程序结构

本课程向学生介绍数据分析和统计的基本概念，并介绍每个概念的各种应用。学生探索概率和数据收集如何影响分析。向学生介绍一些推理方法，包括估计和测试及其应用。向学生介绍回归分析的基础知识。重点放在计算方法而不是经典方法。

向学生介绍处理和传递针对不同受众的数据摘要的方法。学生学习在不同类型和格式之间操作数据的脚本技能。学生也学习不同的总结方法，包括可视化，处理后，在不同的语境。

向学生介绍结构化解决问题的方法、算法和结构化编程的使用。学生使用高级编程语言学习如何利用软件工程原理设计、开发和记录结构良好的程序。作为编程的一部分，学生学习计算机的工作原理。在实验室环境下，通过批判性思维和调查，学生将迭代设计和构建各种应用程序，以加强学习和发展计算机编程的实际能力。本课程适用于计划继续学习计算机科学课程或学习基本编程概念的学生。前提条件:英语学习12，最低成绩为C。

学生学习专业组织沟通的理论和实践，学习有效沟通对实现目标、发展和维护关系以及整体促进工作的重要性。学生培养评估沟通场景的技能，设计满足目标和受众需求的沟通策略，包括要求、信息分享和说服。此外，学生还将学习运用与专业沟通语境相关的写作技巧和编辑技巧。

学生学习各种用于记录专业活动的技术交流，包括建议、技术和正式报告、政策和程序、技术说明和定义以及说明。学生学习文件和责任作为专业尽职调查的一部分的重要性，适用于许多领域，包括新闻、商业、政府、公共服务、咨询和研究机构。学生培养评估场景中的传播需求、识别传播目标、受众需求和相关媒体的技能。最后，学生学习研究和综合的技能，以确保专业参与和研究材料的展示。

本课程将向学习者介绍数据科学的基础知识。数据科学指的是用来分析数据以提高生产力和商业收益的技术。本课程是应用数据科学学士学位后文凭将使用的工具的实用介绍。在本课程中，学生将应用应用数据科学中使用的主要工具，包括R编程语言、用于数据可视化的Matplotlib、用于数据操作的dplyr、用于重塑数据的tidyr、用于数据可视化的ggplot2和R中的交互式可视化。其他工具将包括版本控制、markdown、git、GitHub和RStudio。在本课程结束时，学生将能够应用应用数据科学学士学位后第一学期的知识来制表数据，清理数据，操作数据，并运行基本的推理统计分析，从数据中提取有意义的信息。

向学生介绍基于回归的概念的应用。学生学习与简单线性回归模型相关的各种概念，包括决定系数和基本推论。学生将他们的理解和应用扩展到其他线性回归，如多元回归和逻辑回归。学生学习如何执行其他变量的回归，包括时间序列和非参数回归。学生学习各种诊断方法，谬误类型，以及回归中可能出现的其他问题。

学生在进一步的应用中建立回归的知识，特别是在实验设计中。学生学习如何创建具有不同属性的不同类型的样本，以及如何在收集到数据后分析这些样本。学生学习如何在回归框架中构建这些设计，以在新情况下建立现有的知识，如涉及块、因素和层次的模型。学生学习如何执行相应的推论，如(协)方差的(多重)分析。

本课程向学生介绍应用数据科学中使用的python编程环境的基础知识。学生学习数据操作、转换和清理数据;可视化不同类型的数据;使用数据建立统计或机器学习模型。学生探索使用Python NumPy的数据科学家的计算环境IPython和Jupyter:包括在Python Pandas中高效存储和操作密集数据数组的ndarray:特点是在Python Matplotlib中高效存储和操作标记/柱状数据的DataFrame:包括在Python scikitit - learn中灵活范围的数据可视化的能力:最重要和已建立的机器学习算法的高效和干净的Python实现。

向学生介绍获取数据的基本方法。学生学习如何从网络、api、数据库和同事那里获取各种格式的数据。学生将探索数据生命周期、数据加载、清理和预处理的框架。

本课程将向学习者介绍应用数据科学所需的工具。学生学习Python应用数据科学和应用数据科学所需的SQL工具集。在本课程结束时，学生将能够应用应用数据科学Post学士学位的第二学期的知识从Web获取数据，并使用Python应用数据科学引擎和SQL和R接口数据集并从中得出意义。

向学生介绍利用计算机进行分析和优化的基本概念，通过建模和模拟进行决策。学生探索为风险分析和合并创建适当的目标函数。学生学习各种优化技术和方法模拟建模及其在数据分析中的应用。学生还将了解网络分析的图表。

学生学习数据库设计、建模、系统、数据存储的基础知识，以及不断发展的数据仓库、治理等。向学生介绍大数据、分析、数据质量和数据集成，以及数据库管理的最新方法。学生将探索NoSQL、数据集成、数据质量、数据治理和大应用数据科学。学生通过实际例子、查询和代码演练学习基本概念，包括MySQL、MongoDB、Neo4j Cypher和树结构可视化。

通过探索人工智能的历史、能力、技术、框架和未来，向学生介绍人工智能(AI)的原理。学生们学习人工智能对商业战略的影响，以及它引发的经济和社会问题。学生开发一个小规模的人工智能应用程序。

将向学生介绍使用人工智能(AI)工具集开发应用程序所需的工具，并将其与大型数据库和数据仓库集成。在本课程结束时，学生将能够使用人工智能应用数据科学的学士学位后第三学期的知识，并将其与大型数据库集成。

本课程被设计为应用数据科学学士学位后的顶峰项目的第一阶段，包括数据分析专业领域监督项目的实际设计和实施。学生将在团队环境中:制定项目提案，完成数据收集和/或实验设计，并制定项目实施计划。他们学习经验的一部分将包括与外部客户的合作。

学生探索处理大型数据集的各种多元统计技术。学生学习各种降维和特征选择方法，包括PCA、CCA、SVD和因子分析。学生学习如何操作各种已建立的学习算法，如k-Means聚类和分层聚类。学生还将学习一些经典的监督技术，如判别分析和扩展到随机森林的分类树。学生学习如何增强和套袋来提高预测。

向学生介绍机器学习，更多地关注技术和方法，而不是这些方法背后的统计数据。学生学习机器学习的核心主题，重点是将现有的工具和机器学习代码库应用到问题中。学生探索实际的考虑，如数据的准备和操作，了解机器学习能力和限制的关键的相关理论和概念。向学生介绍了一些主要的机器学习方法，如数据的准备和操作，有监督(分类)和无监督(聚类)技术。学生学习应用和编写python代码来进行分析。

向学生介绍机器学习领域，特别是神经网络。学生将学习使用Scikit-Learn来跟踪一个端到端机器学习项目示例。学生探索了几种训练模型，包括支持向量机、决策树、随机森林和集成方法。向学生介绍TensorFlow库来构建和训练神经网络、神经网络架构，包括卷积网、循环网和深度强化学习。学生学习训练和扩展深度神经网络的技术。

本课程将向学习者介绍应用数据科学所需的工具。学生学习在大型数据集上进行数据挖掘所需的工具。在本课程结束时，学生将能够应用应用数据科学学士学位后第四学期的知识来整合机器学习、人工智能和大型数据集，并从中获得意义。

本课程被设计为应用数据科学学士学位后的一个顶点项目的第二阶段，包括在数据科学专业领域监督项目的实际设计和实施。学生将在团队环境中完成“现场项目”的开发，他们的学习经验的一部分将包括与外部客户的工作。