显示模板-统计DS
安娜堡

密歇根大学安娜堡分校
数据科学硕士


简 介

  • 数据科学通常被认为是计算机和信息科学,统计科学,以及某行业专业知识的汇合,代表了数据科学的核心方法和实用技术

  • 数据科学的核心课程培养了数据分析的核心方法和技术,学校的Capstone项目帮助学生将数据分析的方法和技术应用于现实的行业中

  • 数据专家通常需要两方面的技能,即统计技能,如统计学和生物统计学系教授的技能,以及计算技能,如计算机科学与工程系和信息学院教授的技能

项目优势:

· 培养学生建立相关数据集
 
· 将合适的统计和计算工具应用于数据集,以解决个人、组织或政府机构提出的问题
 
· 引导学生设计和评估实用的数据分析程序
 
· 帮助学生在多计算机环境中的大型异构数据集上有效地实现这些分析程序

项目时长:1到2年全日制

项目授课地点:美国 密歇根 安娜堡
申请要求

学术


  • 申请人必须具有学士学位或认可机构的认可同等学历

  • 申请人应该拥有数据科学、计算机科学、信息、工程、物理学、统计学或数学学位 

  • 不强制要求数据科学本科专业

  • 先决条件:
2 个学期的大学微积分、1 个学期的线性或矩阵代数以及 1 个计算机课程介绍


TOEFL


总分:84+;Reading  23; Listening  23; Writing  21

GRE


不强制,但建议递交

IELTS


总分:6.5+

其他要求




申请流程

第1步:准备好申请文件

  • 推荐信
两封推荐信,最多不超过三封


  • SOP
The Statement of Purpose gives you an opportunity to tell us about yourself and your reasons for wishing to pursue a graduate degree in Data Science at Michigan. You should tell us about your background, motivating influences that aroused your interest in Data Science, and your career goals and objectives. If you are currently enrolled in a graduate program elsewhere, you should tell us why you wish to change institutions or degree programs.

  • PS
How have your background and life experiences, including cultural, geographical, financial, educational or other opportunities or challenges, motivated your decision to pursue a graduate degree at the University of Michigan? For example, if you grew up in a community where educational, cultural, or other opportunities were either plentiful or especially lacking, you might discuss the impact this had on your development and interests. This should be a discussion of the journey that has led to your decision to seek a graduate degree. The statement will be read by the faculty members of the admissions committee. The personal statement has a 500 word limit and should be different from your academic statement of purpose.

  • Resume

第2步:需要的其他文件

  • 扫描并上传每所就读大学的学校颁发的成绩单
  • 官方学位证书(申请时如未毕业可不提供)
  • 不强制提交 GRE 成绩
  • 提交英语语言能力成绩
  • 护照复印件
  • 本科和/或研究生学位的记录 

第3步:在线填表申请
4步:递交申请费

GT备考
  • 核心课程

MATH 403: Introduction to Discrete Mathematics

EECS 402: Programming for Scientists and Engineers

EECS 403: Data Structures for Scientists and Engineers

* 以下核心课程选一门:

BIOSTATS 601: Probability and Distribution
 
STATS 425: Introduction to Probability
 
STATS 510: Probability and Distribution

以下核心课程选一门:

BIOSTATS 602: Biostatistical Inference
 
STATS 426: Introduction to Theoretical Statistics
 
STATS 511: Statistical Inference

所有学生都必须选择以下选修课:

EECS 409: Data Science Colloquium

Expertise in Data Management and Manipulation

以下核心课程选一门:

EECS 484: Database Management Systems
 
EECS 584: Advanced Database Systems

以下核心课程选一门:

EECS 485: Web Systems
 
EECS 486: Information Retrieval and Web Search
 
EECS 549/SI 650: Information Retrieval
 
SI 618: Data Manipulation Analysis
 
STATS 507: Data Science Analytics using Python

Expertise in Data Science Techniques

以下核心课程选一门:
BIOSTAT 650: Applied Statistics I: Linear Regression
 
STATS 500: Statistical Learning I: Linear Regression
 
STATS 513: Regression and Data Analysis

以下核心课程选一门:

STATS 415: Data Mining and Statistical Learning
 
STATS 503: Statistical Learning II: Multivariate Analysis
 
EECS 505: Computational Data Science and ML
 
EECS 545: Machine Learning
 
EECS 476: Data Mining
 
EECS 576: Advanced Data Mining
 
SI 670: Applied Machine Learning
 
SI 671: Data Mining: Methods and Applications
 
BIOSTAT 626: Machine Learning for Health Sciences


Capstone

STATS 504: Principles and Practices in Effective Statistical Consulting
 
STATS 750: Directed Reading
 
EECS 598: Special Topics (Specific sections approved on a semesterly basis)
 
EECS 599: Directed Study
 
SI 691: Independent Study
 
SI 699-004: Big Data Analytics
 
BIOSTAT 610: Reading in Biostatistics
 
BIOSTAT 698: Modern Statistical Methods in Epidemiologic Studies
 
BIOSTAT 699: Analysis of Biostatistical Investigations

选修课:

* Principles of Data Science

BIOSTAT 601 (Probability and Distribution Theory) 

BIOSTAT 602 (Biostatistical Inference) 

BIOSTAT 617 (Sample Design) 

BIOSTAT 626 (Machine Learning Methods) 

BIOSTAT 680 (Stochastic Processes) 

BIOSTAT 682 (Bayesian Analysis) 

EECS 501 (Probability and Random Processes) 

EECS 502 (Stochastic Processes) 

