伦敦大学学院 UCL
数据科学硕士 Data Science MSc
+ 查看更多

数据科学汇集了计算和统计技能，以解决数据驱动的问题。该专业将为学生提供分析工具，以使用现代计算方法和统计思维来设计复杂的技术解决方案。

该专业结合了核心统计和机器学习方法的学习，从入门级开始，以及一系列涵盖统计计算和建模方面更专业知识的可选模块。学生将学习计算机科学中的一个必修模块和最多两个附加模块，其余模块（包括研究项目）主要来自统计科学。

UCL 统计科学具有广泛的研究兴趣，在计算统计领域以及统计与计算机科学之间的结合方面具有特殊优势
UCL的计算统计和机器学习中心中许多成员都很活跃
UCL 是艾伦图灵研究所的创始成员之一，UCL 统计科学和计算机科学将在发展中发挥重要作用，这将使伦敦成为大数据研究的主要焦点

随着统计和计算分析工具的集成在各种组织和企业中变得必不可少，数据科学专业人员可能会越来越受欢迎。最好的从业者应该对基本原理有透彻的了解。例如，在市场营销、医疗保健行业和银行业的应用中，计算技能应伴随研究生水平的统计专业知识。数据科学家需要广泛的背景知识，以便他们能够适应快速变化的挑战。

项目时长：1年制（全日制）

项目授课地点：英国伦敦

学历水平

至少获得英国大学定量学科的二等学士学位或同等标准的海外资格

中国学生：

A Bachelor's degree with a minimum weighted average mark of 85% from an institution reviewed by UCL. Exceptions apply to the degrees listed below, for which the minimum weighted average mark is 87%.

A Bachelor's degree with a minimum weighted average mark of 90% is required from all other universities recognised by the Chinese Ministry of Education. Exceptions apply to the degrees listed below, for which the minimum weighted average mark is 93%.

需具备大学水平的数学方法和线性代数知识，以及熟悉入门概率、统计学和计算机编程

英语成绩

雅思：6.5+，单项不低于6.0
托福：92+，阅读和写作为24/30，口语和听力为20/30

You should consider the following questions when writing your personal statement：

Why do you want to undertake the programme or research?

What are your academic interests?

Why do you wish to study at UCL?

What educational experience do you have?

Do you have any relevant work experience?

Have you completed any extracurricular or voluntary activities relevant to the programme?

What are your career aspirations?

简历
1封推荐信
成绩单

>> 必修模块

机器学习简介

监督学习简介

回归和分类的线性模型：最小二乘法、逻辑回归
过度拟合和正则化、L1 和 L2 正则化的概念
提升、决策树、随机森林
支持向量机
深度学习：用于回归和分类的神经网络、卷积神经网络、递归神经网络

无监督学习简介

K 均值、主成分分析、嵌入和表示学习
期望最大化，高斯混合，隐马尔可夫模型
深度自动编码器，生成对抗网络

Foundation Fortnight

介绍概率、条件概率、随机变量和分布、期望、特殊分布、泊松过程、马尔可夫链和“出生-死亡”过程。估计简介、估计量的抽样分布、检验假设、分类数据、非参数方法、线性统计模型、Minitab 计算包。

Statistical Design of Investigations

实验设计原则：实验计划、比较实验、通用设计（完全随机化、随机区组、拉丁方、阶乘实验、嵌套、固定和随机效应）、R 软件中的相关方差分析。观察研究与实验：偏见、混杂、因果解释困难等问题。观察性研究：计划、匹配、混杂变量调整、队列研究、病例对照研究、数据分析。抽样：目标和抽样总体、有限总体、简单随机抽样、分层和整群抽样、比率和回归估计量。

统计计算

使用 R：表达式、赋值、对象、向量、数组和矩阵、列表和数据框、函数、控制结构、图形。效率方面的考虑。R 中的统计建模（与 STAT0028 和 STAT0029 合作）：线性、广义线性和非线性建模。无监督学习：降维和聚类。计算技术：函数最小化（特别是对于 mle 和非线性建模）、正交、模拟（一般方法、蒙特卡罗）。