Master în Data Science, UCAM

MODULE DE CENTRE

Această secțiune oferă detalii despre structura, conținutul și rezultatele învățării tuturor modulelor din această calificare.

LUCRU CU DATE

Descrierea modulului

Acest modul inculcă înțelegere practică și un cadru care permite executarea acțiunilor esențiale de analiză, cum ar fi extragerea, curățarea, modificarea și analiza datelor. În acest modul, cursanții înțeleg cunoștințele despre limbaje de programare, instrumente, cadre și biblioteci utilizate pe parcursul cursului pentru a achiziționa și modela seturi de date. Analiza datelor se realizează prin vizualizarea, rezumarea și dezvoltarea abilităților rudimentare de manipulare a datelor, acordând atenție tipurilor, numelor și valorilor variabilelor. În plus, gestionarea datelor folosind date, șiruri și alte elemente, îmbunătățește abilitățile cursanților de a efectua cercetări de date și de a genera vizualizări.

Rezultatele învățării

L01: Analizați informații folosind instrumente de vizualizare a datelor, rezumat și numărare.

L2: Dobândiți abilități rudimentare în manipularea datelor, concentrându-vă pe tipuri de variabile, nume și valori.

L03: Să înveți cum să folosești operatorul de țevi pentru a combina numeroase operațiuni de curățare într-un lanț.

L04: Abilitatea de a lucra cu date care includ date, șiruri de caractere și alte variabile

Conținut acoperit

• Tehnici de curățare a datelor
• Preprocesarea datelor
• Manipulare de date
• Programare Python de bază
• Vizualizarea datelor folosind Matplotlib
• Algebră liniară
• Statistici și probabilități
• Analiza datelor exploratorii
• Varianta, abaterea standard, mediana
• Diagrame cu bare și diagrame cu linii
• Biblioteci Python și cadru în analiza datelor
• Scatterplot 2D
• Scatterplot 3D
• Locuri de pereche
• Univariat, bivariat și multivariat
• Histograme
• Boxplot
• IQR (Intervalul inter Quartile)
• Analiza datelor cu Pandas

ANALIZA DATELOR ÎN PROCESELE DE AFACERI

Descrierea modulului

Acest modul abordează principiile creării de modele fiabile de foi de calcul, traducerea modelelor conceptuale în modele matematice și aplicarea lor în foi de calcul. De asemenea, demonstrează cunoașterea a trei instrumente analitice în Excel, funcții Excel și procesul de auditare a modelelor de foi de calcul pentru a asigura acuratețea. În plus, în acest modul sunt acoperite

Analiza deciziei, tabele de plăți și arbori de decizie. Microsoft Power BI ajută utilizatorii să obțină cunoștințe practice din date pentru a rezolva problemele de afaceri, aducând modele analitice în luarea deciziilor corporative. Cursanții dobândesc informații despre funcțiile analitice avansate ale Power BI, cum ar fi predicția, vizualizarea datelor și expresiile de analiză a datelor.

Rezultatele învățării

LO1: Analizați critic utilizarea datelor de afaceri într-un context organizațional de luare a deciziilor.

LO2: Demonstrați o înțelegere critică a principiilor de analiză de afaceri în funcțiile de management.

LO3: Aplicați tehnici adecvate de gestionare și analiză a datelor pentru a prelua, organiza și manipula datele.

LO4: Aplicați metode adecvate de analiză a datelor statistice și tehnici de vizualizare pentru a lua decizii de afaceri solide.

