加州大学伯克利分校数据科学专业设置DOC.docx

加州大学伯克利分校数据科学专业设置DOC.docx

《加州大学伯克利分校数据科学专业设置DOC.docx》由会员分享，可在线阅读，更多相关《加州大学伯克利分校数据科学专业设置DOC.docx（11页珍藏版）》请在冰豆网上搜索。

加州大学伯克利分校数据科学专业设置DOC

《数据科学》硕士专业设置

俞梦怡14723396

专业（方向）名称：

DataScience

学位名称：

professionalMasterofInformationandDataScience（MIDS）

信息和数据科学专业硕士

级别：

master硕士

所属院系：

TheUCBerkeleySchoolofInformation（Ischool）信息学院

所属学校：

加州大学伯克利分校

网址：

http:

//datascience.berkeley.edu/

专业介绍：

DesignedbyISchoolfaculty,ourcurriculumismultidisciplinary.Youwillbringtogetherarangeofmethodstodefinearesearchquestion;togather,store,retrieve,andanalyzedata;tointerpretresults;andtoconveyfindingseffectively.Usingthelatesttoolsandpractices,youwillidentifypatternsinandgaininsightsfromcomplexdatasets.

由信息学院的教师设计，课程是多学科的。

你将使用一系列方法来定义一个研究问题：

去收集、存储、检索和分析数据，去解释结果并有效地传达发现。

采用最新的工具和实践，你会识别模式，并从复杂的数据集中获得见解。

专业培养目标：

trainleadersintheever-evolvingfieldofdatascience

培养在数据科学领域的领导人

专业培养方案：

Theprogramfocusesonproblemsolving,preparingyoutocreativelyapplymethodsofdatacollection,analysis,andpresentationtosolvetheworld’smostchallengingproblems.

侧重于问题解决，帮助你准备创造性地运用数据的收集、分析和图像的方法来解决世界上最具挑战性的问题。

学生背景要求：

1.Abachelor’sdegree学士学位

2.Testscores考试成绩（GRE/GMAT/TOEFL）

3.Ahighlevelofquantitativeability高层次的定量能力

4.Aproblem-solvingmindset解决问题的思维方式

5.Aworkingknowledgeoffundamentalconcepts

基本概念的应用知识

6.Theabilitytocommunicateeffectively有效的沟通能力

7.Programmingproficiency编程能力

学分：

27学分（九门课）

完成时间：

5terms，20months

五个学期，20个月

授课方式：

TheUCBerkeleySchoolofInformation’sMasterofInformationandDataScience（MIDS）isaweb-basedprogramfeaturingimmersivecourseworkandlive,onlineclassesyoucanattendfromanywhereintheworld.Deliveredonastate-of-the-artlearningplatform,datascience@berkeleyfacilitatescollaborationanddiscussiontohelpyoubuildaprofessionalnetworkoffacultyandpeersfromthestart.

Studentscanaccessalldatascience@berkeleycontent24hoursaday,7daysaweek.

加州大学伯克利分校信息学院的信息与数据科学硕士（MIDS）是一个基于网络的项目，这是具有身临其境的课程和直播，你可以在世界任何地方参加网上课程。

在国家最先进的学习平台上进行传送，伯克利分校的数据科学有助于协作和讨论，以帮助学生从一开始就建立一个与教师和同行一起的专业网络。

学生可以一周七天，每天24小时访问伯克利分校所有数据科学的内容。

课程架构/课程体系：

Belowisasamplecoursescheduleandtheexpectedpaththroughthedegreeprogram.Studentswhoareinterestedintakingtheprogramonanacceleratedbasiscancompletetheircourseworkin3or4termswithapprovalfromtheSchoolbytakingupto3coursesinoneormoreterms.

