Magister nauki o danych, UCAM

MODUŁY PODSTAWOWE

W tej sekcji znajdują się szczegółowe informacje na temat struktury, treści i efektów uczenia się wszystkich modułów tej kwalifikacji.

PRACA Z DANYMI

Opis modułu

Moduł ten wpaja praktyczne zrozumienie i ramy, które umożliwiają wykonywanie niezbędnych działań analitycznych, takich jak wyodrębnianie, czyszczenie, zmiana i analizowanie danych. W tym module uczniowie zdobywają wiedzę na temat języków programowania, narzędzi, frameworków i bibliotek wykorzystywanych w trakcie kursu do pozyskiwania i modelowania zbiorów danych. Analiza danych odbywa się poprzez wizualizację, podsumowywanie i rozwijanie podstawowych umiejętności obsługi danych poprzez zwracanie uwagi na typy, nazwy i wartości zmiennych. Ponadto zarządzanie danymi za pomocą dat, ciągów znaków i innych elementów zwiększa umiejętności uczniów w zakresie przeprowadzania badania danych i generowania wizualizacji.

Wyniki nauki

L01: Analizuj informacje za pomocą narzędzi do wizualizacji, podsumowań i liczenia danych.

L2: Nabycie podstawowych umiejętności w zakresie obsługi danych, koncentrując się na typach, nazwach i wartościach zmiennych.

L03: Nauczenie się, jak używać operatora rur do łączenia wielu operacji porządkowych w łańcuchu.

L04: Możliwość pracy z danymi zawierającymi daty, ciągi znaków i inne zmienne

Objęte treści

• Techniki czyszczenia danych
• Wstępne przetwarzanie danych
• Manipulacja danymi
• Podstawowe programowanie w Pythonie
• Wizualizacja danych przy użyciu Matplotlib
• Algebra liniowa
• Statystyka i prawdopodobieństwo
• Analiza danych rozpoznawczych
• Wariancja, odchylenie standardowe, mediana
• Wykresy słupkowe i wykresy liniowe
• Biblioteki i frameworki Pythona w analizie danych
• Wykres rozrzutu 2D
• Wykres rozrzutu 3D
• Paruj działki
• Jednowymiarowe, dwuwymiarowe i wielowymiarowe
• Histogramy
• Wykres pudełkowy
• IQR (rozstęp międzykwartylowy)
• Analiza danych za pomocą Pand

ANALITYKA DANYCH W PROCESACH BIZNESOWYCH

Opis modułu

Moduł ten omawia zasady tworzenia wiarygodnych modeli arkuszy kalkulacyjnych, przekładania modeli koncepcyjnych na modele matematyczne i stosowania ich w arkuszach kalkulacyjnych. Wykazuje także znajomość trzech narzędzi analitycznych w programie Excel, funkcji programu Excel oraz procesu audytu modeli arkuszy kalkulacyjnych w celu zapewnienia dokładności. Dodatkowo ujęte w tym module są

Analiza decyzji, tabele wypłat i drzewa decyzyjne. Microsoft Power BI pomaga użytkownikom czerpać praktyczną wiedzę z danych w celu rozwiązywania problemów biznesowych, wprowadzając modele analityczne do korporacyjnego procesu decyzyjnego. Uczestnicy zdobywają wgląd w zaawansowane funkcje analityczne usługi Power BI, takie jak przewidywanie, wizualizacje danych i wyrażenia analizy danych.

Wyniki nauki

Efekt 1: Krytycznie przeanalizuj wykorzystanie danych biznesowych w kontekście podejmowania decyzji w organizacji.

Efekt 2: Wykazać krytyczne zrozumienie zasad analityki biznesowej na stanowiskach kierowniczych.

Efekt 3: Stosuje odpowiednie techniki zarządzania i analizy danych w celu wyszukiwania, organizowania i manipulowania danymi.

Efekt 4: Stosuje odpowiednie metody analizy danych statystycznych i techniki wizualizacji w celu podejmowania właściwych decyzji biznesowych.

