهند گرفت که چگونه داده های ورودی خوب را تنظیم کنند، به درستی قالب بندی کنند و اهمیت اسناد خوب را بیاموزند. زبان‌آموزان توانایی تشخیص توابع مختلف، درک مشکلات و نقاط قوت توابع رایج و اعمال توابع صحیح را در مدل‌های اکسل خود به دست خواهند آورد. کسانی که این دوره را دنبال می‌کنند همچنین درک درستی از ساختار صفحه‌گسترده منطقی، نمودارها و گزارش‌ها، حفاظت و اطلاعات پنهان در اکسل خواهند داشت و کاربران یاد خواهند گرفت که چگونه این موارد را در مدل‌های خود اعمال کنند. در نهایت، کاربران نکات و مراحل عملی را برای نهایی کردن یک مدل، بررسی های خودکار، اجرای کتابچه راهنمای کاربر، و آزمایش کلی که باید برای اطمینان از دقیق و کامل بودن مدل اکسل خود انجام دهند، دریافت خواهند کرد.

این دوره به ما در ارزیابی و مقایسه مدل هایی که در دوره های قبلی ایجاد کرده ایم کمک می کند. تاکنون تکنیک‌هایی برای رگرسیون و طبقه‌بندی توسعه داده‌ایم، اما قبل از اینکه تصمیم بگیریم که طبقه‌بندی‌کننده به اندازه کافی خوب است، خطای یک طبقه‌بندی‌کننده چقدر باید کم باشد (مثلا)؟ یا چگونه تصمیم بگیریم که کدام یک از دو الگوریتم رگرسیون بهتر است؟ در پایان این دوره شما با تکنیک های تشخیصی که به شما امکان ارزیابی و مقایسه طبقه بندی کننده ها را می دهد و همچنین معیارهای عملکردی که می توانند در سناریوهای رگرسیون و طبقه بندی مختلف استفاده شوند، آشنا خواهید شد. ما همچنین خط لوله آموزش/ اعتبارسنجی/آزمایش را مطالعه خواهیم کرد، که می‌تواند برای اطمینان از اینکه مدل‌هایی که توسعه می‌دهید به خوبی به داده‌های جدید (یا «غیره») تعمیم می‌یابند استفاده می‌شود.

این دوره به شما اصول تبدیل عمل بالینی را با استفاده از مدل های پیش بینی می آموزد. این دوره به بررسی چالش‌ها و روش‌های خاص اجرای بالینی می‌پردازد، که دانشمندان داده‌های بالینی باید هنگام توسعه مدل‌های پیش‌بینی خود از آن‌ها آگاه باشند.

در این دوره، شما بر مهارت های آموخته شده در تجزیه و تحلیل داده های اکتشافی با متلب و پردازش داده ها و مهندسی ویژگی با متلب برای افزایش توانایی خود در استفاده از قدرت متلب برای تجزیه و تحلیل داده های مرتبط با کاری که انجام می دهید، خواهید آموخت. این مهارت ها برای کسانی که دانش حوزه و مقداری در معرض ابزارهای محاسباتی هستند، اما هیچ پیشینه برنامه نویسی ندارند، ارزشمند است. برای موفقیت در این دوره باید پیشینه ای در زمینه آمار پایه (هیستوگرام، میانگین، انحراف معیار، برازش منحنی، درونیابی) داشته باشید و دروس 1 تا 2 این تخصص را گذرانده باشید. در پایان این دوره، شما از متلب برای شناسایی بهترین مدل یادگیری ماشینی برای به دست آوردن پاسخ از داده های خود استفاده خواهید کرد. شما داده‌های خود را آماده می‌کنید، یک مدل پیش‌بینی را آموزش می‌دهید، مدل خود را ارزیابی و بهبود می‌بخشید و می‌دانید که چگونه می‌توانید از مدل‌های خود بیشترین بهره را ببرید.