下面是一个示例课程安排，以及通过学位课程的预期路径。

有兴趣在加速基础上参加该项目的学生能够在3或4学期完成他们的课程，这需要获得学院批准其在一个或多个学期内完成3门课程。

每门课程简介：

1.ResearchDesignandApplicationforDataandAnalysis

数据和分析研究设计与应用

技能：

Researchdesign/Questionformulation/Dataanddecisionmaking/

Understandingcognitivebias/Dataforpersuasionandaction/

Integratingdataanddomainknowledge/Storytellingwithdata

研究设计/问题制定/数据和决策/了解认知偏差/数据进行劝说和行动/

数据集成和领域知识/用数据讲故事

课程简介：

Thiscourseintroducesstudentstotheburgeoningdatascienceslandscape,withaparticularfocusonlearninghowtoapplydatasciencetechniquestouncover,enrich,andanswerquestionsfacingindustriestoday.Afteranintroductiontodatasciencesandanoverviewoftheprogram,studentswillexplorehoworganizationsmakedecisionsandtheemergingroleofbigdatainguidingbothtacticalandstrategicdecisions.Lectures,readings,discussions,andassignmentswillteachhowtoapplydisciplined,creativemethodstoaskbetterquestions,gatherdata,interpretresults,andconveyfindingstovariousaudiencesinwaysthatchangemindsandchangebehaviors.Theemphasisthroughoutisonmakingpracticalcontributionstorealdecisionsthatorganizationswillandshouldmake.Industriesanddomainsthatwewillexploreincludesportsmanagement,finance,energy,journalism,intelligence,healthcare,andmediaentertainment.

本课程向学生介绍了新兴的数据科学的情况，尤其侧重于学习如何运用数据的科学技术来发现、丰富并回答如今所面临的行业问题。

在介绍了数据科学和项目的概况后，学生将探讨企业如何做出决策和大数据在指导战术和战略决策中扮演的新兴角色。

讲座、阅读、讨论、作业会教学生如何运用学科和创造性的方法来提出更好的问题，收集数据、解释结果并向大量听众传达调查结果可以改变思想和行为方式。

整体的重点是为组织提供切实有效的决策。

我们将探讨的行业和领域包括体育管理，金融，能源，新闻，情报，医疗保健和媒体娱乐。

2.ExploringandAnalyzingData探索和分析数据

技能：

Researchdesign/Statisticalanalysis研究设计/统计分析

工具：

R

课程简介：

Thegoalofthiscourseistoprovidestudentswithanintroductiontomanydifferenttypesofquantitativeresearchmethodsandstatisticaltechniquesforanalyzingdata.Webeginwithafocusonmeasurement,inferentialstatistics,andcausalinference.Then,wewillexplorearangeofstatisticaltechniquesandmethodsusingtheopen-sourcestatisticslanguage,R.Wewillusemanydifferentstatisticsandtechniquesforanalyzingandviewingdata,withafocusonapplyingthisknowledgetoreal-worlddataproblems.Topicsinquantitativetechniquesinclude:

descriptiveandinferentialstatistics,sampling,experimentaldesign,parametricandnon-parametrictestsofdifference,ordinaryleastsquaresregression,andlogisticregression.

本课程的目的是为学生提供介绍许多不同类型的定量研究方法和分析数据的统计技术。

首先侧重于测量、统计推断和因果推断。

然后，将探讨一系列使用开源统计语言R的统计技术和方法。

我们将使用许多不同的统计和技术来分析和查看数据，重点是将这一知识用于解决现实世界的数据问题。

定量技术主题包括：

描述和统计推断，取样，实验设计，参数化和差异性的非参数检验，普通最小二乘回归和回归。

3.StoringandRetrievingData存储和检索数据

技能：

Dataacquisition/Datacleaningandnormalization/Buildingdatabases/

Dataclassificationandindexing/Datawarehousing

数据采集/数据清理和规范化/建筑数据库/数据分类和索引/数据仓库

工具：

Python/Relationaldatabases/Hadoop/Mapreduce/Spark/

CloudComputing（AWS）

课程简介：

Thiscoursepreparesstudentstodealwithlarge-scalecollectionsofdataasobjectstobestored,searchedover,selected,andtransformedforuse.Weexamineboththebackgroundtheoryandpracticalapplicationofinformationretrieval,databasedesignandmanagement,dataextraction,transformationandloadingfordatawarehouses,andoperationalapplications.Wewillexaminetraditionalmethodsofinformationretrievalanddatabasemanagementaswellasnewapproachesthatusemassivelyparallelcomputation（MapReduce/Hadoop）.Throughreadings,discussion,andhands-onexperimentation,studentswillbepreparedtodiscuss,plan,andimplementstorage,searchandretrievalsystemsforlarge-scalestructuredandunstructuredinformationsystemsusingavarietyofsoftwaretools.Theywillalsobeabletoevaluatelarge-scaleinformationstorageandretrievalsystemsintermsofbothefficiencyandeffectivenessinprovidingtimely,accurate,andreliableaccesstoneededinformation.

