以人为中心的数据科学导论 

在本课程中, 学生将被介绍到技术, social, 以及数据科学领域的伦理考虑, 包括数据安全, governance, and privacy. 重点将放在数据科学家的责任，以创建有效和包容的解决方案，以响应需求, values, 以及人们的观点.

本课程还将介绍将在后续课程中发展的主题和技能. 具体而言，学生将:了解数据科学的趋势和进展(例如.g., A.I. and cloud computing); be exposed to data cleaning procedures for various types of commonly used data; learn about project lifecycle planning and execution; and will learn about the steps in a typical data science project (e.g.(问题框架、数据收集、清理、探索、建模、结果解释). Moreover, 教学将侧重于培养学生与项目管理相关的技能, 问题的框架, 沟通, 以及项目执行.

数据科学应用数学

本课程将为学生提供与数据科学相关的数学工具的坚实基础. 微积分选修课, 向量空间, 矩阵代数, 数值优化, 概率论也会涉及到. 这些工具将帮助学生理解和解决数据科学问题，并在这个快速发展的领域使用新兴的方法和技术. 复习微积分将为理解数据科学概念提供必要的数学基础. 主题将包括矩阵代数和向量空间, 哪些是理解数据科学中使用的数学模型和统计方法所必需的, 以及数值数学和最优化, 对于理解模型训练和效率，哪些是不可或缺的. Additionally, 该领域的技能可以通过提供一种评估模型对数据的拟合质量的方法来帮助检测过拟合. Finally, 基本概率论的教学单元将为随后的数据科学统计模型课程奠定基础.

数据科学编程

本课程将介绍基本的编程概念, 数据结构, 以及专注于数据科学应用的技术. 学生将了解编写高质量代码的意义. 此外，还将教授测试、调试和异常处理等主题. 在课程结束时, 学生将复习Python编程，并能够将他们的知识应用于各种数据科学问题. 主题包括功能, recursion, loops, 列表理解, 基本数据结构, 以及读写文件.

一般线性模型 

本课程讨论的是结构, 解释, 以及一般线性统计模型的应用. 学生将学习数据和抽样分布, A/B testing, 测试的意义, 简单回归和多元回归, 动力分析, 参数估计, 部分关联, 回归诊断, 缺失数据分析, 治疗分析, 模型misspecification, 探索性与验证性模型构建, 分类数据编码, 哑变量回归, mediation, moderation, 多项式模型, prediction, 交叉验证, 正则化包括脊回归和Lasso回归. 

通过将课堂上学到的方法应用于实际数据, 学生将学习成为负责任和细心的数据科学家. 学生将学会认真对待数据来源, 特别注意可能被系统地排除在外的个人和群体.

数据库系统和数据准备

本课程将提供离散数学的基础, 数据结构, 算法设计与实现, 计算复杂度. 学生将被介绍到关系数据库，重点是学习SQL与Postgres数据库. 主题包括模式, indexes, 查询效率, 服务器特定的导航功能, 以及分组查询, ordering, sorting, collapsing, and joins. 分布式数据存储和处理技术的并行处理(MapReduce)和他们的实现(Hadoop)将涵盖, 以及访问非结构化数据和处理流数据的策略.

多元统计分析

现代统计学和数据科学经常处理高维数据, 多变量方法用于处理这些类型的数据. 我们将讨论多元数据的监督学习和无监督学习方法. 本课程将涵盖探索性数据分析, 二元逻辑回归, 多项逻辑回归, 有序逻辑回归, 判别分析, 支持向量机, k近邻(KNN), 多元方差分析(MANOVA), 主成分分析, 探索性因素分析, 结构方程建模, 聚类分析. 对于每个主题, 理论和应用分析将涵盖, 学生将使用统计软件包R和SPSS来计算和报告多元统计数据. 

在公共生活中的许多问题上, 统计及其应用是理解行动和政策如何影响人们生活的关键科学方法. 好的政策促进社会公正, 政策辩论应该由负责任的实践者提供信息, 可靠的数据源, 并统计数据分析结果. 在本课程中, 学生将学会使用合理和适当的方法来处理数据分析，并注意数据来源, outliers, 质量分析.

数据可视化和故事叙述

本课程将介绍指导基于数据的引人入胜的故事发展的原则，以及如何使用可视化来协助阐明关键发现. 可视化和讲故事是数据科学项目生命周期中的重要任务，也是有效沟通的基本技能. 数据可视化允许数据科学家获取复杂的数据，并以易于理解的方式呈现, 而讲故事可以让他们为他们的发现添加背景并解释它们的重要性. 学生将学习各种用于报告目的的数据可视化技术，以及广泛使用的实现这些可视化的软件工具. 学生还将学习如何基于部署在云服务器上的仪表板创建交互式报告，以最大限度地提高客户参与度. 

应用人工智能和机器学习 

本课程将提供各种机器学习方法的广泛概述, 包括监督学习和非监督学习. 学生将学习用于训练计算机学习的基本算法. 该课程还将向学生展示不同的应用领域，在这些领域中，数据驱动的决策是由机器学习辅助的.g.、文本分类、图像识别和预测建模). 学生将使用Python编程语言和机器学习库.g.(科学-学习)来解决真正的问题. 在使用真实的数据集时, 学生们还将了解偏见, 问责制, 以及在进行以人为中心的数据科学时出现的信任问题.

深度学习与人工智能 

本课程将介绍深度神经网络. 学生将学习基本概念，如随机梯度下降和反向传播，以及如何使用它们来训练网络模型. 学生还将获得使用Python库(如Python库)的实践经验.g.(TensorFlow, Keras)来实现各种深度学习架构. 将涵盖不同类型的人工神经网络架构，以便学生在本课程中学习以人为中心的数据科学为目标的应用程序类. 其中包括卷积神经网络, 循环神经网络, 以及长短期记忆网络. 学生将学习如何根据所处理的任务选择不同的体系结构.

应用数据科学1 & II

在Capstones 1和2中, 学生将完成一个重要的数据科学电子游戏正规平台项目，该项目需要在问题框架中执行所学的技能, 解决问题, 和可视化. 同时与教职员工以及内部和/或外部合作伙伴一起工作, 学生将负责确定要调查的问题, data sources, 运用分析技术. 学生将准备一份他们的结果的书面报告，并向教师和合作伙伴发表演讲. 该项目综合了解决复杂的现实世界问题与社会问题的统计和计算挑战. 课程活动的重点是一个为期两个学期的数据科学项目，由一名教师监督，并与电子游戏软件和/或外部合作伙伴合作. 在这些顶点项目的结论, 学生将积累与客户打交道的实践经验, 应用方法, 开发可以与他人分享的材料和演示文稿.

自然语言处理

这门关于自然语言处理(NLP)的课程将涵盖主题建模等问题, 文本摘要和分类, 情绪分析, 大型语言模型, 自动评分学生的书面回答, 包括作文评分. 当从网络和其他大型文本语料库中获取信息时，NLP提供了处理大量文本数据的基本方法. 本课程的实践练习将有助于提高学生对公平的认识, bias, 以及以人为中心的数据科学，为学生提供学习和应用处理大量现实世界文本数据的方法的机会. 本课程所教授的技术将有助于提高机器学习模型预测的准确性和公平性，也有助于提高这些模型的可解释性.