کارشناسی ارشد در تجزیه و تحلیل داده ها

با کارشناسی ارشد ما در تجزیه و تحلیل داده ها، شما تئوری بنیادی را یاد خواهید گرفت و مدل سازی ریاضی و آماری را تمرین خواهید کرد. با اشاره ویژه به تحلیل و تجسم داده ها.

با پیشرفت های اخیر در فناوری دیجیتال، جامعه وارد عصر "داده های بزرگ" شده است. دولت انگلستان داده های بزرگ را به عنوان یکی از هشت فناوری بزرگ می شناسد. اولویت های تامین مالی و تحقیقاتی دارد و نقش محوری در بازسازی و تقویت اقتصاد خواهد داشت.

انفجار و انبوه داده‌های موجود در طیف وسیعی از حوزه‌های کاربردی، چالش‌ها و فرصت‌های جدیدی را در همه زمینه‌ها ایجاد می‌کند. یکی از چالش های اصلی این است که چگونه از مقیاس بی سابقه داده ها استفاده کنیم. و چگونه می توان بینش و دانش بیشتری برای بهبود کیفیت محصولات و خدمات ارائه شده به دست آورد.

ما کارشناسی ارشد در تجزیه و تحلیل داده ها را برای کسانی که در حال حاضر مشغول به کار هستند طراحی کردیم. و در کنار کارشناسی ارشد در تجزیه و تحلیل داده ها برای دولت اجرا شود. برای همه دانشجویان در دسترس است و مختص هیچ بخش شغلی خاصی نیست.

ماژول های مطالعه

ماژول های اجباری

• روش تحقیق و مطالعه (10 واحد)
  این ماژول شما را با مهارت های لازم برای انجام تحقیق و به کارگیری روش های مطالعه موثر که پایه پایان نامه شما خواهد بود، مجهز می کند.
• مبانی علم داده (10 واحد)
  این ماژول یک نمای کلی از مفاهیم و ابزارهای اصلی علم داده را ارائه می دهد، با تمرکز بر سوالات تحقیق علم داده در زندگی واقعی با قرار گرفتن در معرض عملی برنامه نویسی R و/یا Python به عنوان بخشی جدایی ناپذیر از دوره.
• اصول نظرسنجی (10 اعتبار)
  این ماژول یک نمای کلی از اصول نمونه گیری و تخمین ارائه می دهد.
• برنامه ریزی آماری (10 واحد)
  این ماژول تکنیک های برنامه نویسی اصلی را در R معرفی می کند که برای انجام دستکاری داده ها، پردازش داده ها و تجزیه و تحلیل داده های منابع داده سنتی و جایگزین از طریق جلسات عملی ضروری است.
• مقدمه ای بر تحقیق پیمایشی (10 واحد)
  این ماژول مراحل مربوط به برنامه ریزی و انجام نظرسنجی ها را معرفی می کند. مسائل روش شناختی که ممکن است بوجود آید، از جمله خطاها را در نظر می گیرد و گزینه هایی را برای به حداقل رساندن تأثیر از طریق طراحی نظرسنجی مورد بحث قرار می دهد.
• مدلسازی رگرسیون (10 واحد)
  این ماژول مدل رگرسیون پایه - تجزیه و تحلیل باقیمانده، ساخت و انتخاب مدل، و مدیریت متغیرهای طبقه بندی را معرفی می کند. همچنین رگرسیون لجستیک (رگرسیون پاسخ دودویی) با ارزیابی برازش مدل و ساخت و انتخاب مدل معرفی خواهد شد. در نهایت مدل‌سازی رگرسیون چند متغیره و رگرسیون چند متغیره معرفی می‌شود.
• مدلسازی آماری پیشرفته (10 واحد)
  این ماژول کلاس وسیعی از مدل‌های آماری خطی و غیرخطی و اصول استنتاج احتمال را به انواع مشکلات تجزیه و تحلیل داده‌ها در رشته‌های مختلف معرفی می‌کند.
• تجزیه و تحلیل سری زمانی (10 اعتبار)
  این ماژول شما را با سری های زمانی و روش های پیش بینی آشنا می کند.
• مقدمه ای بر یادگیری ماشین (10 واحد)
  این ماژول اصول یادگیری کامپیوتر و کاربردهای آن را در اختیار شما قرار می دهد. این مبانی متدولوژی های یادگیری ماشین، پیاده سازی ها و روش های تحلیل مناسب برای کاربردهای یادگیری ماشین را پوشش می دهد.
• یادگیری ماشین پیشرفته (10 اعتبار)
  این ماژول بر پایه ماژول Intro to Learning Machine ساخته شده است. این برنامه بر مهارت‌های برنامه‌نویسی پیشرفته و محاسبات عصبی به عنوان توسعه‌ای از یادگیری ماشینی، پردازش زبان طبیعی و چند رسانه‌ای تمرکز دارد. این الگوریتم‌های یادگیری ماشینی نظارت‌شده و بدون نظارت (جنگل‌های تصادفی، شبکه‌های عصبی، خوشه‌بندی، رگرسیون لاگ و ماشین‌های بردار پشتیبان) را در کنار تصویربرداری پیشرفته‌تر و پردازش داده‌های چندرسانه‌ای در نظر می‌گیرد.
• مقدمه ای بر سیستم های توزیع شده (10 واحد)
  این ماژول یک نمای کلی از پردازش داده ها در مقیاس بزرگ و پردازش موازی ارائه می دهد. Hadoop و Spark و استفاده از پارادایم های پردازش موازی را معرفی می کند.
• تجسم داده ها (10 اعتبار)
  این ماژول بر روی تجسم داده های اولیه معرفی شده در ماژول های اجباری استوار است. طراحی اطلاعات، طراحی تعامل و تعامل کاربر را پوشش می دهد. ابزارهای پیشرفته برای ایجاد تجسم های مفید برای انواع مختلف مجموعه داده ها و سناریوهای کاربردی.

