UCAM 데이터 과학 석사
Exeed College
주요 정보
캠퍼스 위치
Sharjah, 아랍에미리트
언어
영어
연구 형식
원격 교육
지속
12 개월
속도
풀 타임
수업료
USD 7,500 / per course
신청 마감
정보 요청
가장 빠른 시작 날짜
정보 요청
소개
데이터 과학 석사는 오늘날의 경쟁이 치열하고 진화하는 비즈니스 환경에 적용할 수 있는 양도 가능한 기술, 지식 및 이해를 제공합니다. 단위는 비즈니스에 대한 국가 직업 표준에 맞춰 조정되며 다양한 비즈니스 환경에서 고용주가 요구하는 핵심 속성을 나타냅니다. 이 자격은 학습자에게 다음을 제공하는 것을 목표로 합니다.
- 비즈니스 관리 부문에서 성공적으로 일하기 위해 필요한 필수 기술에 대한 이해
- 직장/고용 장소에서 효과적인 수행을 위해 학습자를 지적 및 실질적으로 준비시키는 도구
- 비즈니스 환경에서 문제를 해결하는 데 필요한 기술
- 다양한 조직을 과학적으로 관리하고 선도적인 관리직을 맡을 준비가 되어 있습니다.
- 경영의 다양한 영역에서 기업 문화와 책임에 대한 이해
- 비즈니스 및 관리 영역에 대한 포괄적인 이해
과정
핵심 모듈
이 섹션에서는 이 자격에 포함된 모든 모듈의 구조, 내용 및 학습 결과에 대한 세부 정보를 제공합니다.
데이터 작업
모듈 설명
이 모듈은 데이터 추출, 정리, 변경 및 분석과 같은 필수 분석 작업을 실행할 수 있는 프레임워크와 실질적인 이해를 교육합니다. 이 모듈에서 학습자는 데이터 세트를 획득하고 모델링하기 위해 과정 전체에서 사용되는 프로그래밍 언어, 도구, 프레임워크 및 라이브러리에 대한 지식을 파악합니다. 데이터 분석은 변수 유형, 이름 및 값에 주의를 기울여 기본적인 데이터 처리 능력을 시각화하고 요약하고 개발함으로써 수행됩니다. 또한 날짜, 문자열 및 기타 요소를 사용하여 데이터를 관리하면 학습자가 데이터 조사를 수행하고 시각화를 생성하는 능력이 향상됩니다.
학습 결과
L01: 데이터 시각화, 요약, 계산 도구를 사용하여 정보를 분석합니다.
L2: 변수 유형, 이름 및 값에 중점을 두고 데이터 처리에 대한 기초적인 기술을 습득합니다.
L03: 파이프 연산자를 사용하여 수많은 정리 작업을 체인으로 결합하는 방법을 배웁니다.
L04: 날짜, 문자열 및 기타 변수를 포함하는 데이터로 작업하는 기능
다루는 내용
- 데이터 정리 기술
- 데이터 전처리
- 데이터 조작
- 핵심 Python 프로그래밍
- Matplotlib를 사용한 데이터 시각화
- 선형 대수학
- 통계 및 확률
- 탐색 적 데이터 분석
- 분산, 표준편차, 중앙값
- 막대 차트 및 선 차트
- 데이터 분석의 Python 라이브러리 및 프레임워크
- 2D 산점도
- 3D 산점도
- 쌍 도표
- 일변량, 이변량, 다변량
- 히스토그램
- 상자 그림
- IQR(사분위간 범위)
- Pandas를 사용한 데이터 분석
비즈니스 프로세스의 데이터 분석
모듈 설명
이 모듈에서는 신뢰할 수 있는 스프레드시트 모델을 만들고, 개념적 모델을 수학적 모델로 변환하고, 이를 스프레드시트에 적용하는 원리를 다룹니다. 또한 Excel의 세 가지 분석 도구, Excel 기능 및 정확성을 보장하기 위한 스프레드시트 모델 감사 프로세스에 대한 지식을 보여줍니다. 이 모듈에서 추가적으로 다루는 내용은 다음과 같습니다.
의사결정 분석, 보수 테이블 및 의사결정 트리. Microsoft Power BI는 사용자가 데이터에서 실용적인 지식을 도출하여 비즈니스 문제를 해결하고 분석 모델을 기업 의사 결정에 적용할 수 있도록 도와줍니다. 학습자는 예측, 데이터 시각화, 데이터 분석 표현 등 Power BI의 고급 분석 기능에 대한 통찰력을 얻습니다.