به مدل سازی پیش بینی، برازش مدل و تحلیل رگرسیون خوش آمدید. در این دوره، رویکردهای مختلف در مدل‌سازی پیش‌بینی‌کننده را بررسی می‌کنیم و در مورد اینکه چگونه یک مدل می‌تواند تحت نظارت یا بدون نظارت باشد، بحث خواهیم کرد. ما بررسی خواهیم کرد که چگونه یک مدل را می توان برازش داد، آموزش داد و امتیاز داد تا در داده های تاریخی و آینده در تلاش برای رسیدگی به اهداف تجاری اعمال شود. در نهایت، این دوره شامل یک فعالیت عملی برای توسعه یک مدل رگرسیون خطی است.

مدل سازی در AWS سومین دوره در تخصص تخصصی یادگیری ماشین گواهی شده AWS است. تمرکز اصلی این دوره آموزش مدل های یادگیری ماشین با تجزیه و تحلیل مفاهیم مدل سازی در AWS است. این دوره به دو ماژول تقسیم می شود و هر ماژول بیشتر توسط درس ها و سخنرانی های ویدیویی تقسیم می شود. این دوره با سخنرانی‌های ویدئویی تقریباً 1:30 ساعت تا 2:00 ساعت که دانش تئوری و دستی را ارائه می‌کند، زبان‌آموزان را تسهیل می‌کند. همچنین آزمون های درجه بندی شده و بدون درجه بندی به منظور سنجش توانایی فراگیران به همراه هر ماژول ارائه می شود. ماژول 1: مدل سازی و آموزش مدل های یادگیری ماشین در AWS ماژول 2: مدل های یادگیری ماشین: ارزیابی عملکرد و تنظیم در پایان این دوره، فراگیران قادر خواهند بود: 1. تجزیه و تحلیل مفاهیم مدل سازی و آموزش مدل های یادگیری ماشین 2. عملکرد مدل های یادگیری ماشین را بررسی کنید 3. با آموزش یک مدل، تنظیم خودکار مدل را پیاده سازی کنید

این دوره بر یکی از مهمترین ابزارها در زرادخانه تجزیه و تحلیل داده شما تمرکز دارد: تجزیه و تحلیل رگرسیون. با استفاده از SAS یا Python، با رگرسیون خطی شروع می‌کنید و سپس یاد می‌گیرید که چگونه وقتی دو متغیر رابطه خطی واضحی ندارند، سازگار شوید. شما چندین پیش بینی کننده نتیجه خود را بررسی خواهید کرد و قادر خواهید بود متغیرهای گیج کننده را شناسایی کنید، که می تواند داستان قانع کننده تری در مورد نتایج شما بیان کند. شما با مفروضات زیربنایی تحلیل رگرسیون، نحوه تفسیر ضرایب رگرسیون، و نحوه استفاده از نمودارهای تشخیصی رگرسیون و سایر ابزارها برای ارزیابی کیفیت مدل رگرسیون خود آشنا خواهید شد. در طول دوره، مدل‌های رگرسیونی را که ایجاد کرده‌اید و داستان‌هایی که به شما می‌گویند را با دیگران به اشتراک می‌گذارید.