پروژه نهایی

• پایان نامه در تجزیه و تحلیل داده ها (60 واحد)
  دانشجویان کارشناسی ارشد نیز ملزم به گذراندن یک پایان نامه در یک موضوع متمرکز بر علم داده مرتبط با برنامه تحصیلی خود هستند.
  محتوای دقیق هر پایان نامه مطابق با عنوان متفاوت خواهد بود، اما شامل تکمیل بررسی ادبیات و تحقیق در مورد موضوع در سطح پیشرفته، تهیه پروپوزال پروژه، به کارگیری تکنیک های تحلیلی و رویکردهای آکادمیک برای تولید راه‌حل‌های جایگزین و ترکیب راه‌حل برای مسئله پیچیده در دست، همراه با ارائه راه‌حل به صورت شفاهی و نوشتاری.

یادگیری و آموزش

دوره ما دارای استراتژی آموزشی و یادگیری حمایتی مبتنی بر مشارکت فعال دانش‌آموز است.

ما از انواع روش های تدریس و ارزشیابی استفاده می کنیم مانند:

• گزارش های ارزیابی انتقادی
• گزارش های تجزیه و تحلیل داده ها
• تجزیه و تحلیل داده ها با استفاده از نرم افزارهای کاربردی
• ارائه ها و مطالعات موردی

روش های یادگیری عبارتند از:

• یادگیری تلفیقی
• سخنرانی های رسمی
• عملی حل مسئله
• یادگیری مستقل هدایت شده
• استفاده از محیط یادگیری مجازی مبتنی بر رایانه "Moodle"
• تحقیق مستقل
• تجزیه و تحلیل داده های نرم افزاری
• آزمایش.

این برنامه به فارغ التحصیلان اجازه می دهد تا طیف گسترده ای از نقش ها را در علم داده ایفا کنند. مشاغل رایج در این زمینه عبارتند از:

• مهندسان داده
• تحلیلگران کسب و کار
• مدیران داده
• شاغلین یادگیری ماشینی
• دانشمندان داده