Objęte treści

• Tworzenie modeli arkuszy kalkulacyjnych
• Co jeśli analiza
• Funkcje modelowania
• Audyt modeli arkuszy kalkulacyjnych
• Predykcyjne i preskryptywne modele arkuszy kalkulacyjnych
• Identyfikacja problemu
• Analiza decyzji
• Analiza decyzji z prawdopodobieństwem lub bez
• Obliczanie prawdopodobieństw rozgałęzień
• Teoria użyteczności
• Przesyłanie strumieniowe danych w Power BI
• Wizualizacja w Power BI
• Wyrażenia analizy danych
• Wyświetlenia raportów w PowerBI
• Sortowanie danych
• Transformacja danych
• Filtrowanie danych
• Edytor Power Query
• Ocena ryzyka
• Analiza wrażliwości

TECHNIKI eksploracji danych

Opis modułu

Proces eksploracji danych obejmuje gromadzenie niezbędnych informacji z ogromnych baz danych, które pomagają podjąć świadomą decyzję. Moduł demonstruje techniki eksploracji danych, takie jak przetwarzanie danych, odkrywanie wzorców i trendy w informacjach. Metody te są stosowane w celu uzyskania umiejętności i zdolności do stosowania integracji danych, oczyszczania, selekcji i transformacji w tabelach i wykresach w celu odkrywania wiedzy. Biblioteki macierzy Pythona pozwalają uczniom konstruować realistyczną reprezentację eksploracji tekstu poprzez wykonywanie zadań, takich jak klasyfikacja, szacowanie, segmentacja, prognozowanie, sekwencja i kojarzenie danych.

Wyniki nauki

Efekt 1: Zrozumienie podstaw eksploracji i analizy tekstu, w tym identyfikowanie ekscytujących wzorców, wydobywanie przydatnej wiedzy i wspieranie procesu decyzyjnego.

LO2: Poznaj podstawowe zasady eksploracji tekstu i podstawowe algorytmy oraz niektóre z ich praktycznych zastosowań.

Efekt 3: Potrafi zastosować zdobytą wiedzę i umiejętności do wdrożenia skalowalnych technik odkrywania wzorców na dużych wolumenach danych transakcyjnych

Efekt końcowy4: Angażowanie się w konstruktywne dyskusje na temat metryk oceny wzorców i badanie technik eksploracji różnych wzorców, w tym wzorców sekwencyjnych i podwykresowych.

Objęte treści

• Wprowadzenie do eksploracji danych
• Data Mining w środowisku opartym na Pythonie
• Co to jest hurtownia danych
• Jak znaleźć wzory?
• Analiza powinowactwa
• Rekomendacja produktu
• Wprowadzenie do eksploracji baz danych
• Bazy danych i SQL
• DDL, DML, złączenia i schematy
• Jak używać bibliotek macierzowych Pythona w zbiorach danych.
• Załaduj zestaw danych za pomocą NumPy
• Reprezentacje danych przyjazne eksploracji
• Reprezentacja tekstu dla eksploracji danych.
• Dlaczego tekst jest złożony?
• Eksploracja tekstu
• Modelowanie danych, ocena i wdrażanie w eksploracji tekstu
• Przykładowe techniki: Reprezentacja worka słów w Text Miningu
• Częste wydobywanie podgrafów

ALGORYTMY W NAUCE O DANYCH

Opis modułu

Moduł ten zapewnia obszerną wiedzę na temat dzielenia danych na szkolenia, walidację i tworzenie zestawów testowych. Opracowuj i oceniaj predykcyjne modele wydobycia poprzez integrację ram i praktycznej percepcji. Przedstawiono wiele wskaźników wydajności systemów estymacji i kategoryzacji. W tym module omówiono najbardziej rozpowszechnione podejścia do modelowania predykcyjnego, w tym sztuczne sieci neuronowe, maszyny wektorów nośnych, k-najbliższego sąsiada, uczenie bayesowskie, modele zespołowe i różne drzewa decyzyjne, wraz z przedstawieniem wyników.

Wyniki nauki

Efekt 1: Przedstaw podstawowe pojęcia algorytmiczne, w tym sortowanie i wyszukiwanie, dzielenie i zwyciężanie oraz złożone algorytmy.

LO2: Sortuj dane i używaj ich do wyszukiwania; podziel ogromny problem na mniejsze i rozwiąż je rekurencyjnie; zastosować programowanie dynamiczne do badań genomicznych; i więcej.

LO3: Omówić i skonstruować najczęściej używane struktury danych we współczesnym informatyce LO4: Umiejętność wykorzystania najczęściej używanych w branży struktur danych we współczesnym informatyce

Objęte treści

• Metoda statycznego zatrzymania
• Walidacja krzyżowa k-krotnie
• Dane niezrównoważone klasowo
• Ocena klasyfikacji wyników kategorycznych
• Ocena szacowania wyników ciągłych
• Regresja logistyczna
• K-najbliższy sąsiad
• Metoda najbliższego sąsiada do przewidywania
• Drzewo klasyfikacji i regresji
• Wsparcie maszyn wektorowych
• Podejście procesowe do wykorzystania SVM
• Naiwne metody Bayesa
• Sieci Bayesowskie
• Architektury sieci neuronowych
• Modelowanie zespołowe

MODUŁY SPECJALIZACJI

W tej części przedstawiono szczegółowe informacje na temat struktury, treści i efektów uczenia się Pathways specjalizacji.

