Computational Epidemiology: Data-Driven Modeling of COVID-19

این کتاب درسی نوآورانه مفاهیم مدرن در اپیدمیولوژی ریاضی، مدل‌سازی محاسباتی، شبیه‌سازی مبتنی بر فیزیک، علم داده و یادگیری ماشین را گرد هم می‌آورد تا یکی از مهم‌ترین مشکلات زمان کنونی ما، دینامیک شیوع و کنترل شیوع بیماری را درک کند. از COVID-19. ابزارهای مربوطه را برای مدل‌سازی و شبیه‌سازی سیستم‌های دینامیکی غیرخطی با توجه به یک بیماری همه‌گیر جهانی که به شدت با سلامت انسان مرتبط است، آموزش می‌دهد.

اگر دانشجو، معلم، دانشمند پایه هستید. ، یا محقق پزشکی در علوم طبیعی یا اجتماعی، یا فردی که علاقه مند به کلان داده ها و سلامت انسان است: این کتاب برای شماست! این کتاب به عنوان یک کتاب درسی برای دانشجویان کارشناسی و کارشناسی ارشد و یک تک نگاری برای محققان و دانشمندان است. می توان از آن در علوم زیستی ریاضی مناسب برای دوره های ریاضی کاربردی، مهندسی زیست پزشکی، آمار زیستی، علوم کامپیوتر، علوم داده، اپیدمیولوژی، علوم بهداشتی، یادگیری ماشینی، زیست شناسی ریاضی، روش های عددی و برنامه ریزی احتمالی استفاده کرد. این کتاب بازتابی شخصی در مورد نقش مدل‌سازی مبتنی بر داده در طول همه‌گیری COVID-19 است که با انگیزه کنجکاوی برای درک آن انجام می‌شود.

This innovative textbook brings together modern concepts in mathematical epidemiology, computational modeling, physics-based simulation, data science, and machine learning to understand one of the most significant problems of our current time, the outbreak dynamics and outbreak control of COVID-19. It teaches the relevant tools to model and simulate nonlinear dynamic systems in view of a global pandemic that is acutely relevant to human health.

If you are a student, educator, basic scientist, or medical researcher in the natural or social sciences, or someone passionate about big data and human health: This book is for you! It serves as a textbook for undergraduates and graduate students, and a monograph for researchers and scientists. It can be used in the mathematical life sciences suitable for courses in applied mathematics, biomedical engineering, biostatistics, computer science, data science, epidemiology, health sciences, machine learning, mathematical biology, numerical methods, and probabilistic programming. This book is a personal reflection on the role of data-driven modeling during the COVID-19 pandemic, motivated by the curiosity to understand it.