در این دوره شما یاد می گیرید که مدل هایی را بسازید، اصلاح کنید، برون یابی کنید، و در برخی موارد، مدل هایی را که برای یک سری متوالی طراحی شده اند، تفسیر کنید. سه رویکرد مدلسازی ارائه شده است. رویکرد سنتی، باکس جنکینز برای مدل‌سازی سری‌های زمانی در بخش اول دوره پوشش داده شده است. این ارائه دانش‌آموزان را از مدل‌های داده‌های ثابت یا ARMA به مدل‌های روند و فصلی، ARIMA منتقل می‌کند و با اطلاعاتی در مورد مشخص کردن اجزای تابع انتقال در یک مدل ARIMAX یا رگرسیون سری زمانی به پایان می‌رسد. رویکرد بیزی برای مدل‌سازی سری‌های زمانی بعدی در نظر گرفته می‌شود. چارچوب بیزی پایه برای تطبیق تغییرات خودرگرسیون در داده ها و همچنین اثرات متغیر ورودی پویا گسترش یافته است. الگوریتم های یادگیری ماشین برای سری های زمانی رویکرد سوم است. تقویت گرادیان و الگوریتم های شبکه عصبی مکرر به ویژه برای تطبیق روابط غیرخطی در داده ها مناسب هستند. مثال هایی برای ایجاد شهود در استفاده موثر از این الگوریتم ها ارائه شده است. این دوره با در نظر گرفتن اینکه چگونه می توان با ترکیب نقاط قوت رویکردهای مختلف، دقت پیش بینی را بهبود بخشید، به پایان می رسد. درس آخر شامل نمایش هایی در مورد ایجاد پیش بینی های مدل ترکیبی (یا مجموعه ای) و ترکیبی است. این دوره برای تحلیلگرانی که علاقه مند به تقویت مهارت های یادگیری ماشینی خود با ابزارهای تجزیه و تحلیل مناسب برای سنجش، اصلاح، مدل سازی، پیش بینی و مدیریت داده هایی هستند که متشکل از متغیرهایی هستند که در طول زمان جمع آوری می شوند، مناسب است. در این دوره از ابزارهای نرم افزاری مختلف استفاده می شود. آشنایی با Base SAS، SAS/ETS، SAS/STAT و SAS Visual Forecasting و همچنین ابزارهای منبع باز برای پردازش و مدل‌سازی متوالی داده‌ها مفید است اما لازم نیست. درس‌های تحلیل بیزی و مدل‌های یادگیری ماشین، دانش قبلی از این موضوعات را فرض می‌کنند. یکی از راه‌هایی که دانش‌آموزان می‌توانند این پیش‌زمینه را کسب کنند، تکمیل این دوره‌های آموزشی SAS است: تحلیل‌های بیزی با استفاده از SAS و یادگیری ماشین با استفاده از SAS Viya.

یاد بگیرید که فرآیندهای کسب و کار را با استفاده از نمودارهای تخصصی ضبط و بهینه کنید. بینش های حاصل از مصاحبه با سهامداران و تجزیه و تحلیل اسناد را به مدل های مختصر و دقیق تبدیل کنید. نمادهای مختلف را درک کنید و بهترین را برای نیاز خود انتخاب کنید. این دوره جامع شناسایی فرآیند، ثبت، مستندسازی و تطبیق مدل‌ها را برای مخاطبان مختلف پوشش می‌دهد. ایده آل برای تحلیلگران فرآیند، تحلیلگران کسب و کار، معماران راه حل، طراحان خدمات و UX، و هر کسی که علاقه مند به مدل سازی فرآیند کسب و کار است. هیچ پیش زمینه خاصی مورد نیاز نیست. درک اولیه از فرآیندهای کسب و کار و علاقه به بهینه سازی و مدل سازی سودمند است.

این MOOC دانش اساسی در مورد چالش‌های اصلی در مدل‌سازی انتقال انرژی در هر دو سطح جهانی و منطقه‌ای و همچنین ابزارهای بوم‌شناسی صنعتی برای اندازه‌گیری اثرات مرتبط را به همراهان ارائه می‌دهد. این دوره با پوشش حسابداری ملی انرژی و تعریف یک سیستم انرژی مرجع آغاز می شود و به دنبال آن مقدمه ای بر مدل سازی برای برنامه ریزی انرژی از طریق برنامه ریزی خطی ارائه می شود. شرکت کنندگان با استفاده از Excel به تمرین عملی خواهند پرداخت. علاوه بر این، اصول تجزیه و تحلیل سناریو برای کمک به شرکت کنندگان در بحث عاقلانه در مورد نتایج مطالعات موردی عملی ارائه شده است. در مرحله بعد، این دوره حسابداری اقتصادی ملی و استفاده از جداول ورودی و خروجی پولی را برای کاربردهای ملی و چند منطقه ای، مانند محاسبه ردپای کربن، پوشش می دهد. شرکت‌کنندگان همچنین در مورد مدل تولید و تاثیر Leontief که از طریق یک جلسه عملی دیگر مبتنی بر اکسل نشان داده می‌شود، یاد خواهند گرفت. در نهایت، دانش آموزان با استفاده از MARIO، یک ابزار منبع باز داخلی و مبتنی بر پایتون برای مطالعات ارزیابی تاثیر منطقه ای و چند منطقه ای بر اساس تحلیل ورودی-خروجی آشنا می شوند. تا پایان MOOC، شرکت کنندگان دانش پایه قوی برای نزدیک شدن علمی به انتقال انرژی جهانی به دست خواهند آورد. آنها قادر خواهند بود جداول ملی حسابداری اقتصادی و انرژی را درک و تفسیر کنند، و همچنین ابزارهای خاصی را که آزادانه در دسترس هستند برای برنامه ریزی مداخلات انرژی و ارزیابی تأثیرات آنها به کار گیرند.

