Mestrado em Ciência de Dados

O programa de MS em Ciência de Dados está recrutando alunos com sólida formação em graduação em uma das principais áreas de estatística, matemática computacional, ciência da computação e ciência da informação, ou campos técnicos intimamente relacionados, e dá a eles treinamento interdisciplinar avançado nas disciplinas de estatística, matemática, ciências da computação e ciências computacionais, em níveis adequados para alunos de MS nas respectivas disciplinas. O programa se estende por dois anos acadêmicos de instrução; como tal, qualquer diploma de MS de dois anos dedicado em qualquer uma dessas disciplinas se aprofundaria mais nessa direção do que o diploma de MS de dois anos em Ciência de Dados.

Os alunos típicos chegam com competências de programação adequadas. Isso pode incluir experiência prática com linguagens das ciências matemáticas, como MATLAB ou R, ou programação clássica orientada a objetos.

Quem procuramos:

• Você tem um diploma técnico de quatro anos e precisa aprender mais sobre metodologias de análise de dados para promover sua carreira profissional.
• Você gosta das ciências matemáticas e sabe programar, especialmente quando pode ver como o lado prático pode fazer a diferença nos problemas da vida real.
• Você deseja se tornar proficiente em explicar métodos de ciência de dados para seus colegas não técnicos e ajudar a formular decisões baseadas em equipes baseadas em dados.
• Você se vê como potencialmente capaz de inventar novos métodos de ciência de dados com princípios que são adaptados às necessidades de seu ambiente profissional.

O grau de MS em Ciência de Dados é uma pós-graduação de 30 créditos, composta de 18 créditos obrigatórios, 9 créditos eletivos e um curso capstone de 3 créditos. Visite a página de pesquisa de cursos do MSU Registrar para obter as descrições dos cursos do catálogo da MSU.

Seis cursos obrigatórios (18 créditos) para este programa são equilibrados entre as três unidades:

• STT 810, um curso sobre probabilidade e estatística matemática para cientistas de dados em nível de MS
• STT 811, um curso sobre metodologia estatística aplicada para cientistas de dados em nível de MS
• CSE 482, um curso de ciência da computação sobre análise de big data que inclui coleta, armazenamento, pré-processamento e análise de grandes quantidades de dados.
• CSE 881, um curso de ciência da computação em mineração de dados, em nível de MS.
• CMSE 830, um curso básico sobre algoritmos e métodos em Ciência de Dados em nível de MS
• CMSE 831, um curso básico sobre otimização aplicada e computacional para cientistas de dados, incluindo implementação, em nível de MS.

9 créditos de disciplinas eletivas derivam de um amplo conjunto de disciplinas nas três unidades. Os alunos com os 6 cursos obrigatórios acima estão bem preparados para fazer as disciplinas eletivas. A lista de disciplinas eletivas inclui o seguinte, e pode incluir outros cursos aprovados pelo comitê MS DS:

• STT 802, cálculo estatístico usando o software especializado R.
• STT 812, um curso compacto sobre análise de dados estatísticos modernos, incluindo aprendizagem estatística
• STT 873, um curso sobre aprendizagem estatística e mineração de dados
• STT 874, um curso de análise bayesiana
• STT 875, um curso de programação R para estatísticas
• CSE 802, um curso sobre reconhecimento de padrões
• CSE 830, um curso sobre projeto e análise de algoritmos
• CSE 847, um curso de aprendizado de máquina
• CSE 849, um curso de aprendizagem profunda
• CMSE / CSE 822, um curso conjunto em computação paralela
• CMSE 402, curso de comunicação em ciência de dados.
• Outras disciplinas eletivas do CMSE que estão a ser desenvolvidas na MSU, algumas das quais são disciplinas temáticas já ministradas no CSME, podendo ser ministradas em conjunto com outras unidades. Existem planos para os seguintes tópicos:
• Quantificação de incerteza CMSE 890 (foi ensinado)
• Topologia Aplicada CMSE 890 (foi ensinado)
• Modelos Gráficos Probabilísticos CMSE 890 (planejado)
• Processamento Matemático de Imagens CMSE 890 (planejado)
• CMSE 890 Biomedical Science Data (planejado)
• CMSE 890 Applied Machine Learning for Biomedicina (planejado)
• Métodos Computacionais CMSE 890 para Aprendizado de Máquina (planejado)
• Outros cursos de tópicos de estatística STT 890 aprovados pelo comitê MS DS.
• Outros cursos de tópicos de ciência da computação CSE 890 aprovados pelo comitê MS DS.
• Qualquer curso de pós-graduação da MSU cobrindo tópicos de ciência de dados que podem ser aprovados pelo comitê de MS DS.
  • Quantificação de incerteza CMSE 890 (foi ensinado)
  • Topologia Aplicada CMSE 890 (foi ensinado)
  • Modelos Gráficos Probabilísticos CMSE 890 (planejado)
  • Processamento Matemático de Imagens CMSE 890 (planejado)
  • CMSE 890 Biomedical Science Data (planejado)
  • CMSE 890 Applied Machine Learning for Biomedicina (planejado)
  • Métodos Computacionais CMSE 890 para Aprendizado de Máquina (planejado)
  • Outros cursos de tópicos de estatística STT 890 aprovados pelo comitê MS DS.
  • Outros cursos de tópicos de ciência da computação CSE 890 aprovados pelo comitê MS DS.
  • Qualquer curso de pós-graduação da MSU cobrindo tópicos de ciência de dados que podem ser aprovados pelo comitê de MS DS.

Um curso fundamental de 3 créditos envolve a conclusão de um projeto de ciência de dados aplicado, industrial ou governamental. O crédito para este curso pode ser registrado como um dos cursos de três tópicos:

• STT 890
• CSE 890
• CMSE 890

O programa está construindo um portfólio de estudos de caso, apresentando projetos fundamentais conduzidos por clientes da indústria, governo ou academia.

Com suas habilidades computacionais e analíticas, os graduados do programa podem:

• Assimile, processe e interprete dados de fontes ricas e diversas ou de conjuntos de dados grandes e potencialmente distribuídos.
• Construa modelos computacionais, matemáticos e estatísticos que inferem relacionamentos significativos nos dados e podem ser usados para interpretação e análise preditiva.
• Crie visualizações para auxiliar na compreensão de seus dados e modelos.
• Comunique suas descobertas e percepções a uma variedade de públicos para que decisões possam ser tomadas e ações possam ser tomadas.