Découvrez grâce à ce Certificat avancé, les dernières tendances en matière de statistiques en R, telles que les techniques de Data Mining ou la recherche biomédicale dans une perspective nutritionnelle" 

Les sujets couverts par la recherche scientifique dans le domaine de la nutrition sont vastes. En effet, qu'il s'agisse de l'effet de certains régimes alimentaires sur différentes personnes ou de l'interaction entre un groupe d'aliments et des maladies comme le cancer, le chercheur doit avoir une excellente connaissance des postulats scientifiques et du matériel actuel, mais aussi des outils statistiques indispensables pour mener à bien son projet. 

Ainsi, l'équipe de recherche doit définir les objectifs et la méthodologie scientifique à utiliser, ainsi que l'éthique du projet depuis sa genèse. Ce programme, créé par une équipe de chercheurs experts ayant des années d'expérience, rassemble à la fois les bases scientifiques nécessaires et les outils les plus utiles pour entreprendre un projet de recherche en Nutrition en offrant toutes les garanties. 

De ce fait, il comprend des sujets étendus couvrant les attentes, les hypothèses, la biostatistique, l'analyse multivariée, les types de graphiques et bien d'autres questions essentielles pour les chercheurs qui souhaitent être à la pointe de leur domaine. Tout le matériel didactique est renforcé par un grand nombre de cas simulés et réels, qui permettent de bien contextualiser chaque sujet traité. Ainsi, la théorie et la pratique sont complétées par des vidéos détaillées, des résumés interactifs et d'autres contenus créés par les meilleurs professionnels du domaine. 

Le format 100% en ligne de ce Certificat avancé permet également de le combiner avec toutes sortes d'activités et de responsabilités professionnelles et personnelles. L'étudiant est totalement libre de répartir la charge de cours en fonction de ses propres intérêts, en téléchargeant l'ensemble du programme depuis n'importe quel appareil doté d'une connexion Internet.  

Placez-vous à l'avant-garde de la recherche diététique grâce aux meilleurs outils, aux meilleurs prédicats et directives pratiques que TECH met à votre disposition dans ce programme" 

Ce Certificat avancé en Outils de Recherche en Santé contient le programme scientifique le plus complet et le plus actuel du marché. Les principales caractéristiques sont les suivantes:

• Le développement d'études de cas présentées par des experts en Sciences de la Santé
• Des contenus graphiques, schématiques et éminemment pratiques avec lesquels ils sont conçus fournissent des informations sanitaires essentielles à la pratique professionnelle
• Les exercices pratiques d’auto-évaluation pour améliorer l’apprentissage
• Les méthodologies innovantes
• Des cours théoriques, des questions à l'expert, des forums de discussion sur des sujets controversés et un travail de réflexion individuel
• La possibilité d'accéder aux contenus depuis tout appareil fixe ou portable doté d'une simple connexion à internet

Développez comment le Data Mining et l'analyse de données massives peuvent être un point clé dans la Recherche en Santé et Nutrition" 

Le corps enseignant comprend des professionnels du secteur qui apportent à cette formation l'expérience de leur travail, ainsi que des spécialistes reconnus de sociétés de référence et d'universités prestigieuses. 

Grâce à son contenu multimédia développé avec les dernières technologies éducatives, les spécialistes bénéficieront d’un apprentissage situé et contextuel. Ainsi, ils se formeront dans un environnement simulé qui leur permettra d’apprendre en immersion et de s’entrainer dans des situations réelles. 

La conception de ce programme est basée sur l'Apprentissage par les Problèmes, grâce auquel le professionnel devra essayer de résoudre les différentes situations de pratique professionnelle qui se présentent tout au long de la formation. Pour ce faire, il sera assisté d'un système vidéo interactif innovant créé par des experts reconnus.    

Bénéficiez d’un format 100% en ligne sans aucune restriction, avec la liberté dont vous avez besoin pour le mener à bien en seulement 6 mois"

Vous aurez accès à un guide de référence complet que vous pourrez télécharger et qui continuera à vous être utile même à l'issue de votre diplôme"

Afin de faciliter autant que possible la réalisation des études de l'étudiant, TECH a appliqué la méthodologie du Relearning à tous les contenus de ce programme. Cela implique que les concepts clés des Outils de Recherche en Santé sont réitérés naturellement et progressivement tout au long du programme. Cela permet d'économiser de nombreuses heures d'étude, qui peuvent à leur tour être investies dans les nombreux documents complémentaires fournis pour chaque module de connaissances. 

