新加坡国立大学 NUS

MS in Business Analytics

+ 查看更多

学生必须完成总共 44 个模块学分，其中包括 8 个模块（5 个基本模块和 3 个选修课）和 1 个capstone project。

基本模块

学生将完成 5 个基本模块，为商业分析奠定跨学科基础，并在假定的学科边界之外进行严格的学习。这涵盖了 NUS 教育框架中计算机科学、统计学和其他专业学科之间的接口。了解本科一年级数学，特别是微积分和线性代数和编程知识的学生将具有优势。

管理经济学分析
在本模块中，学生将研究价格形成、不完全竞争市场中的经济表现、博弈论、信息经济学和实证模型。

数据管理和仓储
学生将学习数据库概念、设计和查询以及数据仓库的概念、设计和查询。

运筹学与分析
本模块侧重于与业务决策相关的模型构建、解决方法和结果解释。

商业分析的基础
本模块旨在为数据分析技术和应用奠定基础。它旨在：
(1) 强调对工具背后的直觉的理解，而不是数学推导
(2) 结合现实世界的数据集和分析项目，帮助学生连接理论和实践
(3) 让学生亲身体验使用数据分析软件将概念和想法形象化，并练习解决问题
该模块涵盖了常用的分析工具，例如逻辑回归和决策树。

高级分析和机器学习
本模块对高级数据分析方法进行了一般性介绍。它是第一个基础模块的续集，涵盖了高级决策树技术、支持向量机、无监督、半监督和强化学习。

选修课程

除了基本模块外，学生还必须从以下垂直领域中最多两个领域中选修三个选修模块。
这些选修模块将帮助他们深入了解特定行业部门所需的不同分析技术，并以在基本模块中学到的知识、概念和技能为基础。通过这些选修模块，学生可以创新、设计和改进解决复杂问题的技术和工具。

大数据分析技术

·大数据分析
学生学习分析计算机内存中无法容纳的数据，并将此类分析应用于 Web 应用程序。主题包括 map-reduce 作为一种用于创建对大量数据进行操作的并行算法的工具、相似性搜索、数据流处理、搜索引擎技术和超大型高维数据集的聚类。

·云计算
学生将大致了解云计算的设计、管理和应用。主题包括管理虚拟化、云计算环境、云设计模式和用例、数据中心架构和技术、云服务实现和保证、云资源的编排和自动化、云容量管理、云经济学、案例研究。

·神经网络和深度学习
学生获得深度神经网络的知识以及将深度学习方法有效应用于现实世界问题的能力。学生设计、开发和评估基于深度学习的解决实际问题的解决方案，例如计算机视觉、生物信息学、金融科技、网络安全和游戏领域。

消费者数据分析

商业分析实践（消费者）
学生从设计、数据收集、执行和演示中学习分析项目的所有阶段。学生通过组织中的数据管道使用技术工具和统计方法，重点是因果分析和计量经济学识别技术。学生在向同行、教师、投资者和行业专家开放的公共活动中展示他们的项目。

网络科学与分析概论
本单元旨在向学生介绍网络科学与分析领域，该领域在网络理论、统计分析和商业智能的融合中迅速崛起。学生将学习网络基础知识、计算技术和数据集的实践经验以及接触业务应用程序。

财务与风险分析

金融科技、支持技术和分析
学生通过区块链和人工智能 (AI) 等行业使用的真实案例研究和技术了解金融科技和相关技术的当前发展。

定量风险管理
学生学习金融和非金融机构用来模拟市场、信用和操作风险的概率和统计方法。涵盖的主题包括损失分布、多元模型、依赖关系和连接函数、极值理论、风险度量、风险聚合、风险分配和供应链风险管理。

医疗保健分析

医疗技术评估中的经济方法
学生通过医疗技术评估 (HTA) 了解他们如何进行自己的研究并了解其他人的研究。该模块还包括健康计量经济学、医疗保健中的成本效益和经济评估以及联合分析。

医疗保健分析
学生深入了解医疗保健分析，包括与临床相关和与医疗保健运营相关的分析，以及他们如何选择正确的技术来解决相关问题。

医疗保健
中的信息技术 学生学习信息技术 (IT) 在新加坡医疗保健中的使用，以及他们如何在工作场所成功管理和评估 IT 项目。

统计建模

高级概率论
该模块涵盖概率测度及其分布函数；随机变量，例如数学期望、独立性、条件概率和期望的性质；收敛概念，例如随机变量序列的各种收敛模式；几乎肯定收敛，Borel-Cantelli 引理，一致可积性，矩收敛；弱大数定律和强大数定律；分布趋同；特征函数，例如一般性质、卷积、唯一性和反演、林德伯格条件和中心极限定理。

高级统计理论I
本模块使用弱大数定律、中心极限定理、Slutsky定理、delta方法和方差稳定变换；统计模型；充分性和内曼分解准则；分数；指数族；估计方法，如矩、最大似然、最小二乘；估计的最优性；无偏性、最小方差、完整性、UMVU 估计；Rao-Blackwell、Cramer-Rao、Lehmann-Scheffe 的定理；一致性; MLE、贝叶斯、极小极大的大样本理论；置信区间、P 值、经典 (Neyman-Pearson) 检验、UMP 检验、似然比检验、功效、Wald 检验、Rao 分数检验以及似然比检验在回归中的应用。

应用统计高级主题
本模块涵盖需要高水平统计计算和优化的主题，例如判别分析、机器学习、高维和错误发现率、随机搜索、MCMC、蒙特卡洛积分、核舒缓和 EM 优化方法。

应用回归分析
本模块使用多元回归、模型诊断、补救措施、变量选择技术、非最小二乘估计、非线性模型、方差的一因素和二因素分析、协方差分析和线性模型作为特殊情况广义线性模型。

分类数据分析 II
本模块使用分类响应数据和列联表、对数线性模型、构建和应用对数线性模型、序数变量的对数线性和对数模型、多项响应模型。

非参数回归
该模块使用各种平滑方法，包括核、样条、最近邻、正交序列和惩罚似然。

生存分析
本模块涵盖生存时间的概率模型、图形程序、推理程序、参数和非参数模型、cox 比例风险模型、分组数据的回归模型、贝叶斯预测分布。

NUS MSBA 专业咨询 Capstone 项目
与行业相关的专业咨询顶点项目分析并为当今现实世界的业务分析问题提供解决方案。它使学生能够沉浸在现实世界的商业环境中，并为商业分析社区做出建设性的贡献。

将是一个为期一年的模块，包括Capstone课程、行业分析、研讨会。