این دوره اصول مدل‌سازی و شبیه‌سازی سیستم‌های مکاترونیک مدرن را ارائه می‌دهد که سیستم‌های مکانیکی یکپارچه با چندین نوع حسگر و محرک هستند. هدف از این دوره نشان دادن متدولوژی های مختلف برای بهبود پتانسیل سیستم های مکانیکی با تبدیل آنها به سیستم های مکاترونیک مبتنی بر مدل های مجازی است. به طور خاص، دروس بر روی مطالعات موردی در سه زمینه مهندسی متمرکز خواهد شد: رباتیک، محرک های الکترو هیدرولیک کنترل شده و دستگاه های هوشمند.

این دوره همچنین می تواند برای اعتبار آکادمیک به عنوان ECEA 5705، بخشی از مدرک کارشناسی ارشد علوم CU Boulder در مهندسی برق، گذرانده شود. این دوره شماره 1 در توالی دوره مدلسازی و کنترل الکترونیک قدرت است. این دوره بر روی مدل‌سازی و کنترل عملی مبدل‌های توان حالت سوئیچ مدوله‌شده با عرض پالس با استفاده از ابزارهای تحلیلی و شبیه‌سازی در حوزه‌های زمان و فرکانس متمرکز شده است. یک تکنیک تحلیل طراحی گرا که به عنوان قضیه بازخورد میدلبروک شناخته می شود، معرفی شده و برای تجزیه و تحلیل و طراحی تنظیم کننده های ولتاژ و دیگر مدارهای بازخورد استفاده می شود. علاوه بر این، نشان داده شده است که چگونه میانگین مداری و تکنیک‌های مدل‌سازی سوئیچ میانگین منجر به مدل‌های میانگین مبدل مناسب برای تحلیل دستی، تحلیل به کمک کامپیوتر و شبیه‌سازی مبدل‌ها می‌شود. پس از اتمام این دوره، دانشجو قادر خواهد بود تا با استفاده از تکنیک های تحلیلی و شبیه سازی، طراحی حلقه های کنترلی با کارایی بالا را در اطراف مبدل های قدرت سوئیچ شده تمرین کند. ما قویاً به دانشجویان توصیه می کنیم قبل از ثبت نام در این دوره، تخصص CU Boulder Power Electronics را تکمیل کنند (شماره دوره های ارائه شده برای دانش آموزان در برنامه MS-EE CU Boulder): ● مقدمه ای بر الکترونیک قدرت (ECEA 5700) ● مدارهای مبدل (ECEA 5701) ● کنترل مبدل (ECEA 5702) پس از اتمام این دوره، شما قادر خواهید بود: ● نحوه عملکرد و مدل سازی مبدل های برق حالت سوئیچ را توضیح دهید ● توابع انتقال حلقه باز و پاسخ های فرکانس را مدل کنید ● مبدل های قدرت با تنظیم حلقه بسته را طراحی کنید ● عملکرد مبدل های قدرت حالت سوئیچ شده را با شبیه سازی بررسی کنید ● اصول قضیه بازخورد را درک کنید ● قضیه بازخورد را در نمونه های طراحی عملی اعمال کنید ● مدل های سوئیچ متوسط ​​و مدل های مدار متوسط ​​مبدل های قدرت را استخراج کنید ● تکنیک‌های مدل‌سازی سوئیچ متوسط ​​را برای تحلیل و طراحی و شبیه‌سازی مبدل‌های قدرت اعمال کنید