MODELOWANIE DANYCH STATYSTYCZNYCH

Opis kursu

Moduł ten daje uczniom wiedzę pozwalającą na zastosowanie wielu modeli predykcyjnych i pozwala zrozumieć regresję liniową. Twórz predykcje na podstawie grupy zmiennych wejściowych, korzystając z metod analizy regresji. Uczniowie badają sposób modelowania szerokiego zakresu interakcji w świecie rzeczywistym przy użyciu skomplikowanych metod statystycznych, takich jak uogólnione modele liniowe i addytywne. Moduł ten wpaja średniozaawansowane i zaawansowane metodologie modelowania statystycznego. Został stworzony specjalnie dla uczniów, aby mogli rozwinąć biegłość w analizie regresji liniowej, projektowaniu eksperymentów oraz rozszerzonych modelach liniowych i addytywnych. Dzięki tym umiejętnościom interpretacja danych, odkrywanie powiązań między zmiennymi i generowanie prognoz staje się prostsza dzięki intuicyjnym reprezentacjom.

Wyniki nauki

Efekt 1: Rozróżnienie różnych typów modeli predykcyjnych i opanowanie regresji liniowej

Efekt 2: Zrozumienie wewnętrznego działania poprzez algorytmy różnych modeli

Efekt 3: Analizowanie i badanie wyników regresji logistycznej oraz zrozumienie, kiedy należy zastosować analizę dyskryminacyjną

Efekt 4: Maksymalizuj produktywność analityczną, analizując różne modele i interpretując ich dokładność w dobrze zorganizowany sposób

Objęte treści

• Wybór próbki
• Oszacowanie punktowe
• Rozkłady próbkowania
• Oszacowanie interwałowe
• Testy hipotez
• Wnioskowanie statystyczne i znaczenie praktyczne
• Prosty model regresji liniowej
• Metoda najmniejszych kwadratów
• Wnioskowanie i regresja
• Model regresji wielokrotnej
• Regresja logistyczna
• Prognozy z regresją
• Dopasowanie modelu
• Model danych tableau
• Transformacja kształtów i danych za pomocą edytora zapytań Tableau
• Widok raportu Tableau

Zastosowania danych w sztucznej inteligencji i Blockchain

Opis kursu

W tym module uczniowie lepiej zrozumieją zastosowania sztucznej inteligencji (AI) w biznesie i zrozumieją proces podejmowania decyzji przez sztuczną inteligencję. Dzięki przełomom w IoT i pojawieniu się Blockchain ten program nauczania przygotowuje studentów z szeroką bazą rozwiązań programowych obsługujących sztuczną inteligencję. Kontynuując naukę w tym module, uczniowie zapoznają się z technologią, która napędza zautomatyzowany świat — poznają rodzaje algorytmów i sposoby ich wykorzystania do ulepszania lub replikowania ludzkich zachowań w różnorodnych zastosowaniach. Moduł ten uczy o sztucznej inteligencji, IoT, Blockchain i komponentach uczenia maszynowego, opierając się na solidnych ramach koncepcyjnych, które przedstawiają rygorystyczne, praktyczne i krok po kroku sposoby stawiania czoła realistycznym, złożonym wyzwaniom w świecie rzeczywistym.

Wyniki nauki

LO1. Przedstawiamy sztuczną inteligencję (AI), badając jej funkcje i warianty w domenie biznesowej. Ponadto zrozumienie kontekstu biznesowego sztucznej inteligencji i interpretacja procesu decyzyjnego AI.

