西北大学 Northwestern University
分析硕士 MS in Analytics
+ 查看更多

简介

虽然许多项目只关注分析的一个方面，如建模或数据挖掘，但我们的项目为学生提供了一个严格的课程，涉及分析的所有三个领域：

predictive (forecasting)

“好”的预测并不易得，尤其是“量化”的精准预测
问题1：影响预测效果的关键因素是什么？这往往可以通过驱动力分析(Driver analysis)来解决，实现起来相对比较容易。
问题2：被识别出的这些关键因素具体是怎样作用于结果变量，从而使其发生变化的？这往往需要建立一个 “量化”模型，以模拟或预测当关键因素的一个或多个发生改变时带来结果变量的变化量，实现起来相对比较困难。

预测性研究(Predictive research)

预测模型(Forecasting model)

descriptive (business intelligence and data mining)

商业智能和数据挖掘

prescriptive (optimization and simulation)
优化和模拟

课程为基础，并辅以案例研究，团队项目和行业演讲嘉宾，以确保基于商业现实的学术经验。这种整体方法使毕业生能够通过经验的眼光解决以数据为中心的复杂业务挑战，胜任数据工程，数据科学，机器学习，人工智能和分析业务。

所在院系
工业工程与管理科学系

项目目标

在组织环境中识别和评估数据使用的机会，需求和约束
整合数据工程和数据科学以最大化数据价值
开发和部署机器学习和人工智能解决方案，以提高客户的目标和需求
设计创新的数据分析解决方案
与各种受众清晰，有说服力地进行交流
领导分析团队和项目

培养目标

商业
学生将强大的商业头脑，沟通技巧和管理能力整合到他们的工作中

数据工程和IT
学生现在学习如何构建端到云端解决方案，进行Java，Javascript，Python和R的培训，为进入高科技岗位做好准备。

数据科学
学生使用行业领先的工具（例如Spark，TensorFlow，AWS，SQL，Hadoop）探索数据分析的所有三个领域-预测（预测），描述性（商业智能和数据挖掘）和描述性（优化和模拟），Hive，Tableau和D3。

行业合作

实习项目
学生参加为期8个月的实习项目

Capstone项目
从暑期实习返回后，在该计划的第五个也是最后一个季度，学生参加了为期10周的Capstone项目，旨在展示该计划中获得的技能。

地理位置
伊利诺伊州东北部城市埃文斯顿

项目时长
15个月

每年大约有40名学生报名参加该竞争性MSiA计划，其学术兴趣从人文科学到工程学和计算机科学。

工作经验

无工作经验 50％
1-2年 13％
3-5年 30％
本科平均工作经验 1.5年

学术专业背景

数学与统计 43.5％
工程与计算机科学 28.3％
经济学和社会科学 19.6％
业务及管理 6.5％
自然科学 2.1％

TOEFL：95，IELTS：7.5（每年会有变动）

个人陈述

您为什么对分析感兴趣？此外，您为什么要申请西北大学的分析学理学硕士课程？
您希望在课程期间加强哪些技能或能力？
请描述一下将在未来5年内影响分析的趋势吗？
西北大学分析科学硕士课程毕业后，您的职业目标是什么？

成绩单

录取后需要提交WES认证

三封推荐信

GRE或GMAT

GRE代码：3672
GMAT代码： 6WZTL36

语言成绩

托福代码： 3144

在英语系国家获得学位可以豁免

简历

候选视频（可选）

What is motivating you as you consider a degree in analytics and how do you hope that the MS in Analytics program will help you achieve your goals?
Describe your approach to analytics problems, what excites you about analytics project work, and your leadership style/capabilities.

补充材料（可选）

例如证书或课程说明

先决条件

候选人应具有定量学科和IT /程序设计方面的深厚背景或才华。

秋季（第一学期）

行业实践

MSiA学生正在从事行业提供的实习项目。该计划与行业合作伙伴紧密合作，共同开发一个项目，使学生有机会将其并行课程直接投入实践。学生直接与公司数据科学团队合作，确定项目范围，向客户提出详细的建议，评估和清理数据（必要时重新检查范围），进行分析，并在最终演示过程中提供可交付成果。学生必须定期与客户，教职技术顾问和业务顾问会面。

Everything Starts with Data

通过项目和成功案例涵盖基本分析概念的入门课程
本课程的重点是通过多个项目使学生面对分析方面的挑战和机遇。大部分材料和讲授将基于计算机。
1.确定基于分析的项目的主要组成部分
2.了解所有涉及的过程
3.与可交付成果见面
4.与“客户”一起工作
5.创造性地考虑数据的潜在业务价值

数据库和信息检索简介

数据模型和数据库设计；SQL，分布式数据库和信息检索
教给“数据科学”从业者必不可少的数据工程技能，尤其是如何使用SQL语言在现代关系数据库管理系统（例如MySQL，postgress）中建模，组织，存储和分析数据。
学生将使用复杂的数据模式（例如GPS坐标，UTF-8，整数，浮点数）访问和分析现实世界的数据集（例如Yelp，stackoverflow）
尽管我们可能会在适当的时候不时地深入研究数据库系统的内部工作，并讨论它们的构建方式和所使用的算法，但这并不是重点
与数据有关，但与统计信息，可视化或编程无关（SQL除外，这将进行详细介绍）

