应用数据科学
提供实用的数据驱动分析科学的广泛实践经验，从基本数据处理、管理、清理和预处理，到分析、低级和高级软件使用，再到结果的评估和报告。
数据科学统计
涵盖的主题包括： 概率法则。离散和连续随机变量。贝叶斯定理。期望、方差和相关性。条件分布和边际分布。常见分布包括正态分布、二项分布和泊松分布。包括最大似然在内的统计估计。假设检验和置信区间。
机器学习 1
涵盖的主题通常包括：参数估计的数值优化；算法无监督学习（例如 k 均值聚类和主成分分析）；分类和回归的判别方法；基本参数线性模型（例如广义线性模型）、参数非线性模型（例如决策树）、非参数模型（例如 k-最近邻）和集成方法。
Software technologies for data science
第一部分将介绍数据科学的相关编程语言（例如 Python）：通用计算、数据科学基本库的使用（例如 Python 环境下的 Numpy、Scipy、Matplotlib、Scikit-learn）以及底层的数值和性能因素。
第二部分将从存储和计算的角度介绍数据结构、数据库系统和软件技术在可扩展性方面的应用。
应用统计
广义线性混合模型在实际情况中的应用。制定统计问题。选择合适的分析方法，建立模型，验证假设。使用现实生活中的数据。以适当的格式呈现结果。
Statistical design of investigations
了解实验和观察研究设计的统计方面，以及统计分析的相关方法。
统计建模
多元线性回归：一般线性模型、诊断、转换和变量选择的推理技术。广义线性模型：分布的指数族和推理过程。逻辑回归和对数线性模型。混合效应模型：分层和分组数据、嵌套和交叉设计。
