芝加哥大学 The University of ChicagoMS in Analytics+ 查看更多
芝加哥大学 The University of Chicago
MS in Analytics
+ 查看更多
芝加哥大学分析科学硕士 (MScA) 的课程向未来的数据科学领导者传授高级编程和数据工程架构技能,以应对自动化机器学习、大数据和云计算平台以及即将到来的大规模工程,提供并行处理和实时 AI 解决方案。在专业学习中,会教授到一系列计算机科学技能、统计学、矩阵数学和编程语言。
MScA 致力于通过与芝加哥地区技术娴熟的企业合作项目并聘请讲师来保持最新的行业敏感度,芝加哥是全美数据密集型行业和具有前瞻性公司的顶级中心之一,学校的讲师在这个不断发展的领域中保持着优势。MScA 教授的技能几乎可以应用于任何行业,毕业生会继续在谷歌、麦肯锡、阿贡实验室、高盛、宝洁等公司工作。
- 掌握应用最先进的数据工程和软件技能以支持各种分析应用程序的高级能力
- 学习数据收集和准备方法,包括识别相关数据源、为分析准备数据以及自动化数据准备过程
- 深入了解已建立和最先进的统计建模、机器学习和人工智能技术
- 通过使用与战略业务问题相关的分析工具和真实数据集来设计和实施应用研究
- 建立有效的领导和沟通技巧,例如提出有影响力、实用的解决方案以及了解业务和分析策略之间的关系
项目时长
12-18个月
地理位置
美国 伊利诺伊州 芝加哥
- 成绩单
- 两封推荐信
- PS
请描述你的学术和职业目标,为什么要参加芝加哥大学分析学硕士课程,以及你希望在完成该课程后做什么。
陈述不应超过 750 字
- 简历/CV
- 托福/雅思成绩
托福102+
雅思7.0+
- 编程语言技能
- GRE/GMAT
GRE/GMAT 成绩是可选的
统计
统计概念简介:统计训练营
该课程涵盖理论分布以及这些分布用于在一定深度上为事件分配概率的方式。
向学生介绍描述性的统计方法,以探索和汇总数据,用于测量或分析的抽样单位的方法,基于从样本到总体的知识得出的推论,评估变量之间的关系以及基于变量之间的关系进行预测。
向学生介绍描述性的统计方法,以探索和汇总数据,用于测量或分析的抽样单位的方法,基于从样本到总体的知识得出的推论,评估变量之间的关系以及基于变量之间的关系进行预测。
基础课程
- 线性代数和矩阵分析
- 分析编程
- 本课程向没有事先编程经验的数据分析受众介绍基本的通用编程概念和技术。
- 目的是为学生提供必要的编程技能,使其在MSCA计划的其他课程中取得成功。
- 涵盖的主题包括:布尔值,数字,循环,函数,调试,R的规范(例如列表,数据框,因子,应用,RMarkdown),Python的详细信息(例如NumPy,Pandas,Jupyter笔记本),版本控制和docker。
4.例子是从数据分析中经常遇到的问题和编程模式中得出的。本课程的第一部分将使用编程语言R,第二部分将使用Python。
核心课程
- 用于业务应用程序的研究设计
除了理论和实验之外,大数据分析现在已经成为发现新知识的替代方法。
本课程涵盖分析研究过程,包括将业务问题转换为可研究的问题(可通过使用分析解决),
开发数据源以解决每个关键的可研究问题,以及将研究结果转化为业务含义。
通过完成课程,学生将能够:
提出业务问题;
绘制替代解决方案以制定计划;
确定潜在来源或相关数据;
了解可用于设计数据收集实验的分析原理;
向分析团队和非分析人员解释所选方法的优缺点。
本课程涵盖分析研究过程,包括将业务问题转换为可研究的问题(可通过使用分析解决),