Conținut acoperit

• Crearea modelelor de foi de calcul
• Analiza ce se întâmplă dacă
• Funcții pentru modelare
• Auditarea modelelor de foi de calcul
• Modele de foi de calcul predictiv și prescriptiv
• Identificarea problemei
• Analiza deciziei
• Analiza deciziei cu sau fără probabilități
• Probabilități de ramură de calcul
• Teoria utilitatii
• Streaming de date în Power BI
• Vizualizarea în Power BI
• Expresii de analiză a datelor
• Raportați vizualizările în PowerBI
• Sortarea datelor
• Transformarea datelor
• Filtrarea datelor
• Editor Power Query
• Analiza de risc
• Analiza de sensibilitate

TEHNICI DE MINERE DE DATE

Descrierea modulului

Procesul de extragere a datelor include colectarea informațiilor necesare din baze de date enorme care ajută la luarea unei decizii informate. Modulul demonstrează tehnici de extragere a datelor, cum ar fi procesarea datelor, descoperirea modelelor și tendințele în informații. Aceste metode sunt folosite pentru a obține abilitățile și abilitățile de aplicare a integrării, curățării, selecției și transformării datelor pe tabele și grafice pentru descoperirea cunoștințelor. Bibliotecile de matrice Python permit cursanților să construiască o reprezentare realistă a text mining prin executarea unor sarcini precum clasificarea, estimarea, segmentarea, prognoza, secvența și asocierea datelor.

Rezultatele învățării

LO1: Înțelegeți elementele fundamentale ale extragerii și analizei de text, inclusiv identificarea tiparelor interesante, extragerea de cunoștințe utile și sprijinirea procesului decizional.

LO2: Explorează principiile fundamentale ale text mining și algoritmii esențiali și unele dintre aplicațiile lor practice.

LO3: Să fie capabil să aplice cunoștințele și abilitățile învățate pentru a implementa tehnici scalabile de descoperire a modelelor pe volume mari de date tranzacționale

LO4: Implicarea în discuții semnificative despre valorile de evaluare a modelelor și investigarea tehnicilor de extragere a diferitelor modele, inclusiv modele secvenţiale și sub-grafice.

Conținut acoperit

• Introducere în data mining
• Exploatarea datelor într-un mediu bazat pe Python
• Ce este un depozit de date
• Cum să găsiți modele?
• Analiza de afinitate
• Recomandări de produs
• Introducere în exploatarea bazelor de date
• Baze de date și SQL
• DDL, DML, Joinuri și Scheme
• Cum să utilizați bibliotecile Python Matrix pe seturi de date.
• Încărcați setul de date cu NumPy
• Reprezentări de date prietenoase cu minerit
• Reprezentarea textului pentru data mining.
• De ce este textul complex?
• Exploatarea textului
• Modelarea datelor, evaluarea și implementarea în Text Mining
• Tehnici exemplificative: Reprezentarea sac de cuvinte în Text Mining
• Exploatarea frecventă a subgrafelor

ALGORITMI ÎN DATA SCIENCE

Descrierea modulului

Acest modul oferă cunoștințe extinse despre împărțirea datelor în formare, validare și creare de seturi de testare. Dezvoltați și evaluați modele de minerit predictiv prin integrarea unui cadru și a percepției practice. Sunt prezentate numeroase indicatori de performanță pentru sistemele de estimare și clasificare. Cele mai răspândite abordări de modelare predictivă, inclusiv rețelele neuronale artificiale, mașinile vectoriale suport, vecinul cel mai apropiat k, învățarea bayesiană, modelele de ansamblu și diferiți arbori de decizie, sunt revizuite în acest modul și oferă rezultate.

Rezultatele învățării

LO1: Introduceți conceptele algoritmice fundamentale, inclusiv sortarea și căutarea, împărțirea și cucerirea și algoritmi complecși.

LO2: Sortați datele și utilizați-le pentru căutare; descompune o problemă uriașă în altele mai mici și răspunde la ele recursiv; aplicați programarea dinamică cercetării genomice; și altele.

LO3: Discutați și construiți cele mai des utilizate structuri de date pentru calcularea modernă LO4: Pentru a putea folosi cele mai utilizate structuri de date în industrie în calculul modern

Conținut acoperit

• Metoda de reținere statică
• Validare încrucișată k-Fold
• Date dezechilibrate de clasă
• Evaluarea clasificării rezultatelor categorice
• Evaluarea estimării rezultatelor continue
• Regresie logistică
• K-cel mai apropiat vecin
• Metoda celui mai apropiat vecin pentru predicție
• Arborele de clasificare și regresie
• Suport mașini vectoriale
• Abordare bazată pe proces a utilizării SVM
• Metode naive Bayes
• Rețele Bayesiene
• Arhitecturi de rețele neuronale
• Modelare ansamblu

MODULE DE SPECIALIZARE

Această secțiune oferă detalii despre structura, conținutul și rezultatele învățării ale Pathways de specializare .

