程序结构

本课程将使学生了解统计设计和推理，重点关注计算统计学。本课程将使学生接触有用的经典统计学，包括各种实验设计和抽样、似然、估计原理和假设检验。学生还将学习更多的现代变体，包括计算统计领域，如贝叶斯统计，重采样，吉布斯采样，模拟，以及丢失数据的方法。

本课程将使学生了解统计范式下线性模型的理论和应用。首先回顾多元回归和诊断的基本知识，然后介绍混合模型和广义线性模型的理论和应用。高级回归包括非参数回归和惩罚回归。

本课程是对数据科学工作中数据库管理和操作相关概念的全面调查。课程将涵盖与数据和数据库工作的理论和性质有关的核心主题，以及处理复杂和/或大量数据的现代和先进方法。本课程旨在帮助数据科学专业人员和研究人员了解数据管理中的关键问题和解决方法。

本课程将研究许多基础机器学习方法的理论和应用。多种有监督、半监督和无监督学习方法将被探索，包括贝叶斯方法、决策树、基于核的方法和神经网络方法，以及聚类和降维领域。我们还将讨论如何将问题建模为机器学习问题。所讨论的方法将适用于自然语言处理、语音识别、计算机视觉、数据挖掘、自适应计算机系统等领域。

本课程的总体目标是使学生能够建立现实系统的数学模型，分析它们并对这些系统的行为做出预测。各种建模技术将通过来自物理学、社会科学、生命科学、经济学和其他领域的例子进行讨论。本课程的重点将是建立数学和物理系统之间的联系，研究和应用各种建模技术来数学描述这些系统，并使用这种分析对系统的行为做出预测。

在本课程中，我们将介绍离散优化，让学生接触到该领域中最基本的概念、技术和算法。这包括线性优化、整数和混合规划、网络优化、目标规划、多准则决策分析、约束规划和博弈论。这些技术和算法将应用于复杂的实际问题，如调度、网络安全、社交网络、车辆路由、供应链优化和资源配置。学生也将被期望做一个他们选择的应用程序的项目。

本课程将为学生提供数据科学在商业和经济中的应用，包括收集、存储、分析和提供数据访问的技术，以帮助用户做出更好的决策。应用包括决策支持系统、查询和报告、在线分析处理、统计分析、预测和数据挖掘等活动。学生将通过讲座、课堂讨论、实践作业和学期论文演示学习数据挖掘的概念、技术和应用。

本课程的重点是开发研究技能，以构建强有力的假设和使用大型生物学和生化数据集进行稳健的实验。从介绍基因组进化、组织和调控开始，课程的主要目标是培养构建重要生物学假设的技能，并部署适当的工具来测试这些假设。数据质量评估和计算工具评估的方法是一个主要主题，实验室时间将提供DNA、RNA和蛋白质序列数据分析的实际经验，以及控制基因表达和代谢活性的调节网络。重点将放在实验设计、与本地和公共数据库中的数据交互、版本控制、文档编制和进行可重复性研究。

学生探索与数据科学相关的各种主题。课程主题各不相同，以确保及时涵盖新技术、软件、理论和趋势。

在这门独立学习课程中，学生研究数据科学中感兴趣的特定主题。教师和学生共同决定课程内容。

由学生承担的实际经验是数据科学项目的一个组成部分。工作经验为该项目及其社区提供了机会，通过在工作场所的活动，整合资源，进一步提高学生的知识、个人兴趣、职业道路和就业技能。因此，学生从事与数据分析相关的带薪工作(如带薪实习)可以获得工作经验学分。典型的工作包括统计分析的研究助理工作，或金融、IT或工业组织的数据分析师。通常，获得三个学分的最短工作时间是12周。学生最多可以获得六个学分(例如，一个八个月的工作或两个四个月的工作)。

为了应对数据科学知识、软件、技术和方向的快速变化，学生和教师必须紧跟这一快速发展学科的发展和进步。数据科学的跨学科性质还要求学生了解来自广泛背景的方法和应用，并学习超出课程内容的内容。为了实现这一目标，研讨会和研讨会系列将邀请科学家和技术领袖介绍大数据和数据分析的当前发展和趋势，并展示成功的现实应用。这也是学生和教师分享他们的研究想法和成果的机会。

选择该选项的学生需要开发一个应用项目，以解决现实应用中的主要数据分析问题(最好是由行业合作伙伴或实习公司确定的问题)。期望学生将通过本课程学习到的技术、技能和知识应用于数据分析问题。通过这个项目，学生将参与设计、开发、实施和测试一个数据分析算法/系统，以达到预定的目标。

数据科学硕士研究生论文选项的学生承担与数据科学相关的独立研究项目，产生原始的理论贡献，推动该领域的文献主体，根据TRU研究、创新和研究生研究办公室制定的政策准备和答辩论文。论文在一名教员和论文指导委员会的指导下完成，并由论文答辩/审查委员会进行评估。