Oxford Brookes University

MSc στην ανάλυση δεδομένων

Ενότητες μελέτης

Υποχρεωτικές ενότητες

• Μέθοδοι Έρευνας και Μελέτης (10 μονάδες)
  Αυτή η ενότητα θα σας εξοπλίσει με τις απαραίτητες δεξιότητες για να πραγματοποιήσετε έρευνα και να χρησιμοποιήσετε αποτελεσματικές μεθόδους μελέτης που θα στηρίξουν τη διατριβή σας.
• Data Science Foundations (10 μονάδες)
  Αυτή η ενότητα παρουσιάζει μια επισκόπηση των βασικών εννοιών και εργαλείων της επιστήμης δεδομένων, εστιάζοντας σε ερωτήματα έρευνας της επιστήμης δεδομένων της πραγματικής ζωής με πρακτική έκθεση στον προγραμματισμό R και/ή Python ως αναπόσπαστο μέρος του μαθήματος.
• Βασικές αρχές έρευνας (10 μονάδες)
  Αυτή η ενότητα παρέχει μια επισκόπηση των βασικών αρχών δειγματοληψίας και εκτίμησης.
• Στατιστικός Προγραμματισμός (10 μονάδες)
  Αυτή η ενότητα εισάγει βασικές τεχνικές προγραμματισμού στο R που είναι απαραίτητες για την εκτέλεση χειρισμού δεδομένων, επεξεργασίας δεδομένων και αναλύσεων δεδομένων παραδοσιακών και εναλλακτικών πηγών δεδομένων μέσω πρακτικών συνεδριών.
• Εισαγωγή στην Έρευνα Έρευνας (10 μονάδες)
  Αυτή η ενότητα εισάγει τα στάδια που σχετίζονται με το σχεδιασμό και τη διενέργεια ερευνών. Θα εξετάσει τα μεθοδολογικά ζητήματα που ενδέχεται να προκύψουν, συμπεριλαμβανομένων των σφαλμάτων, και θα συζητήσει επιλογές για την ελαχιστοποίηση του αντίκτυπου μέσω του σχεδιασμού της έρευνας.
• Μοντελοποίηση παλινδρόμησης (10 μονάδες)
  Αυτή η ενότητα θα εισαγάγει το βασικό μοντέλο παλινδρόμησης - υπολειμματική ανάλυση, κατασκευή και επιλογή μοντέλου και χειρισμό κατηγορικών μεταβλητών. Επίσης, θα εισαχθεί η λογιστική παλινδρόμηση (δυαδική παλινδρόμηση απόκρισης), η οποία θα αξιολογεί την προσαρμογή του μοντέλου και τη δημιουργία και επιλογή μοντέλου. Τέλος, θα εισαχθεί η μοντελοποίηση πολλαπλής παλινδρόμησης και πολυμεταβλητής παλινδρόμησης.
• Προηγμένη στατιστική μοντελοποίηση (10 μονάδες)
  Αυτή η ενότητα εισάγει μια ευρεία κατηγορία γραμμικών και μη γραμμικών στατιστικών μοντέλων και τις αρχές του συμπερασμάτων πιθανοτήτων σε μια ποικιλία προβλημάτων ανάλυσης δεδομένων που αντιμετωπίζονται συχνά σε διάφορους κλάδους.
• Ανάλυση χρονοσειρών (10 μονάδες)
  Αυτή η ενότητα σας εισάγει σε χρονοσειρές και μεθόδους πρόβλεψης.
• Εισαγωγή στη Μηχανική Μάθηση (10 μονάδες)
  Αυτή η ενότητα σας παρέχει τις αρχές της εκμάθησης υπολογιστών και τις εφαρμογές της. Καλύπτει τις βασικές αρχές των μεθοδολογιών μηχανικής μάθησης, τις υλοποιήσεις και τις μεθόδους ανάλυσης κατάλληλες για εφαρμογές μηχανικής μάθησης.
• Προηγμένη Μηχανική Εκμάθηση (10 μονάδες)
  Αυτή η ενότητα βασίζεται στην ενότητα Εισαγωγή στη Μηχανική Μάθηση. Επικεντρώνεται στις Προηγμένες Δεξιότητες Προγραμματισμού και στον Νευρωνικό Υπολογισμό ως επέκταση της μηχανικής μάθησης, της επεξεργασίας φυσικής γλώσσας και των πολυμέσων. Εξετάζει εποπτευόμενους και μη εποπτευόμενους αλγόριθμους μηχανικής μάθησης (τυχαία δάση, νευρωνικά δίκτυα, ομαδοποίηση, παλινδρόμηση καταγραφής και μηχανές υποστήριξης διανυσμάτων) παράλληλα με πιο προηγμένη επεξεργασία δεδομένων απεικόνισης και πολυμέσων.
• Εισαγωγή στα Κατανεμημένα Συστήματα (10 μονάδες)
  Αυτή η ενότητα παρέχει μια επισκόπηση της επεξεργασίας δεδομένων σε μεγάλη κλίμακα και της παράλληλης επεξεργασίας. Εισάγει το Hadoop και το Spark και τη χρήση παραδειγμάτων παράλληλης επεξεργασίας.
• Οπτικοποίηση δεδομένων (10 μονάδες)
  Αυτή η ενότητα βασίζεται στις βασικές απεικονίσεις δεδομένων που εισάγονται στις υποχρεωτικές ενότητες. Θα καλύπτει το σχεδιασμό πληροφοριών, το σχεδιασμό αλληλεπίδρασης και την αφοσίωση των χρηστών. τελευταίας τεχνολογίας εργαλεία για τη δημιουργία χρήσιμων απεικονίσεων για διαφορετικούς τύπους συνόλων δεδομένων και σεναρίων εφαρμογών.