به دوره 3 خوش آمدید - مدل ها و چارچوب ها برای پشتیبانی از برنامه ریزی فروش - در این دوره، شما یک رویکرد مفهومی برای فروش مدل ها و چارچوب ها را مرور خواهید کرد. به عنوان یک نتیجه یادگیری اولیه این دوره، ما بر بهبود شایستگی ها و مهارت های تحلیلی برای توسعه برنامه ریزی و مدیریت فروش تاکید می کنیم. و فرآیند یادگیری از طریق استفاده از مدل‌ها و چارچوب‌هایی می‌گذرد که به پشتیبانی از این فرآیندها کمک می‌کنند. هدف این دوره حرفه ای هایی است که به دنبال بهبود در پشتیبانی مفهومی از فرآیند برنامه ریزی فروش هستند، به ویژه با تأکید بر استفاده از مدل های فروش و روش شناسی چارچوب ها. در این مرحله از تخصص مدیریت فروش استراتژیک، شما درک عالی از ادغام برنامه ریزی فروش با استراتژی شرکت دارید. شما همچنین چشم اندازی از نسخه ها و توصیه های اصلی برای پشتیبانی از این ادغام دارید و با استفاده از تجزیه و تحلیل هوشمند به برنامه ریزی استراتژیک فروش ادامه دهید. اکنون در این دوره، مدل‌ها و چارچوب‌های فروش از دیدگاه مفهومی برای افزودن ساختار روش‌شناختی به فرآیند برنامه‌ریزی فروش مورد بحث قرار می‌گیرد. بنابراین، در سراسر ماژول های این دوره، موضوعات مورد بحث شامل موضوعات مدیریت فروش (ماژول 1)، مدل ها و چارچوب های فروش (ماژول 2) خواهد بود که از برنامه ریزی فروش پشتیبانی می کند، که به مهارت های سختی که ممکن است اعمال شود مربوط می شود. در ماژول سوم این دوره، مهارت های نرم به بحث آورده می شود، زیرا آنها یک جزء ضروری را تشکیل می دهند زیرا عملکردهای فروش شامل بسیاری از جنبه های تعاملات انسانی است. لطفاً مراحل دوره را دنبال کنید، و برای اهداف آکادمیک، به شما توصیه می‌کنیم که آن را به ترتیب ماژول‌های پیشنهادی انجام دهید، هرچند ممکن است آنها را به ترتیب دیگری انتخاب کنید. ما مشتاقانه منتظر حضور شما در طول دوره ها و دروس هستیم.

ما در عصری زندگی می کنیم که به طور فزاینده ای تحت سلطه الگوریتم ها است. همانطور که مدل های یادگیری ماشین تصمیمات مهمی را بر اساس مجموعه داده های عظیم شروع می کنند، ما باید از محدودیت های آنها در دنیای واقعی آگاه باشیم. مدل‌های یادگیری ماشینی چه تصمیم‌گیری برای وام یا مسیریابی مجدد ترافیک باشد، باید ارزش‌های مشترک ما را به دقت منعکس کند. در این دوره، ظهور الگوریتم‌ها را، از ابتدایی‌ترین تا کاملاً مستقل، مورد بررسی قرار می‌دهیم و در مورد چگونگی ایجاد آنها از نظر اخلاقی درست‌تر بحث می‌کنیم.