학습 결과
LO1: 조직의 의사결정 맥락에서 비즈니스 데이터의 사용을 비판적으로 분석합니다.
LO2: 관리 기능의 비즈니스 분석 원칙에 대한 중요한 이해를 보여줍니다.
LO3: 적절한 데이터 관리 및 분석 기술을 적용하여 데이터를 검색, 구성 및 조작합니다.
LO4: 적절한 통계 데이터 분석 방법과 시각화 기술을 적용하여 건전한 비즈니스 결정을 내립니다.
다루는 내용
- 스프레드시트 모델 만들기
- What-If 분석
- 모델링 기능
- 스프레드시트 모델 감사
- 예측 및 규정 스프레드시트 모델
- 문제 식별
- 의사결정 분석
- 확률이 있거나 없는 의사결정 분석
- 분기 확률 계산
- 유틸리티 이론
- Power BI의 데이터 스트리밍
- Power BI의 시각화
- 데이터 분석 표현
- PowerBI의 보고서 보기
- 데이터 정렬
- 데이터 변환
- 데이터 필터링
- 파워 쿼리 편집기
- 위험도 분석
- 민감도 분석
데이터 마이닝 기술
모듈 설명
데이터 마이닝 프로세스에는 현명한 결정을 내리는 데 도움이 되는 방대한 데이터베이스에서 필요한 정보를 수집하는 작업이 포함됩니다. 이 모듈에서는 데이터 처리, 패턴 발견, 정보 동향과 같은 데이터 마이닝 기술을 보여줍니다. 이러한 방법은 지식 발견을 위해 테이블과 그래프에 데이터 통합, 정리, 선택 및 변환을 적용하는 기술과 능력을 얻기 위해 사용됩니다. Python 매트릭스 라이브러리를 사용하면 학습자는 분류, 추정, 분할, 예측, 순서 및 데이터 연결과 같은 작업을 실행하여 텍스트 마이닝의 현실적인 표현을 구성할 수 있습니다.
학습 결과
LO1: 흥미로운 패턴 식별, 유용한 지식 추출, 의사 결정 지원 등 텍스트 마이닝 및 분석의 기본 사항을 이해합니다.
LO2: 텍스트 마이닝과 필수 알고리즘의 기본 원리와 실제 적용 사례를 살펴보세요.
LO3: 학습된 지식과 기술을 적용하여 대용량 트랜잭션 데이터에 확장 가능한 패턴 발견 기술을 구현할 수 있습니다.
LO4: 패턴 평가 지표에 대한 의미 있는 토론에 참여하고 순차 및 하위 그래프 패턴을 포함한 다양한 패턴을 마이닝하기 위한 기술을 조사합니다.
다루는 내용
- 데이터 마이닝 소개
- Python 기반 환경의 데이터 마이닝
- 데이터 웨어하우스란?
- 패턴을 찾는 방법은 무엇입니까?
- 선호도 분석
- 제품 추천
- 데이터베이스 마이닝 소개
- 데이터베이스와 SQL
- DDL, DML, 조인 및 스키마
- 데이터 세트에서 Python 매트릭스 라이브러리를 사용하는 방법.
- NumPy로 데이터세트 로드
- 채굴 친화적인 데이터 표현
- 데이터 마이닝을 위한 텍스트 표현.
- 텍스트가 왜 복잡합니까?
- 텍스트 마이닝
- 텍스트 마이닝의 데이터 모델링, 평가 및 배포
- 예시적인 기술: 텍스트 마이닝의 BOW(Bag of Words) 표현
- 빈번한 하위 그래프 마이닝
데이터 과학의 알고리즘
모듈 설명
이 모듈은 데이터를 훈련으로 분할하고, 검증하고, 테스트 세트를 생성하는 방법에 대한 광범위한 지식을 제공합니다. 프레임워크와 실제 인식을 통합하여 예측 마이닝 모델을 개발하고 평가합니다. 추정 및 분류 시스템에 대한 다양한 성과 지표가 제시되어 있습니다. 이 모듈에서는 인공 신경망, 지원 벡터 머신, k-최근접 이웃, 베이지안 학습, 앙상블 모델 및 다양한 의사결정 트리를 포함한 가장 널리 사용되는 예측 모델링 접근 방식을 검토하고 결과를 제공합니다.
학습 결과
LO1: 정렬 및 검색, 분할 및 정복, 복잡한 알고리즘을 포함한 기본 알고리즘 개념을 소개합니다.
