>> 核心模块
模块内容将包括经典和贝叶斯统计推断方法的全面基础，并介绍统计方法的选定最新发展。由于理学硕士学生在统计方面具有不同的背景知识，因此我们重新开始。在课程结束时，您将拥有扎实的基础统计学背景和某些领域的高级知识。
探索性数据分析（数值和图形测量）
R 的实践介绍，练习以学习 R 的基础知识
辛普森悖论，均值回归，相关性与因果关系
简单线性回归；相关系数、SD线、回归线
多元线性回归; 诊断图、假设检验、方差分析
结构化数据（来自简单的实验设计）
广义线性模型；泊松和二项式数据
列联表和非参数检验
>> 可选模块
数据科学高级主题
该模块将由三个选定的统计学和计算机科学主题组成。主题可能每年都在变化，前几年的一些例子包括自然语言处理的深度学习、决策树和随机森林、模型比较和选择、人工神经网络、强化学习简介和书面文字建模：压缩和人机界面。
高级主题的贝叶斯预测和干预
预测是决策的重要前提。本课程提供了一种非常强大的基础概率方法来预测、控制和学习不确定的商业、金融、经济、生产、环境和医疗动态系统。该理论将通过来自工业、市场营销、金融、政府、农业等领域的实例加以说明。熟悉本模块中的材料对于所有计划从事工业、商业或政府统计工作的学生都非常有用。
具有高级主题的应用随机过程
本模块介绍了现代应用概率论和运筹学的基础概念和技术：队列模型、点过程模型和流行病模型。此外，您将学习平衡、阈值行为和结构描述的概念。本模块中提出的想法具有广泛的应用，例如电信中的路由算法（队列）、天文数据中表观空间顺序的评估（随机几何）以及疾病爆发的描述（流行病）。
具有高级主题的医学统计
统计学在医学上的现代应用得到了高度发展，许多医学研究论文都采用了统计技术。大量统计学家受雇于医学研究机构，尤其是制药公司和医学院。医学统计仍然是统计招聘的热门领域。本课程将解释为什么以及如何在医学中使用统计数据，并研究医学研究中常用的一些统计方法。我们将包括我们自己研究的例子。应用于医学数据的统计技术也适用于其他应用。
蒙特卡罗方法
在对现实世界现象建模时，统计学家经常面临以下两难选择：我们应该选择易于计算的标准模型，还是使用更现实的模型，该模型不适合分析计算，例如确定均值和 p 值。我们在各种各样的应用领域都面临着这样的选择，我们将在本模块中遇到其中的一些领域。这些包括金融模型、遗传学、聚合物模拟、目标跟踪、统计图像分析和缺失数据问题。随着现代计算机技术的出现，我们不再局限于标准模型，因为我们可以使用基于模拟的推理。
设计高级主题的实验
设计实验用于工业、农业、医学和许多其他活动领域，以检验假设、了解过程并预测未来的反应。实验的主要目的是确定响应变量与假定影响它的许多实验变量（或因素）的设置之间的关系。实验设计是确定实验运行的数量和顺序（空间或时间）以及实验变量设置的学科。
具有高级主题的多元统计
只要同时测量多个相互依赖的变量，就会出现多元数据。这种高维数据正在成为许多领域的规则，而不是例外：医学、社会和环境科学以及经济学。对此类多维数据的分析常常提出令人兴奋的挑战，需要新的统计技术，这些技术通常使用计算机程序包来实现。本模块旨在让您对这些技术所基于的几何和代数思想有一个良好而严格的理解，然后再让您有机会在一些真实的数据集上尝试它们。
统计前沿
每个主题将由不同的讲师介绍，他们是研究领域的专家。这些讲座旨在介绍一个特定的研究主题，提供一个简短的概述并激发您对该特定领域的兴趣。作为一个整体，该模块给出了一个（必然是部分和不完整的）系内研究兴趣和专业知识广度的概念，因此应该帮助您发现统计学和概率论研究领域的广泛性，这些研究领域处于前沿兴趣。
