دو دوره دیگر در این تخصص شما را ملزم به انجام مدل سازی قطعی می کند - به عبارت دیگر، نتیجه همه گیری قابل پیش بینی است زیرا همه پارامترها به طور کامل شناخته شده اند. با این حال، این دوره به بسیاری از موارد - به ویژه در مراحل اولیه یک اپیدمی - که رویدادهای تصادفی می توانند در آینده یک بیماری همه گیر تأثیرگذار باشند، می پردازد. بنابراین، با نمونه‌هایی از چنین «تصادفی» و همچنین روش‌های ساده برای مدل‌سازی این همه‌گیری‌ها با استفاده از R آشنا خواهید شد. نحوه مدل‌سازی عفونت‌هایی را که چنین «ساختار جمعیتی» نقش مهمی در پویایی انتقال ایفا می‌کند را بررسی خواهید کرد. و برخی از رویکردهای اساسی برای مدل‌سازی بیماری‌های منتقله از طریق ناقل، از جمله مدل راس-مک‌دونالد را یاد خواهد گرفت. حتی اگر در آینده مدل‌های ریاضی را طراحی و شبیه‌سازی نمی‌کنید، مهم است که بتوانید یک مدل را به‌طور انتقادی ارزیابی کنید تا نقاط قوت و ضعف آن را درک کنید و نحوه بهبود آن را شناسایی کنید. یکی از راه‌های کسب این مهارت، انجام یک بررسی انتقادی از یک مطالعه مدل‌سازی به‌عنوان داور است، که فرصتی است که با گذراندن این دوره به دست خواهید آورد.

مدل سازی پارتیشنی سنگ بنای مدل سازی ریاضی بیماری های عفونی است و این دوره به معرفی برخی از مفاهیم اساسی در ساخت مدل های محفظه ای از جمله نحوه تفسیر و نمایش نرخ ها، مدت زمان و نسبت ها می پردازد. شما یاد خواهید گرفت که ریاضیات را در یک طرف قرار دهید و روی به دست آوردن شهود در رفتار یک بیماری همه گیر ساده تمرکز کنید، و با مفاهیم اساسی بیشتر اپیدمیولوژی بیماری های عفونی، مانند شماره تولید مثل اولیه (R0) و پیامدهای آن برای عفونی آشنا شوید. پویایی بیماری برای بیان زیربنای ریاضی محرک های اساسی که مطالعه می کنید، از مدل ساده SIR استفاده می کنید، که به نوبه خود به شما کمک می کند تا سناریوهای مختلف را برای اعداد بازتولید بررسی کنید. حساسیت به عفونت سوخت یک بیماری عفونی است، بنابراین درک پویایی حساسیت می تواند بینش های مهمی را در مورد پویایی اپیدمی و همچنین اولویت های کنترل ارائه دهد.

این دوره روش هایی برای مدل سازی درمان بیماری های عفونی و همچنین مدل سازی واکسیناسیون را پوشش می دهد. با تکیه بر مدل SIR، یاد خواهید گرفت که چگونه محفظه های اضافی را برای نمایش اثرات مداخلات، مانند تأثیر واکسیناسیون در کاهش حساسیت، ترکیب کنید. شما در مورد واکسن‌های «نشتی» و نحوه مدل‌سازی آن‌ها و همچنین انواع مختلف واکسن و اثرات درمانی یاد خواهید گرفت. مهم است که روابط اساسی بین مدل ها و داده ها را در نظر بگیرید، بنابراین، با استفاده از مدل پایه SIR که در دوره 1 ایجاد کرده اید، این مدل را به داده های همه گیر کالیبره خواهید کرد. انجام چنین کالیبراسیون با دست به شما کمک می کند تا درک درستی از نحوه تنظیم پارامترهای مدل به منظور گرفتن داده های دنیای واقعی داشته باشید. در نهایت در این دوره، با دو رویکرد ساده برای کالیبراسیون مدل مبتنی بر کامپیوتر آشنا خواهید شد - رویکرد حداقل مربعات و رویکرد حداکثر احتمال. شما کالیبراسیون مدل را تحت هر یک از این رویکردها در R انجام خواهید داد.

این دوره به بررسی ویژگی های علم پیچیدگی می پردازد. جهان ما با سیستم های پیچیده فراوانی به هم متصل شده است. در تمام سطوح سازمان‌ها از دنیای فیزیکی، بیولوژیکی گرفته تا دنیای اجتماعی، ممکن است به ارتباط بین عناصر فردی و نحوه تعامل و تأثیر آنها بر یکدیگر فکر کنیم. به عنوان مثال، چگونگی انتقال بیماری های همه گیر توسط انسان در یک گروه، نحوه تعامل خودروها در سیستم ترافیک و نحوه اتصال شبکه ها در سازمان های دولتی. اگرچه این سیستم ها متنوع و متفاوت هستند، اما به طور شگفت انگیزی ویژگی های مشترک زیادی دارند. در چند دهه گذشته، مطالعه علم پیچیدگی رو به افزایش بوده است. به طور گسترده ای پذیرفته شده است که یک روش تفکر ابتکاری، یکپارچه و تحلیلی برای درک مسائل پیچیده در جوامع بشری ضروری است. در این دوره، هدف ما این است که به همه معرفی جامعی از سیستم‌های پیچیده ارائه دهیم، درباره انعطاف‌پذیری، استحکام و پایداری سیستم‌ها صحبت کنیم و روش‌های ریاضی پایه برای تجزیه و تحلیل سیستم‌های پیچیده، به عنوان مثال تغییر رژیم و نقاط اوج، مدل سازی مبتنی بر عامل، نظریه های پویا و شبکه مهم‌تر از همه، ما تئوری‌ها را در کاربردهای عملی شهرها و سلامت پیاده‌سازی می‌کنیم تا به دانش‌آموزان کمک کنیم تا در شیوه تفکر سیستم‌های پیچیده تمرین کنند.