本课程培养学生处理以大规模集合数据为对象的存储、搜索、选择及转化以供使用。

我们研究这一问题的背景理论和信息检索，数据库设计和管理，数据抽取，转换和加载数据仓库的实际应用和业务应用。

我们将研究信息检索和数据库管理的传统方法以及使用大规模并行计算（MapReduce/Hadoop）的新方法。

通过阅读、讨论、动手实验，学生将使用多种软件工具为大规模的结构化和非结构化信息系统进行讨论、计划、实施存储、搜索和检索系统。

他们也将能够在提供及时、准确、可靠的获得所需要的信息，以评估在效率和有效性方面的大规模信息存储和检索系统。

4.AppliedMachineLearning应用机器语言

技能：

Experimentaldesign/Workingwithmachinelearningalgorithms/

Featureengineering/Predictionvs.explanation/

Networkanalysis/Collaborativefiltering

实验设计/用机器学习算法工作/功能设计/预测与解释/网络分析/

协同过滤

工具：

Python/Pythonlibrariesforlinearalgebra,plotting,machinelearning:

numpy,matplotlib,sk-learn/Githubforsubmittingprojectcode

课程简介：

Machinelearningisarapidlygrowingfieldattheintersectionofcomputerscienceandstatisticsconcernedwithfindingpatternsindata.Itisresponsiblefortremendousadvancesintechnology,frompersonalizedproductrecommendationstospeechrecognitionincellphones.Thiscourseprovidesabroadintroductiontothekeyideasinmachinelearning.Theemphasiswillbeonintuitionandpracticalexamplesratherthantheoreticalresults,thoughsomeexperiencewithprobability,statistics,andlinearalgebrawillbeimportant.

机器学习是一个在与数据查找模式有关的计算机科学与统计的交集中快速增长的领域。

它是负责技术的巨大进步，从个性化的产品推荐到手机的语音识别。

本课程在机器学习的主要观点方面提供了广阔的介绍。

重点将放在直觉和实际的例子，而不是理论成果，但与概率、统计和线性代数有关的一些经验将是重要的。

5.VisualizingandCommunicatingData可视化和数据通信

技能：

Exploratorydataanalysis/Effectivewrittencommunication/

Effectivevisualpresentationofdata/Designforhumanperception

探索性数据分析/有效的书面沟通/数据的有效视觉呈现/人类感知设计

工具：

Tableau/Javascript/D3/Illustrator/R/ggplot2/Highcharts/Visit

课程简介：

Communicatingclearlyandeffectivelyaboutthepatternswefindindataisakeyskillforasuccessfuldatascientist.Thiscoursefocusesonthedesignandimplementationofcomplementaryvisualandverbalrepresentationsofpatternsandanalysesinordertoconveyfindings,answerquestions,drivedecisions,andprovidepersuasiveevidencesupportedbydata.Assignmentswillgivestudentshands-onexperiencewithdesigningandbuildingdatavisualizationsaswellasreportingtheirfindingsinprose.

对在数据中所发现的模式进行清楚而有效的沟通是成功的数据科学家的一个重要技能。

本课程的重点是设计和实施模式和分析互补的视觉和口头交涉，以传达调查结果、回答问题、推动决策并提供了数据支持的有说服力的证据。

作业会让学生通过设计和建立数据可视化进行动手实验，以及报告他们在实践经验中的发现。

6.FieldExperiments现场实验

技能：

Experimentaldesign/Statisticalanalysis/Communicatingresults/

Cleaningdata/Miningandexploringdata

实验设计/统计分析/沟通结果/清理数据/挖掘和探索数据

工具：

R

课程简介：

Thiscourseintroducesstudentstoexperimentationinthesocialsciences.Thistopichasincreasedconsiderablyinimportancesince1995,asresearchershavelearnedtothinkcreativelyabouthowtogeneratedatainmorescientificways,anddevelopmentsininformationtechnologyhasfacilitatedthedevelopmentofbetterdatagathering.Keytothisareaofinquiryistheinsightthatcorrelationdoesnotnecessarilyimplycausality.Inthiscourse,welearnhowtouseexperimentstoestablishcausaleffects,andhowtobeappropriatelyskepticaloffindingsfromobservationaldata.

本课程向学生介绍在社会科学中的实验。

自1995年以来这一话题已经大大增加了重要性，研究人员已经学会创造性地去思考如何用更科学的方式来生成数据以及信息技术的发展推动了更好的数据收集的发展。

探究这一领域的关键是洞察关联并不意味着因果关系。

在这个过程中，我们学会了如何使用实验建立因果效应，以及如何从发现的数据中进行适当怀疑。

7.Legal,Policy,andEthicalConsiderationsforDataScientists

数据科学家的法律，政策和伦理问题

技术：

Ethicalandlegalframeworks/Policyanalysis/

Oralandwrittenpresentation

道德和法律框架/政策分析/口头和书面陈述

课程简介：

Thiscourseprovidesanintroductiontothelegal,policy,andethicalimplicationsofdata.Thecoursewillexaminelegal,policy,andethicalissuesthatarisethroughoutthefulllifecycleofdatasciencefromcollection,