LO2. Zrozum i utwórz plan wdrożenia AI dla konfiguracji biznesowej poprzez rozpoznanie odpowiednich parametrów modelu

Efekt 3: Dalsze badanie komponentów Blockchain i zrozumienie koncepcji, funkcji, korzyści i znaczenia technologii rozproszonej księgi rachunkowej (DLT)

LO4: Zrozumienie Hyperledger, inteligentnych kontraktów i IoT (Internetu rzeczy) w stosowanych modelach biznesowych w celu oceny wpływu w dłuższej perspektywie

Objęte treści

• Wprowadzenie do sztucznej inteligencji
• Sztuczna inteligencja umożliwia aplikacje
• Co to jest głębokie uczenie się
• Sztuczne sieci neuronowe
• Przetwarzanie obrazu i OpenCV
• Wprowadzenie do NLP
• Sztuczne sieci neuronowe
• Przetwarzanie tekstu
• Klasyfikacja tekstu
• Modelowanie tematyczne
• Rekurencyjne sieci neuronowe
• Główne elementy IoT
• Różnorodność czujników
• Siłowniki
• Protokoły IoT na różnych warstwach
• Aplikacje i interfejs użytkownika w IoT
• Inteligentne fabryki jutra i Przemysłowy Internet Rzeczy
• Wprowadzenie do Blockchainów
• Wprowadzenie i wykorzystanie Hyperledger i Smart Contract
• Struktura Blockchainów
• Systemy scentralizowane, zdecentralizowane i rozproszone
• Wprowadzenie do DLT
• Funkcje, korzyści i wykorzystanie DLT w Blockchain
• Rodzaje Blockchainów
• Dlaczego Blockchain?
• Budowanie aplikacji AI i ML z wykorzystaniem technologii Blockchain

CZĘŚĆ 2: Projekt Capstone

Opis modułu:

Celem tego modułu jest omówienie i wyjaśnienie roli Data Science i jej praktyk w organizacji oraz ich wpływu na ogólną wydajność i kompetencje organizacji. Moduł ten ma na celu rozwinięcie zrozumienia współczesnych praktyk i kompetencji w celu opracowania pytania badawczego lub projektowego, zilustrowania jego powiązania z aktualną wiedzą i przeprowadzenia badania w sposób systematyczny. Uczniowie będą zachęcani do wybrania projektu badawczo-rozwojowego, który odzwierciedla ich dotychczasową wiedzę w dziedzinie nauki o danych. Ma na celu zdobycie zrozumienia nauki o danych i zmiany paradygmatu w podejściach i metodach związanych z różnymi funkcjami DS, takimi jak wizualizacja danych, prawdopodobieństwo, wnioskowanie i modelowanie, eksploracja danych, organizacja danych, regresja i uczenie maszynowe, żeby wymienić tylko kilka . Stara się także podkreślić rolę i znaczenie analityki i modelowania danych podczas planowania, podejmowania decyzji i wdrażania zmian w organizacji. Po pomyślnym ukończeniu modułu uczestnicy będą posiadać wszechstronną wiedzę na temat szerszego kontekstu analizy danych i produktu danych, aby wykazać się swoją wiedzą specjalistyczną w zakresie analityki danych potencjalnym pracodawcom lub programom edukacyjnym.

Wyniki nauki

Efekt 1: Prowadzenie niezależnych badań i rozwoju w kontekście projektu analizy danych

LO2: Rozwijanie umiejętności samodzielnego rozwiązywania problemów z wykorzystaniem analityki i analityki danych

Efekt 3: Przekazuj informacje techniczne w sposób jasny i zwięzły szerokiemu, niespecjalistycznemu odbiorcy.

Efekt 4: Tworzy szczegółową pisemną dokumentację zgodnie ze standardami oczekiwanymi od profesjonalisty w dziedzinie nauki o danych i ocenia wyniki projektu w odniesieniu do kluczowych publikacji badawczych w odpowiedniej dziedzinie.

PRZEGLĄD KWALIFIKACJI

Tytuł nagrody: PG Extended Diploma in Data Science (120 kredytów)

Aby otrzymać rozszerzony dyplom ukończenia studiów podyplomowych poziomu 7 w zakresie nauki o danych, uczestnicy muszą ukończyć wszystkie cztery moduły z sekcji CORE (80 punktów) i dwa moduły z wybranej specjalizacji Pathway (40 punktów)

Sekcja podstawowa

Podstawowa sekcja tej nagrody PG Extended Diploma zawiera cztery obowiązkowe moduły.

• Praca z danymi (20 kredytów)
• Analiza danych w procesach biznesowych (20 kredytów)
• Techniki eksploracji danych (20 kredytów)
• Algorytmy w nauce o danych (20 kredytów)

Specjalizacja Pathways

PG Extended Diploma in Data Science ma dwie specjalizacje Pathways .

• Statystyczne modelowanie danych
• Zastosowania danych w sztucznej inteligencji i Blockchain

Możliwości rozwoju

Uczniowie, którzy uzyskają rozszerzony dyplom PG w dziedzinie nauki o danych, mogą przejść do: -

• Master of Data Science
• Magister Big Data