课程目标
了解标准数据格式（例如，整数，FP，定点，UTF-8，时间，JSON，XML）的表示细节和操作
对复杂的数据集及其关系建模，以创建有效的关系数据库
使用一系列SQL表使用实际数据创建和填充数据库
使用SQL访问和分析关系数据库中的复杂数据（选择，联接，集合，量词，谓词，视图，网络上的递归查询）
在SQL中设计和执行数据完整性规则（级联，空值，触发器，异常，冲突解决）

使用在线交易访问数据
了解并有效使用现代系统优化（索引，分区，内存层次结构）

预测分析I

该课程涵盖多元回归，逻辑回归，判别分析，广义线性模型和Cox比例风险回归。R软件用于将这些方法应用于实际数据集。需要一个涉及大型数据集预测模型的小组项目。
面向对象的编程，数据结构和算法

课程目标
学习使用常见的参数回归和分类建模技术来开发用于中型到大型数据集的预测模型。
了解这些方法背后的一些基本理论

Java和Python编程简介

面向对象的编程，数据结构和算法。

冬季学期

行业实践

通过分析产生业务价值

关于分析和强大的沟通技巧如何推动业务价值的一门实用课程
当今的企业已经“疯狂数据”，投入大量资源寻求更好，更快的信息以及可操作的深刻见解。
许多人认为，数据是“新油”，助长了当今的行业和关键任务功能。
但是，在这种数据丰富的环境中成功的人不会仅仅因为可用数据的数量和速度而参与分析。
相反，当今在分析上很成功的公司专注于数据如何产生业务价值

课程目标
了解分析与业务价值之间的联系
制定使用分析法解决重要业务问题的策略，
认识到不同业务环境中分析决策的差异，并且
成为更有效的分析从业人员和沟通者，帮助企业实现目标

数据可视化

可视化原理，记分卡，仪表板，与图形的交互，讲故事和D3
企业，政府实体和人类活动正在以越来越高的速度和越来越复杂的方式生成各种数据。
本课程的目的是向学生介绍关键的设计原理和技术，这些原理和技术可以增进对复杂数据的理解，并获得有关数据的宝贵见解。
良好的可视化效果可以直观地解释数据，还可以提高理解，沟通和决策的能力。
将介绍用于创建有效数据可视化的概念，技术和方法。
本课程还将着重于如何清晰有效地呈现信息。

数据挖掘

clustering (k-means, partitioning, mixture models), dimension reduction (principal components/factor analysis), recommender systems (association rules, content-based and collaborative filtering, matrix decomposition methods), and customer lifetime value.
课程是有关统计学习模型的三门课程序列的一部分，
该课程包括MSiA 401（数据挖掘的统计方法）和420（预测分析）。
课程将定义“数据挖掘”，并讨论其与“概率/统计模型”的关系。
两种方法都包括两种类型的模型，即监督学习模型，其目的是在多个观测变量的联合密度中发现结构并对其建模。
课程的重点是理解和使用无监督的学习方法，并将这些方法应用于公司的大型真实世界数据集。
班级通常将这些方法应用于涉及客户细分，个性化联系点和量化这些行为的长期影响的项目。

预测分析II

非参数回归和分类方法，包括基本概念，各种非线性预测建模方法和算法以及对结果的理解和解释。时间序列预测简介。

春季学期

行业实践

分析价值链

本课程教授将基于机器学习的解决方案从概念转移到生产应用程序以及A / B测试和实验设计所需要的内容
从数据科学中获取价值不仅仅需要开发完美的算法。
实际上，分析只是分析价值链中的一步。
该课程将教数据科学家如何将基于机器学习的解决方案从POC转移到生产以及实验设计，以确保已部署的解决方案对关键业务指标产生预期的影响。

课程目标
编写生产就绪代码
应用最佳实践进行代码和模型测试以及质量保证
应用支持数据科学和机器学习的数据基础架构原理
使用云服务开发和部署机器学习模型
在模型生命周期的每个步骤最大化价值
开发可再现的机器学习模型
建立有效的数据管道以支持模型开发和部署
设计有效的实验以测试新的软件功能和机器学习模型

大数据分析

着重于Hadoop，非结构化数据概念（键值），MapReduce技术和大数据分析

课程目标
了解分布式计算和数据库
在MapReduce中实施复杂的算法
使用配置单元
使用NoSQL数据库Hbase
使用Spark

商业智能数据管理简介

在线分析处理（OLAP），尺寸建模和数据流。

深度学习

深度学习模型（生成式和区分式），CNN，RNN和反向传播。

夏季学期

10周的实习

秋季学期（第二年）

Capstone Design Project

数据科学家的领导力见解和技能

本课程借鉴了数十年来有关情商的研究和最佳实践。
有效的领导要求我们在与他人的关系中发挥最大的才能，既要担任正式的领导角色，又要与同事进行非正式的日常互动
本课程旨在提高学生的自我意识，了解他人的能力以及他们自己的行为如何影响他们与他人的互动。
教师领导者充当教练和促进者的角色，通过一系列顺序的体验练习，个人反思任务，小组讨论和课堂讨论以及最终小组项目来指导学生。
如果认真对待，学生应该更清楚地了解自己作为领导者的身份（正式或非正式），在特定的专业情况下必须提供的条件以及与同事建立富有成效的关系的工具。

Text Analytics

介绍各种实用的自然语言处理任务/技术，重点关注行业主题和最新系统。

Elective选修

人工智能的强化学习，
医疗保健分析
信用风险管理的预测模型
优化与启发式或社交网络分析