Master in analisi dei dati
Oxford Brookes University
Informazione chiave
Posizione del campus
Wheatley, Regno Unito
Le lingue
Inglese
Formato di studio
Nel campus
Durata
1 - 5 anno
Ritmo
Tempo pieno, Mezza giornata
Tasse universitarie
GBP 16.600 / per year *
Scadenza della domanda
Richiedi informazioni
La prima data di inizio
Richiedi informazioni
* Studenti del Regno Unito a tempo pieno: £ 1.080 per singolo modulo | Studenti internazionali/UE a tempo pieno: £ 16.600
Borse di studio
Esplora le opportunità di borse di studio per contribuire a finanziare i tuoi studi
introduzione
Con il nostro Master in Data Analytics, imparerai la teoria fondamentale e eserciterai la modellazione matematica e statistica. Con particolare riferimento all'analisi e visualizzazione dei dati.
Con i recenti sviluppi della tecnologia digitale, la società è entrata nell'era dei "big data". Il governo del Regno Unito riconosce i big data come una delle otto grandi tecnologie. Ha priorità di finanziamento e di ricerca e avrà un ruolo fondamentale nella ricostruzione e nel rafforzamento dell'economia.
L'esplosione e la ricchezza di dati disponibili in un'ampia gamma di domini applicativi danno origine a nuove sfide e opportunità in tutti i settori. Una delle sfide principali è come sfruttare la scala di dati senza precedenti. E come acquisire ulteriori approfondimenti e conoscenze per migliorare la qualità dei prodotti e dei servizi offerti.
Abbiamo progettato il Master in Data Analytics per coloro che attualmente lavorano. E per affiancare il Master in Data Analytics for Government. È disponibile per tutti gli studenti e non è esclusivo di un particolare settore lavorativo.
Galleria
Ammissioni
Borse di studio e finanziamenti
Curriculum
Moduli di studio
Moduli obbligatori
- Metodi di ricerca e di studio (10 crediti)
Questo modulo vi fornirà le competenze necessarie per svolgere ricerche e utilizzare metodi di studio efficaci che saranno alla base della vostra tesi di laurea. - Data Science Foundations (10 crediti)
Questo modulo presenta una panoramica dei concetti e degli strumenti fondamentali della scienza dei dati, concentrandosi su questioni di ricerca reali in materia di scienza dei dati con un'esposizione pratica alla programmazione in R e/o Python come parte integrante del corso. - Fondamenti dell'indagine (10 crediti)
Questo modulo fornisce una panoramica dei fondamenti del campionamento e della stima. - Programmazione statistica (10 crediti)
Questo modulo introduce le tecniche di programmazione di base in R, essenziali per la manipolazione dei dati, l'elaborazione e l'analisi di fonti di dati tradizionali e alternative, attraverso sessioni pratiche. - Introduzione alla ricerca per sondaggi (10 crediti)
Questo modulo introduce le fasi di pianificazione e realizzazione dei sondaggi. Si prenderanno in considerazione i problemi metodologici che possono sorgere, compresi gli errori, e si discuteranno le opzioni per ridurre al minimo l'impatto attraverso il disegno dell'indagine. - Modellazione della regressione (10 crediti)
Questo modulo introdurrà il modello di regressione di base - l'analisi dei residui, la costruzione e la selezione del modello e la gestione delle variabili categoriche. Verrà inoltre introdotta la regressione logistica (regressione a risposta binaria), la valutazione dell'adattamento del modello e la costruzione e selezione del modello. Infine, verranno introdotte la regressione multipla e la modellazione della regressione multivariata. - Modellistica statistica avanzata (10 crediti)
Questo modulo introduce un'ampia classe di modelli statistici lineari e non lineari e i principi dell'inferenza di verosimiglianza a una serie di problemi di analisi dei dati comunemente riscontrati in diverse discipline. - Analisi delle serie temporali (10 crediti)
Questo modulo introduce alle serie temporali e ai metodi di previsione. - Introduzione all'apprendimento automatico (10 crediti)
Questo modulo fornisce i principi dell'apprendimento informatico e delle sue applicazioni. Copre i fondamenti delle metodologie di apprendimento automatico, le implementazioni e i metodi di analisi appropriati per le applicazioni di apprendimento automatico. - Advanced Machine Learning (10 crediti)
Questo modulo si basa sul modulo Intro to Machine Learning. Si concentra sulle competenze avanzate di programmazione e sul calcolo neurale come estensione dell'apprendimento automatico, dell'elaborazione del linguaggio naturale &. Prende in considerazione algoritmi di apprendimento automatico supervisionati e non supervisionati (foreste casuali, reti neurali, clustering, regressione logica e macchine vettoriali di supporto) insieme ad algoritmi più avanzati di elaborazione di immagini e dati multimediali. - Introduzione ai sistemi distribuiti (10 crediti)
Questo modulo fornisce una panoramica sull'elaborazione dei dati su larga scala e sull'elaborazione parallela. Introduce Hadoop e Spark e l'uso dei paradigmi di elaborazione parallela. - Visualizzazione dei dati (10 crediti)
Questo modulo si basa sulle visualizzazioni di base dei dati introdotte nei moduli obbligatori. Verranno trattati il design dell'informazione, il design dell'interazione e il coinvolgimento dell'utente; strumenti all'avanguardia per costruire visualizzazioni utili per diversi tipi di set di dati e scenari applicativi.
Progetto finale
- Dissertazione in Data Analytics (60 crediti)
Gli studenti dell'MSc devono inoltre completare una dissertazione su un argomento incentrato sulla scienza dei dati relativo al loro programma di studio.
Il contenuto esatto di ogni tesi varia a seconda del titolo, ma comporta il completamento di una revisione della letteratura e della ricerca dell'argomento a un livello avanzato, la preparazione di una proposta di progetto, l'applicazione di tecniche analitiche e approcci accademici per la generazione di soluzioni alternative e la sintesi di una soluzione per il problema complesso in questione, insieme alla presentazione della soluzione in forma orale e scritta.
Apprendimento e insegnamento
Il nostro corso ha una strategia di insegnamento e apprendimento basata sul coinvolgimento attivo degli studenti.
Utilizziamo una varietà di metodi di insegnamento e di valutazione, come ad esempio:
- rapporti di valutazione critica
- rapporti di analisi dei dati
- analisi dei dati tramite applicazioni software
- presentazioni e casi di studio.
I metodi di apprendimento includono:
- apprendimento misto
- conferenze formali
- pratiche di problem solving
- apprendimento autonomo guidato
- utilizzo dell'ambiente di apprendimento virtuale basato su computer "Moodle".
- ricerca indipendente
- software di analisi dei dati
- esperimenti.
Tassa di iscrizione al programma
Opportunità di carriera
Questo programma permette ai laureati di intraprendere un'ampia gamma di ruoli nella scienza dei dati. Le carriere più comuni in questo settore sono le seguenti:
- ingegneri dei dati
- analisti aziendali
- gestori di dati
- professionisti dell'apprendimento automatico
- scienziati dei dati.
Sulla scuola
Domande
Corsi simili
Master in logistica, analisi dei dati e gestione della catena di fornitura
- Bradford, Regno Unito
Master in analisi dei dati omici
- Barcelona, Spagna
- Vic, Spagna
Maestro di analisi dell'apprendimento (ricerca)
- Sydney, Australia
- Moore Park, Australia + 2 Di più