开发数据源以解决每个关键的可研究问题,以及将研究结果转化为业务含义。
通过完成课程,学生将能够:
提出业务问题;
绘制替代解决方案以制定计划;
确定潜在来源或相关数据;
了解可用于设计数据收集实验的分析原理;
向分析团队和非分析人员解释所选方法的优缺点。
- 领导技能:团队,策略和沟通
在“领导技能:团队,策略和沟通”中,学生学习如何在团队中有效地工作,以识别,组织数据分析并将其传达给组织。
本课程的目标是:
(1)确定组织中可以从分析中受益的要点;
(2)从战略角度构造分析问题,从而确定业务影响;
(3)发展与他人,特别是高级领导者交流分析能力的能力;
(4)团队合作,成功实现这些目标和相关目标。在课程结束时,学生应具有描述适合于数据分析方法的业务问题的能力,可以从连贯的业务策略的角度定位这些问题,并向业务受众展示分析的力量。
(5)学生还应该了解如何利用团队的强大动力在数据分析领域实现卓越。
本课程的目标是:
(1)确定组织中可以从分析中受益的要点;
(2)从战略角度构造分析问题,从而确定业务影响;
(3)发展与他人,特别是高级领导者交流分析能力的能力;
(4)团队合作,成功实现这些目标和相关目标。在课程结束时,学生应具有描述适合于数据分析方法的业务问题的能力,可以从连贯的业务策略的角度定位这些问题,并向业务受众展示分析的力量。
(5)学生还应该了解如何利用团队的强大动力在数据分析领域实现卓越。
- 时间序列分析和预测
时间序列分析是一门科学,也是根据以前的记录做出合理预测的艺术。
在当今的商业环境中,它被广泛用于各个领域。
·航空公司使用时间序列来预测交通量并安排航班;
·金融机构通过股价序列衡量市场风险;
·营销分析师通过销售系列研究了新提议的广告的影响。
如何使用主流统计软件分析时间序列数据;
在当今的商业环境中,它被广泛用于各个领域。
·航空公司使用时间序列来预测交通量并安排航班;
·金融机构通过股价序列衡量市场风险;
·营销分析师通过销售系列研究了新提议的广告的影响。
如何使用主流统计软件分析时间序列数据;
- 统计分析
本课程中讲授的统计技术将使学生能够分析复杂的数据集并制定和解决现实世界中的问题,以促进数据驱动型决策。
在整个课程中,学生将通过学习理论,发展直觉并通过几个实际示例来学习统计推断和回归分析的概念和基础。
学生将精通解释标准回归输出以及进行模型选择和验证。
学生还将学习用于构建示例和作业练习的统计编程语言。
示例将使用SAS或R构建。学生将有很多机会将新概念应用于真实数据并开发自己的统计程序。
该课程还讨论了进行研究和开发工作产品时质量控制和可重复性的重要性。
在整个课程中,学生将通过学习理论,发展直觉并通过几个实际示例来学习统计推断和回归分析的概念和基础。
学生将精通解释标准回归输出以及进行模型选择和验证。
学生还将学习用于构建示例和作业练习的统计编程语言。
示例将使用SAS或R构建。学生将有很多机会将新概念应用于真实数据并开发自己的统计程序。
该课程还讨论了进行研究和开发工作产品时质量控制和可重复性的重要性。
- 数据挖掘原理
利用数据收集和分析的统计数据以及从经验中学习的机器学习算法
数据挖掘是应用统计数据和机器学习算法来发现可产生业务价值的模式和规则的过程。
本课程将向学生介绍常见的算法:
数据挖掘是应用统计数据和机器学习算法来发现可产生业务价值的模式和规则的过程。
本课程将向学生介绍常见的算法:
关联和顺序规则发现,
基于内存的推理,聚类,分类和回归决策树
基于内存的推理,聚类,分类和回归决策树
逻辑模型和神经网络模型。
学生还将学习如何在数据挖掘过程中比较分析结果并提出建议。
- 机器学习和预测分析