در طول همه‌گیری COVID-19، هم وعده و هم خطرات استفاده از مدل‌های انتقال بیماری‌های عفونی برای تصمیم‌گیری سیاست‌های بهداشت عمومی واضح‌تر از همیشه شد. استفاده بهینه از خروجی مدل‌سازی‌شده مستلزم آن است که سیاست‌گذاران سلامت عمومی به مصرف‌کنندگان مدل‌ها آگاه باشند، نقاط قوت و محدودیت‌های رویکردهای ممکن را درک کنند، و سؤالات درستی را در مورد آسیب‌پذیری‌های نتایج مدل بپرسند. هدف این دوره این است که به افرادی که در مورد سیاست‌ها و برنامه‌های بهداشت عمومی تصمیم می‌گیرند، درک روشنی از نحوه عملکرد مدل‌های انتقال بیماری‌های عفونی، انواع مختلف و عملکردها و نحوه استفاده مناسب از آنها برای تصمیم‌گیری ارائه دهد. هیچ الزامی برای داشتن پیشینه قبلی در مدل های بیماری عفونی وجود ندارد و دوره شامل هیچ معادله ای نمی شود. هر کسی که دارای پیشینه اولیه در بهداشت عمومی و بیماری های عفونی باشد و علاقه مند به یادگیری بیشتر در مورد مدل های بیماری های عفونی باشد، از این دوره بهره مند خواهد شد. در این دوره، شرکت کنندگان اصول اولیه مدل های انتقال بیماری های عفونی، از جمله مقایسه با انواع دیگر پیش بینی های مورد استفاده در زندگی روزمره و مروری بر اجزای کلیدی یک مدل و ساختار مدل سازی را بررسی خواهند کرد. در مرحله بعد، شرکت‌کنندگان انواع مدل‌های بیماری عفونی را بررسی خواهند کرد: مدل‌های پیش‌بینی، استنباطی و نظری. سپس، شرکت‌کنندگان در مورد ارزیابی مفید، معقول و مرتبط بودن یک مدل و همچنین آسیب‌پذیری‌های این مدل‌ها یاد خواهند گرفت. این مفاهیم برای مطالعات موردی شیوع ابولا در غرب آفریقا از سال 2014 تا 2016 و همه‌گیری کووید-19 به کار می‌رود. این دوره با مروری بر نحوه اطلاع‌رسانی مدل‌ها به تصمیم‌گیری‌های خط‌مشی، از جمله منابع اصلی عدم قطعیت برای تصمیم‌گیری، کامل می‌شود. فراگیرانی که این دوره را تکمیل می‌کنند، دید وسیعی از مدل‌های انتقال بیماری‌های عفونی، نحوه ارزیابی سودمندی یک مدل معین، و نحوه اطلاع‌رسانی این مدل‌ها در تصمیم‌گیری‌های خط‌مشی خواهند داشت. چه کسانی باید این دوره را بگذرانند؟ -سیاست گذاران بهداشت عمومی -هرکسی که علاقه مند به یادگیری در مورد چگونگی مدل های انتقال بیماری های عفونی می تواند خط مشی بهداشت عمومی را راهنمایی کند توسعه این آموزش توسط مرکز پیش بینی و تجزیه و تحلیل شیوع بیماری مرکز کنترل و پیشگیری از بیماری ها تامین شده است. ما از Coursera برای چشم پوشی از هزینه های ثبت نام تا سال 2025 سپاسگزاریم.

این دوره به بررسی محرک های هزینه مراقبت های بهداشتی و راه حل هایی می پردازد که برای پرداختن به هزینه، کیفیت و ارزش مراقبت های بهداشتی ارائه شده اند. بسیاری از مدل‌های پرداخت هزینه‌های بالا را سرزنش می‌کنند که به ارائه‌دهندگان مراقبت‌های بهداشتی برای هر خدماتی که به بیماران ارائه می‌دهند، پرداخت می‌کنند و اساساً هزینه بیشتری برای حجم و شدت خدمات پرداخت می‌کنند. این مدل پرداخت هزینه خدمات (FFS) نامیده می شود. برخی راه‌حل‌ها، احتمالاً راه‌حل‌های پایدارتر، استراتژی‌های ترکیبی مدل‌های پرداخت جدید، مدیریت مراقبت، طرح‌های طرح بیمه، ابزارهای مشارکت مصرف‌کننده و فناوری هستند. با استفاده از این اطلاعات، موقعیت‌های مختلف را بررسی می‌کنیم، استراتژی‌های مراقبت و پرداخت هماهنگ را که می‌توان برای بهبود سلامت بیمار و هزینه ارائه خدمات مراقبت‌های بهداشتی اجرا کرد، به نمایش گذاشت. در پایان این دوره، فراگیر باید بتواند: 1. شناسایی محرک ها و روند هزینه های مراقبت های بهداشتی از دیدگاه ذینفعان مختلف، از جمله ارائه دهندگان پزشکی، بیمه ها، خریداران دولتی و خصوصی و پرداخت ها. 2. ارزیابی انتقادی تأثیر رویکردهای استراتژیک و مالی که توسط ACA اعمال شده است و اصلاحات مختلف. 3. نحوه عملکرد مدل‌های پرداخت مراقبت‌های بهداشتی در حال حاضر و مسیر جدیدی را که پرداخت مبتنی بر ارزش در پیش گرفته است، ارزیابی کنید. 4. شناسایی کنید که چگونه معیارهای مالی و غیر مالی می توانند به طور مناسب برای بهبود ارزش پیشنهادی ذینفعان مراقبت های بهداشتی ترکیب شوند.

