Meta分析（Meta Analysis）是当今比较流行的综合具有同一主题的多个独立研究的统计学方法，是较高一级逻辑形式上的定量文献综述。20世纪90年代后，Meta分析被引入生态环境领域的研究，并得到高度的重视和长足的发展，尤其是在生态系统对CO2浓度升高、全球变暖、O3浓度升高等的响应，以及土地利用变化对气候变化的影响等方面的应用发展迅速。
为了Meta分析问题的设计、基础理论、软件操作和结果解读进行交流和互相学习，北京中科资环信息技术研究院（www.bjzkzhxx.com）特举办“Meta分析在生态环境领域里的应用直播课程”。本次培训选取专门针对生态环境问题的Meta分析软件——MetaWin进行讲解。这个软件是由生态环境领域最著名的Meta分析大师Jessica Gurevitch等人开发的，不涉及复杂的代码编写，界面简单，操作方便，有利于初学者在短时间内较系统的掌握Meta分析的基本方法。本次培训注重理论与实践相结合。理论方面，针对Meta分析效应量的选取与计算、异质性检验、数据结构、固定效应和随机效应模型、数据信息的获取与偏倚分析、数据填补等知识进行系统的梳理。实践方面，结合具体案例，针对MetaWin软件的功能逐一介绍，并对结果如何导出和解读进行全面讲解。通过本次培训，让学员掌握生态环境领域相关问题Meta分析的基本思路与基本步骤，且通过一步步讲解与上机操作，让学员具备解决实际问题的能力；
Meta分析简介
1、Meta分析简介
2、现状及发展趋势
3、基本思路
4、常用软件
数据库的构建
1、Meta分析选题
2、文献资料的搜集与初筛
3、数据库的建立
4、数据整合
Meta分析基础理论
1、效应值的选取、计算与转换
2、合并效应值的计算及异质性检验
3、非结构化数据、分组数据、连续数据
4、随机效应模型
5、广义线性模型
6、抽样检验
出版偏倚
1、图形分析法
2、秩相关检验法
3、失安全数
4、偏倚结果的矫正——“剪补法”
MetaWin 3.08
软件操作
1、效基础Meta分析
2、秩相关检验
3、剪补法
4、刀切法
5、累积Meta分析
6、分组分析/嵌套分组分析
7、Meta回归
8、广义线性模型
图形绘制
1、森林图
2、漏斗图
3、加权直方图及高斯拟合
4、正态分位数图
Python 数据挖掘与机器学习 (qq.com)
近年来，Python编程语言受到越来越多科研人员的喜爱，在多个编程语言排行榜中持续夺冠。同时，伴随着深度学习的快速发展，人工智能技术在各个领域中的应用越来越广泛。机器学习是人工智能的基础，因此，掌握常用机器学习算法的工作原理，并能够熟练运用Python建立实际的机器学习模型，是开展人工智能相关研究的前提和基础。因此，Ai尚研修推出全新的Python数据挖掘与机器学习课程，为各领域人员量身定制课程内容，让你畅学Python编程及机器学习理论与代码实现方法，从“基础编程→机器学习→代码实现”逐步掌握。
课程采用“理论讲解+案例实战+动手实操+讨论互动”相结合的方式，抽丝剥茧、深入浅出分析机器学习在应用时需要掌握的经验及编程技巧。此外，课程还将通过实际案例的形式，介绍如何提炼创新点，以及如何发表高水平论文等相关经验。旨在帮助学员掌握Python编程的基础知识与技巧、特征工程（数据清洗、变量降维、特征选择、群优化算法）、回归拟合（线性回归、BP神经网络、极限学习机）、分类识别（KNN、贝叶斯分类、支持向量机、决策树、随机森林、AdaBoost、XGBoost与LightGBM等）、聚类分析（K均值、DBSCAN、层次聚类）、关联分析（关联规则、协同过滤、Apriori算法）的基本原理及Python代码实现方法。
