Maestría en Ciencia de Datos

Prepárese para los requisitos de toma de decisiones basados en datos de cualquier industria en una institución pública líder de EE. UU. con la maestría de 4 semestres de Michigan State University en ciencia de datos. Este nuevo programa de grado profesional transversal compartido por la Facultad de Ingeniería y la Facultad de Ciencias Naturales prepara a los estudiantes en temas fundamentales y aplicados, impartidos por profesores líderes en ciencia de datos, estadística, informática y matemáticas computacionales. Puedes ser parte de la cohorte inaugural con las admisiones de otoño de 2023.

El programa de maestría en ciencia de datos está reclutando estudiantes con sólidos antecedentes de pregrado en una de las áreas centrales de estadística, matemáticas computacionales, ciencias de la computación y ciencias de la información, o campos técnicos estrechamente relacionados, y les brinda capacitación interdisciplinaria avanzada en todas las disciplinas de estadística. matemáticas, computación y ciencias computacionales, en niveles apropiados para estudiantes de MS en estas respectivas disciplinas. El programa se distribuye en dos años académicos de instrucción; como tal, cualquier título de maestría dedicado de dos años en cualquiera de estas disciplinas profundizaría más en esa dirección que el título de maestría de dos años en ciencia de datos.

Los estudiantes típicos vienen con competencias de programación adecuadas. Estos pueden incluir experiencia práctica con lenguajes de las ciencias matemáticas, como MATLAB o R, o programación clásica orientada a objetos.

A quien buscamos:

• Tiene un título técnico de cuatro años y necesita aprender más sobre metodologías de análisis de datos para avanzar en su carrera profesional.
• Disfrutas de las ciencias matemáticas y puedes programar, especialmente cuando puedes ver cómo el lado práctico puede marcar la diferencia en problemas de la vida real.
• Desea dominar la explicación de los métodos de la ciencia de datos a sus colegas no técnicos y ayudar a formular decisiones basadas en datos en equipo.
• Se ve a sí mismo como potencialmente capaz de inventar nuevos métodos de ciencia de datos basados en principios que se adapten a las necesidades de su entorno profesional.

La maestría en ciencia de datos es un título de posgrado de 30 créditos, que consta de 18 créditos obligatorios, 9 créditos electivos y un curso final de 3 créditos. Visite la página de búsqueda de cursos de MSU Registrar para obtener descripciones de los cursos del catálogo de MSU.

Seis cursos requeridos (18 créditos) para este programa se equilibran entre las tres unidades:

• STT 810, un curso sobre probabilidad y estadística matemática para científicos de datos a nivel de MS
• STT 811, un curso sobre metodología estadística aplicada para científicos de datos a nivel de EM
• CSE 482, un curso de informática sobre análisis de macrodatos que incluye la recopilación, almacenamiento, preprocesamiento y análisis de grandes cantidades de datos.
• CSE 881, un curso de informática sobre minería de datos, a nivel de maestría.
• CMSE 830, un curso fundamental sobre algoritmos y métodos en ciencia de datos a nivel de maestría
• CMSE 831, un curso fundamental sobre optimización aplicada y computacional para científicos de datos, incluida la implementación, a nivel de MS.

9 créditos de cursos electivos se basan en un amplio conjunto de cursos en las tres unidades. Los estudiantes con los 6 cursos requeridos arriba están bien preparados para tomar asignaturas optativas. La lista de asignaturas optativas incluye lo siguiente y puede incluir otros cursos aprobados por el comité de MS DS:

• STT 802, cálculo estadístico utilizando el software especializado R.
• STT 812, un curso compacto sobre análisis moderno de datos estadísticos, incluido el aprendizaje estadístico
• STT 873, un curso sobre aprendizaje estadístico y minería de datos
• STT 874, un curso de análisis bayesiano
• STT 875, un curso de programación R para estadística
• CSE 802, un curso sobre reconocimiento de patrones
• CSE 830, curso de diseño y análisis de algoritmos
• CSE 847, un curso de aprendizaje automático
• CSE 849, un curso de aprendizaje profundo
• CMSE / CSE 822, un curso conjunto sobre computación paralela
• CMSE 402, curso de comunicación en ciencia de datos.
• Otros cursos optativos del CMSE que se están desarrollando en MSU, algunos de los cuales son cursos temáticos que ya se han impartido en CSME y que podrían impartirse en conjunto con otras unidades. Existen planes para los siguientes temas:
  • Cuantificación de incertidumbre CMSE 890 (se ha enseñado)
  • Topología aplicada CMSE 890 (se ha enseñado)
  • Modelos gráficos probabilísticos CMSE 890 (planeados)
  • Procesamiento matemático de imágenes CMSE 890 (planificado)
  • CMSE 890 Datos de ciencias biomédicas (planificado)
  • CMSE 890 Aprendizaje automático aplicado para biomedicina (planificado)
  • Métodos computacionales CMSE 890 para aprendizaje automático (planificado)
  • Otros cursos de temas de estadística STT 890 aprobados por el comité de MS DS.
  • Otros cursos de temas de informática CSE 890 aprobados por el comité de MS DS.
  • Cualquier curso de MSU a nivel de posgrado que cubra temas de ciencia de datos que pueda ser aprobado por el comité de MS DS.

Un curso culminante de 3 créditos implica la finalización de un proyecto de ciencia de datos aplicada, industrial o gubernamental. El crédito de este curso se puede registrar como uno de los tres cursos temáticos:

• STT 890
• CSE 890
• CMSE 890

El programa está construyendo una cartera de estudios de casos presentando proyectos culminantes impulsados por clientes de la industria, el gobierno o la academia.

Con sus habilidades computacionales y analíticas, los graduados del programa pueden:

• Asimilar, procesar e interpretar datos de fuentes ricas y diversas, o de conjuntos de datos grandes y potencialmente distribuidos.
• Cree modelos computacionales, matemáticos y estadísticos que infieran relaciones significativas en los datos y puedan usarse para interpretación y análisis predictivo.
• Cree visualizaciones para ayudar en la comprensión de sus datos y modelos.
• Comunique sus hallazgos y conocimientos a una variedad de audiencias para que se puedan tomar decisiones y se puedan tomar medidas.