MODELAREA DATELOR STATISTICE

Descrierea cursului

Acest modul oferă cursanților cunoștințele necesare pentru a aplica multe modele de predicție și pentru a înțelege regresia liniară. Creați predicții bazate pe un grup de variabile de intrare folosind metode de analiză de regresie. Cursanții investighează modalitatea de modelare a unei game extinse de interacțiuni din lumea reală folosind metodologii statistice complicate, cum ar fi modele liniare și aditive generalizate. Acest modul inculcă metodologii intermediare și avansate de modelare statistică. Este creat special pentru ca cursanții să dezvolte competențe în analiza regresiei liniare, design experimental și modele liniare și aditive extinse. Pe baza acestor abilități, interpretarea datelor, descoperirea legăturilor dintre variabile și generarea de predicții sunt simplificate prin reprezentări intuitive.

Rezultatele învățării

LO1: Faceți diferența între diferitele tipuri de modele predictive și regresia liniară Master

LO2: Înțelegeți funcționarea interioară prin algoritmi ai diferitelor modele

LO3: Analizați și explorați rezultatele regresiei logistice și înțelegeți când să faceți analiza discriminantă

LO4: Maximizați productivitatea analitică analizând diferite modele și interpretând acuratețea acestora într-un mod bine organizat

Conținut acoperit

• Selectarea unui eșantion
• Estimarea punctului
• Distribuții de eșantionare
• Estimarea intervalului
• Teste de ipoteză
• Inferență statistică și semnificație practică
• Un model de regresie liniară simplă
• Metoda celui mai mic pătrat
• Inferență și regresie
• Model de regresie multiplă
• Regresia logistică
• Predicții cu regresie
• Potrivirea modelului
• Model de date Tableau
• Transformarea formelor și a datelor folosind Editorul de interogări Tableau
• Vizualizarea raportului Tableau

Aplicații ale datelor în inteligența artificială și blockchain

Descrierea cursului

În acest modul, cursanții vor înțelege mai bine aplicațiile de inteligență artificială (AI) în afaceri și vor înțelege procesul decizional cu inteligența artificială. Prin progrese în IoT și apariția Blockchain-ului, acest curriculum pregătește studenții cu o bază largă de soluții software activate de AI. Pe măsură ce cursanții continuă prin acest modul, ei se familiarizează cu tehnologia care alimentează lumea automatizată - cunoscând tipurile de algoritmi și modul în care aceștia pot fi utilizați pentru a îmbunătăți sau replica comportamentul uman în diverse aplicații. Acest modul învață despre componentele AI, IoT, Blockchain și învățare automată, în timp ce se bazează pe un cadru conceptual solid care va prezenta modalități riguroase, practice și pas cu pas de a aborda provocările realiste și complexe din lumea reală.

Rezultatele învățării

LO1. Prezentarea Inteligenței Artificiale (AI), explorând caracteristicile și variantele acesteia în domeniul afacerilor. În plus, să înțeleagă contextul de afaceri al AI și să interpreteze luarea deciziilor AI.