Vous aurez accès 24h/24 à une bibliothèque de contenus multimédia de haute qualité, que vous pourrez télécharger et lire ultérieurement sur le dispositif de votre choix" 

Module 1. Création de projets de recherche

1.1. Structure générale d'un projet
1.2. Présentation du contexte et des données préliminaires
1.3. Définition de l'hypothèse
1.4. Définition des objectifs généraux et spécifiques
1.5. Définition du type d'échantillon, du nombre et des variables à mesurer
1.6. Établissement de la méthodologie scientifique
1.7. Critères d'exclusion/inclusion dans les projets avec des échantillons humains
1.8. Création de l'équipe spécifique: balance et Expertise
1.9. Les attentes: un élément important à ne pas oublier
1.10. Développement du budget: un ajustement entre les besoins et la réalité de l'appel à propositions
1.11. Aspects éthiques

Module 2. Statistiques et R dans la recherche en santé

2.1. Biostatistique

2.1.1. Introduction à la méthode scientifique
2.1.2. Population et échantillon Mesures d'échantillonnage de la centralisation
2.1.3. Distributions discrètes et distributions continues
2.1.4. Aperçu général de l'inférence statistique Inférence sur la moyenne d'une population normale Inférence sur la moyenne d'une population générale
2.1.5. Introduction à l'inférence non paramétrique

2.2. Introduction à R

2.2.1. Caractéristiques de base du programme
2.2.2. Principaux types d'objets
2.2.3. Exemples simples de simulation et d'inférence statistique
2.2.4. Graphiques
2.2.5. Introduction à la programmation en R

2.3. Méthodes de régression avec R

2.3.1. Modèles de régression
2.3.2. Sélection des variables
2.3.3. Diagnostic du modèle
2.3.4. Traitement des valeurs atypiques
2.3.5. Analyse de régression

2.4. Analyse multivariée avec R

2.4.1. Description de données multivariées
2.4.2. Distributions multivariées
2.4.3. Réduction des dimensions
2.4.4. Classification non supervisée: analyse en grappes
2.4.5. Classification supervisée: analyse discriminante

2.5. Méthodes de régression pour la recherche avec R

2.5.1. Modèles linéaires généralisés (GLM): régression de Poisson et binomiale négative
2.5.2. Modèles linéaires généralisés (GLM): régressions logistiques et binomiales
2.5.3. Régression de Poisson et binomiale négative gonflée par des zéros
2.5.4. Ajustements locaux et modèles additifs généralisés (GAM)
2.5.5. Modèles mixtes généralisés (GLMM) et modèles mixtes additifs généralisés (GAMM)

2.6. Statistiques appliquées à la recherche biomédicale avec R I

2.6.1. Notions de base de R. Variables et objets en R. Manipulation des données Fichiers Graphiques
2.6.2. Statistiques descriptives et fonctions de probabilité
2.6.3. Programmation et fonctions en R
2.6.4. Analyse des tableaux de contingence
2.6.5. Inférence de base avec des variables continues

2.7. Statistiques appliquées à la recherche biomédicale avec R II

2.7.1. Analyse de la variance
2.7.2. Analyse de corrélation
2.7.3. Régression linéaire simple
2.7.4. Régression linéaire multiple
2.7.5. Régression logistique

2.8. Statistiques appliquées à la recherche biomédicale avec R III

2.8.1.  Variables confusionnelles et interactions
2.8.2. Construction d'un modèle de régression logistique
2.8.3. Analyse de survie
2.8.4. Régression de Cox
2.8.5. Modèles prédictifs Analyse de la courbes ROC

2.9. Techniques d'exploration statistique de Data Mining avec R I

2.9.1. Introduction Data Mining. Apprentissage Supervisé et Non Supervisé Modèles prédictifs Classification et régression
2.9.2. Analyse descriptive Prétraitement des données
2.9.3. Analyse des Composantes Principales(PCA)
2.9.4. Analyse des Composantes Principales(PCA)
2.9.5. Analyse des groupes Méthodes hiérarchiques K-Means

2.10. Techniques d'exploration statistique de Data Mining avec R II

2.10.1. Mesures d'Évaluation du Modèle Mesures de la capacité de prédiction Courbes Roc
2.10.2. Techniques d'évaluation du modèle Validation croisée Echantillons Bootstrap
2.10.3. Méthodes basées sur les arbres (CART)
2.10.4. Support Vector Machines (SVM)
2.10.5. Random Forest (RF) et Réseau Neuronal (NN)

Module 3. Représentations graphiques des données dans la recherche en santé et autres analyses avancées

3.1. Types de graphiques
3.2. Analyse de survie
3.3. Courbes Roc
3.4. Analyse multivariée (types de régression multiple)
3.5. Modèles binaires de régression
3.6. Analyse des données massive
3.7. Méthodes de réduction de la dimensionnalité
3.8. Comparaison des méthodes: PCA, PPCA and KPCA
3.9. T-SNE (t-Distributed Stochastic Neighbor Embedding)
3.10. UMAP (Uniform Manifold Approximation and Projection)

Une expérience éducative unique, clé et décisive pour stimuler votre développeent professionnel"