Descubre las últimas tendencias en estadística en R tales como técnicas de Data Mining o investigación biomédica con perspectiva nutricional inscribiéndote en esta Postgraduate diploma”

Los temas sobre los que versan las investigaciones científicas en torno al área nutricional son extensos. Desde la afectación de determinadas dietas en diferentes personas a la interacción entre un grupo de alimentos y enfermedades como el cáncer, el investigador debe tener un conocimiento excelso no solo en los propios postulados científicos y material vigente, sino en las herramientas estadísticas imprescindibles para llevar a cabo el proyecto. 

Desde su propia génesis, el equipo de investigación debe definir los objetivos y metodología científica a emplear, así como la propia ética que debe seguir el proyecto. El presente programa, creado por un equipo de expertos investigadores con años de experiencia, recopila tanto las bases científicas necesarias como las herramientas más útiles para emprender un proyecto de investigación en Nutrición con todas las garantías. 

Por ello, se incluyen extensos temas que versan sobre las expectativas, hipótesis, bioestadísticas, análisis de multivariantes, tipos de gráficos y muchas más cuestiones imprescindibles para los investigadores que deseen estar a la vanguardia de su campo. Todo el material didáctico viene reforzado por una gran cantidad de casos simulados y reales, que ayudan a contextualizar adecuadamente cada tema tratado. Así, se complementan teoría y práctica con vídeos en detalle, resúmenes interactivos y más contenidos creados por los mejores profesionales del área. 

El formato 100% online de esta Postgraduate diploma posibilita, además, su compaginación con todo tipo de actividades y responsabilidades tanto profesionales como personales. El alumno es totalmente libre de distribuirse la carga lectiva según sus propios intereses, pudiendo descargar la totalidad del temario desde cualquier dispositivo con conexión a internet. 

Posiciónate en la vanguardia de la investigación dietética con las mejores herramientas, preceptos y guías prácticas que TECH pone a tu disposición en este programa”

Esta Postgraduate diploma en Health Research Tools contiene el programa científico más completo y actualizado del mercado. Sus características más destacadas son:

• El desarrollo de casos prácticos presentados por expertos en Ciencias de la Salud
• Los contenidos gráficos, esquemáticos y eminentemente prácticos con los que está concebido recogen una información médica sobre aquellas disciplinas indispensables para el ejercicio profesional
• Los ejercicios prácticos donde realizar el proceso de autoevaluación para mejorar el aprendizaje
• Su especial hincapié en metodologías innovadoras
• Las lecciones teóricas, preguntas al experto, foros de discusión de temas controvertidos y trabajos de reflexión individual
• La disponibilidad de acceso a los contenidos desde cualquier dispositivo fijo o portátil con conexión a internet

Profundiza en cómo el Data Mining y análisis de datos masivos pueden suponer un punto clave en Investigaciones en Salud y Nutrición”

El programa incluye, en su cuadro docente, a profesionales del sector que vierten en esta capacitación la experiencia de su trabajo, además de reconocidos especialistas de sociedades de referencia y universidades de prestigio.  

Su contenido multimedia, elaborado con la última tecnología educativa, permitirá al profesional un aprendizaje situado y contextual, es decir, un entorno simulado que proporcionará una capacitación inmersiva programada para entrenarse ante situaciones reales.  

El diseño de este programa se centra en el Aprendizaje Basado en Problemas, mediante el cual el profesional deberá tratar de resolver las distintas situaciones de práctica profesional que se le planteen a lo largo del programa académico. Para ello, contará con la ayuda de un novedoso sistema de vídeos interactivos realizados por reconocidos expertos.   

Apóyate en un formato 100% online sin ninguna clase de restricción para ti, con la libertad que necesitas para superarlo en tan solo 6 meses”

Tendrás acceso a una completa guía de referencia que podrás descargarte para seguir siendo útil incluso una vez finalices la titulación”

In order to facilitate the student's work, TECH has incorporated the Relearning methodology in all the contents of this program. This means that the key concepts in Health Research Tools are reiterated naturally and progressively throughout the entire Postgraduate Diplomat. This saves numerous hours of study time, which in turn can be invested in the large amount of supplementary material provided for each knowledge module.