本高级数据挖掘课程将围绕现代预测分析以及机器学习算法和技术提供一系列实用的动手课程。
它将着重于数学理论上的实践,并且学生将花费大量的课堂时间,以使用R,Python和Linux库中的现有软件包来学习每种算法。
该课程将涵盖以下主题:
它将着重于数学理论上的实践,并且学生将花费大量的课堂时间,以使用R,Python和Linux库中的现有软件包来学习每种算法。
该课程将涵盖以下主题:
回归和逻辑回归,包括套索和弹性网技术的正则回归,支持向量机,神经网络,决策树,增强决策树和随机森林,均值和特殊聚类,生存分析
- 商业应用的线性和非线性模型
基于线性模型的统计推论的回顾,通过消除输出的高斯分布的假设扩展到线性模型(广义线性模型),
通过允许线性相关模型来扩展线性模型对模型残差(混合效应模型)进行建模,并通过放宽对输入进行线性组合的要求(非参数回归,方案切换)来扩展线性模型。
课程重点介绍了这些模型在各个领域的应用,并涵盖了构建分析的主要步骤,
从可视化数据,构建有关其结构和模式的直觉到选择适当的统计方法以解释结果以及构建分析模型。
使用R的数据分析项目可以说明主题。一定程度上不熟悉R是必要条件,而是建议。
学生可以按照示例说明学习编程语言。
从可视化数据,构建有关其结构和模式的直觉到选择适当的统计方法以解释结果以及构建分析模型。
使用R的数据分析项目可以说明主题。一定程度上不熟悉R是必要条件,而是建议。
学生可以按照示例说明学习编程语言。
- 用于分析的数据工程平台
有效的数据工程是建立分析驱动的市场竞争优势的重要第一步
现代数据工程平台通过自动化流程来减少人工数据准备,从而使公司能够专注于提高数据处理效率来开发有影响力的业务见解
本课程为学生提供了针对操作和分析用例的数据工程平台基础知识的透彻理解,同时获得了构建这些平台的动手专业知识,从而可以有效地开发分析解决方案
学生将有机会在使用编程或配置驱动的数据管道的同时,在云上或从真实数据集中构建关系数据库和分析数据库
学生将有机会在使用编程或配置驱动的数据管道的同时,在云上或从真实数据集中构建关系数据库和分析数据库
- 大数据平台
- 本课程教学生如何处理大数据和大规模机器学习应用程序。
- 尽管没有大数据的单一定义,并且存在与大数据一起使用的多个新兴软件包,但我们将介绍最流行的方法。
- 学生将学习包括Linux,大规模并行化和分布式计算在内的大数据基础架构,以及如何将Hadoop和Spark map-reduce概念应用于集群,相似性搜索,网络分析和分类。
- 在课程中,我们将介绍NoSQL系统的应用程序,例如JSON存储,对象存储和Elasticsearch。
- 本课程的云计算部分将重点介绍虚拟化和容器编排,包括虚拟机,泊坞窗和Kubernetes。
- 在课程中,学生将利用Hive,Pig
选修课
- 财务分析
- 市场营销分析
- 信用和保险风险分析
- 实时分析
- 数据可视化技术
- 健康分析
- 分析的优化和模拟方法
- 贝叶斯方法
- 理论与实践中的数字营销分析
- 高级机器学习和人工智能
- 自然语言处理和认知计算
- 实时智能系统
- 强化学习和高级优化
讲习班
Hadoop研讨会
Linux Workshop
Python工作坊
R工作坊
深度学习和图像识别
大数据分析中的伦理
适用于分析的Python
分享到:
相关专业申请 - 统计Stat
相关专业申请 - 统计Stat
相关专业申请 - 经济Economics
相关专业申请 - 经济Economics
相关专业申请 - 公共政策MPP
相关专业申请 - 公共政策MPP