LO2: 데이터를 정렬하여 검색에 사용합니다. 큰 문제를 더 작은 문제로 나누고 재귀적으로 대답합니다. 게놈 연구에 동적 프로그래밍을 적용합니다. 그리고 더.
LO3: 현대 컴퓨팅에서 가장 자주 사용되는 데이터 구조에 대해 논의하고 구성합니다. LO4: 현대 컴퓨팅에서 업계에서 가장 많이 사용되는 데이터 구조를 사용할 수 있습니다.
다루는 내용
- 정적 홀드아웃 방법
- k-겹 교차 검증
- 클래스 불균형 데이터
- 범주형 결과 분류 평가
- 연속 결과 추정 평가
- 로지스틱 회귀
- K-최근접이웃
- 예측을 위한 최근접 이웃 방법
- 분류 및 회귀 트리
- 서포트 벡터 머신
- SVM 사용에 대한 프로세스 기반 접근 방식
- 나이브 베이즈 방법
- 베이지안 네트워크
- 신경망 아키텍처
- 앙상블 모델링
전문화 모듈
이 섹션에서는 전문화 Pathways 의 구조, 내용 및 학습 결과에 대한 세부 정보를 제공합니다.
통계 데이터 모델링
코스 설명
이 모듈은 학습자에게 다양한 예측 모델을 적용하고 선형 회귀를 파악할 수 있는 통찰력을 제공합니다. 회귀 분석 방법을 사용하여 입력 변수 그룹을 기반으로 예측을 만듭니다. 학습자는 일반화된 선형 및 가산 모델과 같은 복잡한 통계 방법론을 사용하여 광범위한 실제 상호 작용을 모델링하는 방법을 조사합니다. 이 모듈에서는 중급 및 고급 통계 모델링 방법론을 가르칩니다. 이는 학습자가 선형 회귀 분석, 실험 설계, 확장된 선형 및 가산 모델에 대한 숙련도를 개발할 수 있도록 특별히 제작되었습니다. 이러한 기술을 기반으로 직관적인 표현을 통해 데이터 해석, 변수 간의 연결 발견 및 예측 생성이 더 간단해집니다.
학습 결과
LO1: 다양한 유형의 예측 모델과 마스터 선형 회귀를 구별합니다.
LO2: 다양한 모델의 알고리즘을 통해 내부 동작을 이해합니다.
LO3: 로지스틱 회귀 결과를 분석 및 탐색하고 판별 분석이 필요한 시점을 이해합니다.
LO4: 다양한 모델을 분석하고 그 정확성을 체계적으로 해석하여 분석 생산성을 극대화합니다.
다루는 내용
- 샘플 선택
- 포인트 추정
- 샘플링 분포
- 간격 추정
- 가설 검정
- 통계적 추론과 실무적 의의
- 단순 선형 회귀 모델
- 최소제곱법
- 추론과 회귀
- 다중 회귀 모델
- 물류 회귀
- 회귀를 이용한 예측
- 모델 피팅
- Tableau 데이터 모델
- Tableau 쿼리 편집기를 사용한 형태 및 데이터 변환
- Tableau 보고서 보기
인공지능과 블록체인에서의 데이터 활용
코스 설명
이 모듈에서 학습자는 비즈니스에서 인공 지능(AI) 응용 프로그램을 더 잘 이해하고 AI 의사 결정을 이해합니다. IoT의 혁신과 블록체인의 출현을 통해 이 커리큘럼은 학생들에게 AI 지원 소프트웨어 솔루션의 광범위한 기반을 준비시킵니다. 학습자는 이 모듈을 계속 진행하면서 자동화된 세계를 구동하는 기술, 즉 알고리즘의 종류와 이를 활용하여 다양한 응용 프로그램에서 인간 행동을 향상하거나 복제하는 방법을 알게 됩니다. 이 모듈에서는 AI, IoT, 블록체인 및 기계 학습 구성 요소에 대해 가르치면서 현실적이고 복잡한 현실 문제를 해결하기 위한 엄격하고 실습적인 단계별 방법을 제시하는 견고한 개념 프레임워크를 구축합니다.
학습 결과
LO1. 인공지능(AI)을 소개하고 비즈니스 영역에서 AI의 기능과 변형을 탐구합니다. 또한 AI의 비즈니스 맥락을 이해하고 AI 의사결정을 해석합니다.
LO2. 적합한 모델 매개변수 인식을 통해 비즈니스 설정을 위한 AI 구현 계획을 이해하고 생성합니다.