You will have 24-hour access to a library of high-quality multimedia content, which you can download and play later on your favorite electronic device” 

Module 1. Generation of Research Projects

1.1. General Structure of a Project
1.2. Presentation of Background and Preliminary Data
1.3. Definition of the Hypothesis
1.4. Definition of General and Specific Objectives
1.5. Definition of the Type of Sample, Number and Variables to be Measured
1.6. Establishment of the Scientific Methodology
1.7. Exclusion/Inclusion Criteria in Projects with Human Samples
1.8. Establishment of the Specific Team: Balance and Expertise
1.9. Ethical aspects and Expectations: an Important Element that we Forget
1.10. Budget Generation: a fine Tuning Between the Needs and the Reality of the Call

Module 2. Statistics and R in Health Research

2.1. Biostatistics

2.1.1. Introduction to The Scientific Method
2.1.2. Population and Sample. Sampling Measures of Centralization
2.1.3. Discrete Distributions and Continuous Distributions
2.1.4. General Outline of Statistical Inference. Inference about a Normal Population Mean. Inference about a General Population Mean
2.1.5. Introduction to Nonparametric Inference

2.2. Introduction to R

2.2.1. Basic Features of the Program
2.2.2. Main Object Types
2.2.3. Simple Examples of Simulation and Statistical Inference
2.2.4. Graphs
2.2.5. Introduction to R Programming

2.3. Regression Methods with R

2.3.1. Regression Models
2.3.2. Variable Selection
2.3.3. Model Diagnosis
2.3.4. Treatment of Outliers
2.3.5. Regression Analysis

2.4. Multivariate Analysis with R

2.4.1. Description of Multivariate Data
2.4.2. Multivariate Distributions
2.4.3. Dimension Reduction
2.4.4. Unsupervised Classification: Cluster Analysis
2.4.5. Supervised Classification: Discriminant Analysis

2.5. Regression Methods for Research with R

2.5.1. Generalized Linear Models (GLM): Poisson Regression and Negative Binomial Regression
2.5.2. Generalized Linear Models (GLM): Logistic and Binomial Regressions
2.5.3. Poisson and Negative Binomial Regression Inflated by Zeros
2.5.4. Local Fits and Generalized Additive Models (GAMs)
2.5.5. Generalized Mixed Models (GLMM) and Generalized Additive Mixed Models (GAMM)

2.6. Statistics Applied to Biomedical Research with R I

2.6.1. Basic Notions of R. Variables and Objects in R. Data handling Files Graphs
2.6.2. Descriptive Statistics and Probability Functions
2.6.3. Programming and Functions in R
2.6.4. Contingency Table Analysis
2.6.5. Basic Inference with Continuous Variables

2.7. Statistics Applied to Biomedical Research with R II

2.7.1. Analysis of Variance
2.7.2. Correlation Analysis
2.7.3. Simple Linear Regression
2.7.4. Multiple Linear Regression
2.7.5. Logistic Regression

2.8. Statistics Applied to Biomedical Research with R III

2.8.1. Confounding Variables and Interactions
2.8.2. Construction of a Logistic Regression Model
2.8.3. Survival Analysis
2.8.4. Cox Regression
2.8.5. Predictive Models. ROC Curve Analysis

2.9. Statistical Data Mining Techniques with R I

2.9.1. Introduction. Data Mining. Supervised and Unsupervised Learning. Predictive Models Classification and Regression
2.9.2. Descriptive Analysis Data Pre-Processing
2.9.3. Principal Component Analysis (PCA)
2.9.4. Cluster Analysis. Hierarchical Methods. K-Means

2.10. Statistical Data Mining Techniques with R II

2.10.1. Model Assessment Measures. Predictive Ability Measures ROC Curves
2.10.2. Models Assessment Techniques. Cross-Validation. Bootstrap Samples
2.10.3. Tree-Based Methods (CART)
2.10.4. Support Vector Machines (SVM)
2.10.5. Random Forest (RF) and Neural Networks (NN)

Module 3. Graphical Representations of Data in Health Research and Other Advanced Analysis

3.1. Types of Graphs
3.2. Survival Analysis
3.3. ROC Curves
3.4. Multivariate Analysis (Types of Multiple Regression)
3.5. Binary Regression Models
3.6. Massive Data Analysis
3.7. Dimensionality Reduction Methods
3.8. Comparison of Methods: PCA, PPCA and KPCA
3.9. T-SNE (t-Distributed Stochastic Neighbor Embedding)
3.10. UMAP (Uniform Manifold Approximation and Projection)

Self-awareness exercises, complementary readings, interactive summaries, detailed videos and more multimedia material await you when you enroll in this program”