核心课程：
STAT 410 概率论和数理统计
包括矩生成函数，随机变量的转换，正常采样理论，充分性，最佳估计量，最大似然估计量，置信区间，最有效的检验，无偏检验和卡方检验
STAT 510 数学统计
分布，变换，阶数统计，指数族，充分性，增量方法，Edgeworth展开；一致最小方差无偏估计量，Rao-Blackwell定理，Cramer-Rao下界，信息不等式；等方差。
STAT 425 应用的回归和设计
探索线性回归，最小二乘估计，F检验，残差分析，回归诊断，转换，模型构建，因子设计，随机完整块设计，拉丁平方，分割图设计。计算机工作是该课程的组成部分。
以下课程多选1
STAT 424 差异分析
线性模型中的估计和假设检验；更高方式的布局；布局不完整；协方差分析；以及随机效应模型和混合模型。
STAT 426 采样和分类数据
采样：简单的随机，分层，系统，聚类和多阶段采样。分类数据：多向列联表，最大似然估计，拟合优度检验，模型选择，逻辑回归。计算机工作是该课程的组成部分。
STAT 429 时间序列分析
研究时间序列的理论和数据分析；检验自回归移动平均模型的建立和统计技术；并讨论了使用窗口周期图和快速傅立叶变换的光谱模型构建和统计分析
STAT 430 应用统计
制定和分析随机现象的数学模型；广泛参与真实数据的分析；并根据需要提供统计和计算技术方面的指导。
STAT 432 统计学习基础知识
涵盖了有监督和无监督学习中的主题，包括逻辑回归，支持向量机，分类树和非参数回归。讨论了这些技术的模型构建和特征选择，重点是正则化方法（例如套索和岭回归）以及使用交叉验证进行模型选择和评估的方法。引入聚类分析和主成分分析作为无监督学习的示例。
STAT 578 统计学主题
STAT 440 统计数据管理
本文介绍了最终导致数据分析的数据存储，数据清理和数据提取的关键要素。包括数据库的基本理论和方法，审计和查询数据库，以及使用标准大型统计软件进行的数据管理和数据准备。学生将获得存储，清理和管理数据所需的技能，这些都是数据分析之前所必需的。
STAT 448 高级数据分析
讨论了几种最广泛使用的数据分析技术，重点是统计计算。主题包括线性回归，方差分析，广义线性模型和分类数据分析。此外，还提供了有关数据挖掘的介绍，其中考虑了分类，模型构建，决策树和聚类分析。
以下课程2选1
STAT 428 统计计算
检查统计数据包，线性和非线性模型的数值分析，图形以及随机数生成和蒙特卡洛方法。
CS 412
STAT 542 统计学习
讨论了预测建模，分类和聚类的现代技术。这些示例包括线性回归，非参数回归，核方法，正则化，聚类分析，分类树，神经网络，增强，区分，支持向量机和模型选择。讨论了应用程序以及计算和理论。
以下课程2选1
STAT 525 计算统计
各种主题，例如岭回归；稳健回归；折刀，引导程序，交叉验证和重采样计划；EM算法；投射追求；都具有强大的计算风格。
STAT 571 多元分析
在强调多元正态分布的多元统计总体中进行推断；测试，估计和抽样分布的推导；以及自然科学和社会科学的实例。