مشتریان در آینده چگونه عمل خواهند کرد؟ تقاضا برای محصولات و خدمات ما چقدر خواهد بود؟ چه مقدار موجودی باید برای فصل بعد سفارش دهیم؟ فراتر از پیش‌بینی ساده آنچه مشتریان انجام خواهند داد، بازاریابان باید بدانند که چگونه اقدامات آنها می‌تواند رفتار آینده را شکل دهد. در توسعه ابزارهای پیش‌بینی با اکسل، فراگیران درک درستی از اجزای اصلی یک مدل پیش‌بینی، نحوه ساخت مدل‌های پیش‌بینی خود و نحوه ارزیابی عملکرد مدل‌های پیش‌بینی ایجاد خواهند کرد. همه اینها با استفاده از مایکروسافت اکسل انجام می‌شود و این اطمینان را می‌دهد که فراگیران می‌توانند مهارت‌های خود را به کار ببرند و آن‌ها را برای مشکلات تجاری خود به کار ببرند.

تحلیلگران کسب و کار باید بتوانند راه حل بهینه را برای مشکلات تجویز کنند. اما دوره‌های تجزیه و تحلیل اغلب بر آموزش دانش‌آموزان در تجزیه و تحلیل داده‌ها و تجسم تمرکز می‌کنند، نه این که به آنها کمک کند چگونه داده‌های موجود را جمع‌آوری کنند و آن را با مدل ریاضی مناسب برای فرمول‌بندی راه‌حل جفت کنند. این دوره برای اتصال داده ها و مدل ها به سناریوهای تصمیم گیری در دنیای واقعی در تولید، زنجیره تامین، امور مالی، مدیریت منابع انسانی و غیره طراحی شده است. به طور خاص، ما درک می کنیم که چگونه بهینه سازی خطی - یک روش تجزیه و تحلیل تجویزی - می تواند برای تصمیم گیری استفاده شود. مشکلات و ارائه راه حل های بهینه مبتنی بر داده ها. در طول این دوره ما روی مشکلات کاربردی در صنایع مختلف کار خواهیم کرد، مانند: (الف) تصمیمات مالی: چگونه یک مدیر سرمایه گذاری باید یک سبد بهینه ایجاد کند که بازده خالص را به حداکثر برساند و در عین حال ریسک زیادی را در سرمایه گذاری های مختلف انجام ندهد؟ (ب) تصمیمات تولید: با توجه به تقاضای پیش بینی شده، عرضه مواد خام و هزینه های حمل و نقل، حجم بهینه محصولات برای تولید در مکان های مختلف کارخانه چقدر خواهد بود؟ (ج) تصمیمات منابع انسانی: چه تعداد کارگر باید در یک افق برنامه ریزی استخدام یا اخراج شوند تا در حین رفع نیازهای عملیاتی یک شرکت، هزینه ها به حداقل برسد؟ (ج) تولید: با توجه به در دسترس بودن مواد خام و تقاضای مشتری، ترکیب محصولی که باید حداکثر سود را تولید کند، چه خواهد بود؟ ما یاد خواهیم گرفت که چگونه این مسائل را به عنوان مدل های ریاضی فرموله کرده و با استفاده از صفحه گسترده اکسل حل کنیم.