Τελικό έργο

• Διατριβή στην ανάλυση δεδομένων (60 μονάδες)
  Οι φοιτητές στο MSc απαιτείται επίσης να ολοκληρώσουν μια διατριβή σε ένα θέμα επικεντρωμένο στην επιστήμη δεδομένων που σχετίζεται με το πρόγραμμα σπουδών τους.
  Το ακριβές περιεχόμενο κάθε διατριβής θα ποικίλλει ανάλογα με τον τίτλο, αλλά θα περιλαμβάνει την ολοκλήρωση βιβλιογραφικής ανασκόπησης και έρευνας του θέματος σε προχωρημένο επίπεδο, την προετοιμασία μιας πρότασης έργου, την εφαρμογή αναλυτικών τεχνικών και ακαδημαϊκών προσεγγίσεων για τη δημιουργία εναλλακτικές λύσεις και σύνθεση λύσης για το σύνθετο πρόβλημα στο χέρι, μαζί με την παρουσίαση της λύσης σε προφορική και γραπτή μορφή.

Μάθηση και διδασκαλία

Το μάθημά μας έχει υποστηρικτική στρατηγική διδασκαλίας και μάθησης που βασίζεται στην ενεργό συμμετοχή των μαθητών.

Χρησιμοποιούμε μια ποικιλία μεθόδων διδασκαλίας και αξιολόγησης όπως:

• εκθέσεις κριτικής αξιολόγησης
• εκθέσεις ανάλυσης δεδομένων
• ανάλυση δεδομένων με χρήση εφαρμογών λογισμικού
• παρουσιάσεις και μελέτες περιπτώσεων.

Οι μέθοδοι μάθησης περιλαμβάνουν:

• μικτή μάθηση
• επίσημες διαλέξεις
• πρακτικές επίλυσης προβλημάτων
• καθοδηγούμενη ανεξάρτητη μάθηση
• χρήση του εικονικού περιβάλλοντος μάθησης που βασίζεται σε υπολογιστή «Moodle»
• ανεξάρτητη έρευνα
• αναλύσεις δεδομένων λογισμικού
• πειράματα.

Αυτό το πρόγραμμα επιτρέπει στους αποφοίτους να αναλάβουν ένα ευρύ φάσμα ρόλων στην επιστήμη των δεδομένων. Οι συνήθεις σταδιοδρομίες σε αυτόν τον τομέα είναι οι εξής:

• μηχανικοί δεδομένων
• επιχειρησιακοί αναλυτές
• διαχειριστές δεδομένων
• επαγγελματίες μηχανικής μάθησης
• επιστήμονες δεδομένων.