LO3: 블록체인의 구성 요소를 더 자세히 살펴보고 DLT(분산 원장 기술) 개념, 기능, 이점 및 애플리케이션 관련성을 이해합니다.
LO4: 장기적으로 영향을 평가하기 위해 적용된 비즈니스 모델에서 Hyperledger, 스마트 계약 및 IoT(사물 인터넷)를 이해합니다.
다루는 내용
- 인공지능개론
- AI가 애플리케이션을 가능하게 한다
- 딥러닝이란?
- 인공 신경망
- 이미지 처리 및 OpenCV
- NLP 소개
- 인공 신경망
- 텍스트 처리
- 텍스트 분류
- 주제 모델링
- 순환 신경망
- IoT의 주요 구성요소
- 다양한 센서
- 액추에이터
- 다양한 계층의 IoT 프로토콜
- IoT의 애플리케이션 및 사용자 인터페이스
- 내일의 스마트 공장과 산업 사물 인터넷
- 블록체인 소개
- Hyperledger와 Smart Contract의 도입과 활용
- 블록체인 구조
- 중앙집중화, 분산화, 분산 시스템
- DLT 소개
- 블록체인의 DLT 기능, 이점 및 사용법
- 블록체인의 유형
- 왜 블록체인인가?
- 블록체인 기술을 사용하여 AI 및 ML 애플리케이션 구축
PART 2 : 캡스톤 프로젝트
모듈 설명:
이 모듈의 목적은 조직 내 데이터 과학의 역할과 그 관행, 그리고 조직의 전반적인 성과와 역량에 미치는 영향을 논의하고 설명하는 것입니다. 이 모듈은 연구 또는 설계 질문을 개발하기 위한 현대 관행 및 역량에 대한 이해를 개발하고, 그것이 현재 지식과 어떻게 연결되는지 설명하고 체계적인 방식으로 연구를 수행하도록 설계되었습니다. 학습자는 데이터 과학 영역에서 과거 학습 내용을 표시하는 연구/개발 프로젝트를 선택하도록 권장됩니다. 데이터 과학에 대한 이해와 데이터 시각화, 확률, 추론 및 모델링, 데이터 마이닝, 데이터 구성, 회귀, 기계 학습 등 DS의 다양한 기능과 관련된 접근 방식 및 방법의 패러다임 전환을 습득하는 것을 의미합니다. . 또한 조직의 변화 계획, 의사 결정 및 구현 과정에서 데이터 분석 및 데이터 모델링의 역할과 중요성을 강조하려고 노력합니다. 모듈을 성공적으로 완료하면 참가자는 잠재적인 고용주나 교육 프로그램에 데이터 과학 전문 지식을 보여줄 수 있는 광범위한 데이터 분석 컨텍스트와 데이터 제품에 대한 포괄적인 지식을 갖게 됩니다.
학습 결과
LO1: 데이터 과학 프로젝트의 맥락에서 독립적인 연구 및 개발을 수행합니다.
LO2: 분석 및 데이터 과학을 활용하여 독립적으로 문제를 해결하는 능력 개발
LO3: 전문가가 아닌 광범위한 청중에게 기술 정보를 명확하고 간결하게 전달합니다.
LO4: 데이터 과학 분야 전문가에게 기대되는 표준에 따라 상세한 서면 문서를 작성하고 관련 분야의 주요 연구 출판물을 참조하여 프로젝트 결과를 평가합니다.
입학
프로그램 결과
자격 개요
시상 제목: 데이터 과학 PG 확장 디플로마(120학점)
데이터 과학에서 레벨 7 대학원 확장 디플로마를 받으려면 학습자는 CORE 섹션의 4개 모듈(80학점)과 선택한 전문 분야 Pathway 의 2개 모듈(40학점)을 완료해야 합니다.
핵심 섹션
이 PG Extended Diploma 어워드의 핵심 섹션에는 4개의 필수 모듈이 포함되어 있습니다.
- 데이터 작업(20학점)
- 비즈니스 프로세스의 데이터 분석(20학점)
- 데이터 마이닝 기술(20학점)
- 데이터 과학의 알고리즘(20학점)
전문화 Pathways
데이터 과학의 PG 확장 디플로마에는 두 가지 전문 분야 Pathways 가 있습니다.
- 통계 데이터 모델링
- 인공 지능 및 블록체인에서의 데이터 응용
직업 기회
진행 기회
데이터 과학 분야에서 PG Extended Diploma를 취득한 학습자는 다음과 같이 발전할 수 있습니다.
- 데이터 과학 석사
- 빅 데이터 석사