EECS 545 (Machine Learning) 

EECS 551 (Matrix Methods for Signal Processing, Data Analysis and Machine Learning) 

EECS 553 (Theory and Practice of Data Compression) 

EECS 559 (Optimization Methods for SIPML) 

EECS 564 (Estimation, Filtering, and Detection) 

SI 670 (Applied Machine Learning) 

STATS 451 (Introduction to Bayesian Data Analysis) 

STATS 470 (Introduction to Design of Experiments) 

STATS 510 (Probability and Distribution Theory) 

TATS 511 (Statistical Inference) 

STATS 551 (Bayesian Modeling and Computation)

Data Analysis

BIOSTAT 645 (Time series) 

BIOSTAT 651 (Generalized Linear Models) 

BIOSTAT 653 (Longitudinal Analysis)

BIOSTAT 665 (Population Genetics) 

BIOSTAT 666 (Statistical Models and Numerical Methods in Human Genetics) 

BIOSTAT 675 (Survival Analysis) 

BIOSTAT 685 (Non-parametric statistics) 

BIOSTAT 695 (Categorical Data) 

BIOSTAT 696 (Spatial statistics) 

EECS 556 (Image Processing) 

EECS 659 (Adaptive Signal Processing) 

STATS 414 (Topics in Applied Data Analysis 

STATS 501 (Statistical Analysis of Correlated Data) 

STATS 503 (Statistical Learning II: Multivariate Analysis) 

STATS 509 (Statistics for Financial Data) 

STATS 531 (Analysis of Time Series) 

STATS 600 (Linear Models) 

STATS 601 (Analysis of Multivariate and Categorical Data) 

STATS 605 (Advanced Topics in Modeling and Data Analysis) 

STATS 700 (Topics in Applied Statistics)

* Computation

BIOSTAT 615 (Statistical Computing) 

BIOSTATS 625 (Computing with Big Data) 

EECS 481 (Software Engineering) 

EECS 485 (Web Systems) 

EECS 486 (Information Retrieval and Web Search) 

EECS 504 (Computer Vision) 

EECS 542 (Advanced Topics in Computer Vision) 

EECS 549/SI 650 (Information Retrieval) 

EECS 548/SI 649 (Information Visualization) 

EECS 572 (Randomness and Computation) 

EECS 586 (Design and Analysis of Algorithms) 

EECS 587 (Parallel Computing) 

EECS 592 (Artificial Intelligence) 

EECS 595/SI 561 (Natural Language Processing) 

SI 608 (Networks) 

SI 618 (Data Manipulation and Analysis 

SI 630 (Natural Language Processing (Algorithms and People) 

SI 671 (Data Mining: Methods and Applications) 

STATS 406 (Computational Methods in Statistics and Data Science) 

STATS 507 (Data Science Analytics using Python) 

STATS 506 (Computational Methods and Tools in Statistics) 

STATS 606 (Statistical Computing) 

STATS 608 (Monte Carlo Methods and Optimization Methods in Statistics)


统计Stat & 数据科学DS专业 - 常申院校
点击院校了解具体详情

模板留学服务-统计DS
留学录取案例
返回 统计Stat & 数据科学DS专业 - 留学申请方案
分享到:
分享到:
更多专业常申院校
  • 芝加哥
    美国 - 芝加哥大学
    【公共政策】

    国家:美国
    位置:伊利诺伊·芝加哥
    简介:常年稳居全美前10
    建校:1890年


    >>点击查看学校详情


  • 美国-杜克
    美国 - 杜克大学
    【公共政策】

    国家:美国
    位置:北卡·达勒姆
    简介:常年在全美前10
    建校:1838年


    >>点击查看学校详情


  • 美国-CMU
    美国 - 卡内基梅隆CMU
    【商业情报与数据分析】

    国家:美国
    位置:宾州·匹兹堡
    简介:计算机类大牛校
    建校:1900年


    >>点击查看学校详情


  • 1
    美国 - 宾夕法尼亚大学
    【公共政策】

    国家:美国
    位置:宾州·费城
    简介:常春藤Ivy盟校
    建校:1740年


    >>点击查看学校详情


  • 香港大学
    香港 - 香港大学
    【公共管理MPA】

    国家:中国香港
    位置:香港·薄扶林道
    简介:亚洲常春藤
    建校:1911年


    >>点击查看学校详情


  • 美国-哥大
    美国 - 哥伦比亚大学
    【商业分析BA】

    国家:美国
    位置:纽约州·纽约
    简介:美国常春藤Ivy盟校
    建校:1754年


    >>点击查看学校详情


  • 美国-康奈尔
    美国 - 康奈尔大学
    【公共管理】

    国家:美国
    位置:纽约州伊萨卡
    简介:常春藤盟校八成员之一
    建校:1865年


    >>点击查看学校详情


  • 美国-宾大UPenn
    美国 - 宾夕法尼亚大学
    【计算机与信息技术】

    国家:美国
    位置:宾州·费城
    简介:常春藤Ivy盟校
    建校:1740年


    >>点击查看学校详情


  • 美国-西北大学
    美国 - 西北大学
    【统计】

    国家:美国
    位置:伊利诺伊·埃文斯顿
    简介:常年稳居全美前10
    建校:1851年


    >>点击查看学校详情


  • 美国-JHU
    美国 - JHU
    【应用数学与统计学】

    国家:美国
    位置:马里兰·巴尔的摩
    简介:连续多年美国前十
    建校:1879年


    >>点击查看学校详情


常申专业解析
+