>> 核心课程
本课程的目标是向学生介绍总结数据和相关视觉方法的基本探索技术。探索性数据分析通常在正式建模开始之前应用。它可以帮助制定假设并为更复杂的统计模型的开发提供信息。本课程首先介绍探索性数据分析中使用的基本图形技术，然后介绍用于探索性分析的典型统计方法，包括聚类和降维技术，使您能够对高维数据进行图形显示，然后重点介绍可视化技术和方法广泛的数据类型。将引入感知原理来设计有效的数据可视化。
本课程为学生提供充分的机会来展示他/她独立处理数据分析问题的创新能力和主动性，培养将数据科学知识和数据分析技能整合和应用到实际场景的能力，并探索有关道德和隐私的考虑因素数据收集和管理的意义。该课程还作为一个平台，通过学生的数据科学知识展示和分享对实际问题的新颖调查。
本课程侧重于统计机器学习的理论基础和基本方法，涵盖机器学习的概率论和统计推理的关键概念和结果，回归和分类的经典和前沿方法和理论，以及内核的理论基础方法。
本课程侧重于无监督和监督学习的理论基础和基本方法，深度学习方法以及应用 Python 编程和实现上述算法和方法的学科。
本课程提供关系数据库的知识和 Hadoop/Spark 系统的介绍，包括用于设计关系数据库的实体关系模型、数据库开发过程的原则、用于通过数据库检索和存储数据的结构查询语言，以及入门级 Hadoop/Spark 内容。
>> 选修课程
- 贝叶斯数据分析
- 智慧城市的数据分析
- 数据挖掘和知识发现
- 数据驱动运筹学
- 深度学习
- 动态规划和强化学习
- 实验设计与回归
- 电子商务的信息安全
- 机器学习：原理与实践
- 大规模机器学习
- 自然语言处理
- 网络生活与数据科学
- 在线学习和优化
- 数据科学优化
- 预测分析和金融应用
- 隐私增强技术
- 数据科学的社会基础
- 分类数据分析的统计方法
- 机器学习的随机优化
- 时间序列和递归神经网络
- 金融工程与技术专题