LO2. Înțelegeți și creați un plan de implementare a AI pentru o configurație de afaceri prin recunoașterea parametrilor adecvați ai modelului

LO3: Pentru a explora în continuare componentele Blockchain și a înțelege conceptul, caracteristicile, beneficiile și relevanța Tehnologiei Ledger Distribuit (DLT) în aplicație

LO4: Înțelegerea Hyperledger, Smart Contracts și IoT (Internet of Things) în modelele de afaceri aplicate pentru a evalua impactul pe termen lung

Conținut acoperit

• Introducere în inteligența artificială
• AI permite aplicații
• Ce este Deep Learning
• Rețele neuronale artificiale
• Procesarea imaginilor și OpenCV
• Introducere în NLP
• Rețele neuronale artificiale
• Procesarea textului
• Clasificarea textului
• Modelarea subiectului
• Rețele neuronale recurente
• Componentele majore ale IoT
• Varietate de senzori
• Actuatoare
• Protocoale IoT la diferite niveluri
• Aplicații și interfață cu utilizatorul în IoT
• Fabricile inteligente de mâine și Internetul Industrial al Lucrurilor
• Introducere în Blockchains
• Introducerea și utilizarea Hyperledger și Smart Contract
• Structura Blockchains
• Sisteme centralizate, descentralizate și distribuite
• Introducere în DLT
• Caracteristici, beneficii și utilizare DLT în Blockchain
• Tipuri de Blockchain
• De ce Blockchain?
• Crearea de aplicații AI și ML folosind tehnologia Blockchain

PARTEA 2: Proiectul Capstone

Descrierea modulului:

Scopul acestui modul este de a discuta și explica rolul științei datelor și practicile sale într-o organizație și influența acestora asupra performanței și competenței generale a organizației. Acest modul este conceput pentru a dezvolta o înțelegere a practicilor contemporane și a competenței de a dezvolta o întrebare de cercetare sau de proiectare, să ilustreze modul în care se leagă de cunoștințele actuale și să desfășoare studiul într-o manieră sistematică. Cursanții vor fi încurajați să aleagă un proiect de cercetare/dezvoltare care să afișeze învățarea lor trecută în domeniul științei datelor. Este menit să dobândească o înțelegere a științei datelor și a schimbării de paradigmă în abordările și metodele legate de diferite funcții ale DS, cum ar fi vizualizarea datelor, probabilitatea, inferența și modelarea, extragerea datelor, organizarea datelor, regresia și învățarea automată, pentru a numi câteva . De asemenea, se străduiește să evidențieze rolul și semnificația analizei și modelării datelor în timpul planificării, luării deciziilor și implementării schimbării în organizație. După finalizarea cu succes a modulului, participanții vor avea cunoștințe cuprinzătoare despre contextul mai larg de analiză a datelor și un produs de date pentru a-și demonstra expertiza în știința datelor potențialilor angajatori sau programelor educaționale.

Rezultatele învățării

LO1: Efectuați cercetare și dezvoltare independentă în contextul unui proiect de știință a datelor

LO2: Dezvoltarea capacității de a rezolva în mod independent probleme folosind analitică și știința datelor

LO3: Comunicați informații tehnice clar și succint unui public larg, nespecializat.

LO4: Creați documentație scrisă detaliată la un standard așteptat de la un profesionist în domeniul științei datelor și evaluați rezultatele proiectului cu referire la publicațiile cheie de cercetare din domeniul relevant.

PREZENTARE GENERALĂ A CALIFICARILOR

Titlul premiului: Diploma extinsă PG în știința datelor (120 de credite)

Pentru a primi Diploma extinsă postuniversitară de nivel 7 în știința datelor, cursanții trebuie să completeze toate cele patru module din secțiunea CORE (80 de credite) și două module din specializarea aleasă Pathway (40 de credite)

Secțiunea de bază

Secțiunea de bază pentru acest premiu PG Extended Diploma conține patru module obligatorii.

• Lucrul cu date (20 de credite)
• Analiza datelor în procesele de afaceri (20 de credite)
• Tehnici de extragere a datelor (20 de credite)
• Algoritmi în știința datelor (20 de credite)

Specializare Pathways

Diploma extinsă PG în știința datelor are două specializări Pathways .

• Modelarea datelor statistice
• Aplicații ale datelor în inteligența artificială și blockchain

Oportunități de progres

Cursanții care obțin diploma extinsă PG în știința datelor ar putea progresa la: -

• Maestru al științei datelor
• M.Sc în Big Data