MSc en analyse de données

Avec notre maîtrise en analyse de données, vous apprendrez la théorie fondamentale et pratiquerez la modélisation mathématique et statistique. Avec une référence particulière à l'analyse et à la visualisation des données.

Avec les récents développements de la technologie numérique, la société est entrée dans l'ère du « big data ». Le gouvernement britannique reconnaît les mégadonnées comme l'une des huit grandes technologies. Il a des priorités de financement et de recherche et jouera un rôle central dans la reconstruction et le renforcement de l'économie.

L'explosion et la richesse des données disponibles dans un large éventail de domaines d'application donnent lieu à de nouveaux défis et opportunités dans tous les domaines. Un défi majeur est de savoir comment tirer parti de l'échelle sans précédent des données. Et comment acquérir davantage d'informations et de connaissances pour améliorer la qualité des produits et services proposés.

Nous avons conçu le MSc en analyse de données pour les personnes actuellement en emploi. Et pour courir aux côtés du MSc en analyse de données pour le gouvernement. Il est accessible à tous les étudiants et n'est pas exclusif à un secteur d'emploi en particulier.

Modules d'étude

Modules obligatoires

• Méthodes de recherche et d'étude (10 crédits)
  Ce module vous permettra d'acquérir les compétences nécessaires pour effectuer des recherches et utiliser des méthodes d'étude efficaces qui sous-tendront votre mémoire.
• Fondements de la science des données (10 crédits)
  Ce module présente une vue d'ensemble des concepts et outils de base de la science des données, en se concentrant sur des questions de recherche en science des données de la vie réelle avec une exposition pratique à la programmation R et/ou Python en tant que partie intégrante du cours.
• Principes de l'enquête (10 crédits)
  Ce module offre une vue d'ensemble des principes de l'échantillonnage et de l'estimation.
• Programmation statistique (10 crédits)
  Ce module présente les techniques de programmation de base en R, essentielles pour la manipulation, le traitement et l'analyse des données provenant de sources traditionnelles et alternatives, par le biais de sessions pratiques.
• Introduction à la recherche par sondage (10 crédits)
  Ce module présente les étapes de la planification et de la réalisation d'enquêtes. Il examinera les problèmes méthodologiques qui peuvent survenir, y compris les erreurs, et discutera des options permettant de minimiser l'impact par le biais de la conception de l'enquête.
• Modélisation de la régression (10 crédits)
  Ce module présente le modèle de régression de base - l'analyse des résidus, la construction et la sélection de modèles, et le traitement des variables catégorielles. La régression logistique (régression à réponse binaire) sera également introduite, avec l'évaluation de l'adéquation du modèle et la construction et la sélection de modèles. Enfin, la régression multiple et la modélisation de la régression multivariée seront introduites.
• Modélisation statistique avancée (10 crédits)
  Ce module présente une large classe de modèles statistiques linéaires et non linéaires et les principes de l'inférence de vraisemblance pour une variété de problèmes d'analyse de données couramment rencontrés dans une variété de disciplines.
• Analyse des séries temporelles (10 crédits)
  Ce module vous initie aux séries temporelles et aux méthodes de prévision.
• Introduction à l'apprentissage automatique (10 crédits)
  Ce module vous permet d'acquérir les principes de l'apprentissage automatique et de ses applications. Il couvre les fondamentaux des méthodologies d'apprentissage automatique, les implémentations et les méthodes d'analyse appropriées pour les applications d'apprentissage automatique.
• Apprentissage automatique avancé (10 crédits)
  Ce module s'appuie sur le module d'introduction à l'apprentissage automatique. Il se concentre sur les compétences de programmation avancées et l'informatique neuronale en tant qu'extension de l'apprentissage automatique, le traitement du langage naturel & multi-media. Il aborde les algorithmes d'apprentissage automatique supervisés et non supervisés (forêts aléatoires, réseaux neuronaux, clustering, régression logarithmique et machines à vecteurs de support), ainsi que des méthodes plus avancées d'imagerie et de traitement des données multimédias.
• Introduction aux systèmes distribués (10 crédits)
  Ce module donne un aperçu du traitement des données à grande échelle et du traitement parallèle. Il présente Hadoop et Spark et l'utilisation des paradigmes de traitement parallèle.
• Visualisation des données (10 crédits)
  Ce module s'appuie sur les visualisations de données de base introduites dans les modules obligatoires. Il couvrira la conception de l'information, la conception de l'interaction et l'engagement de l'utilisateur ; les outils de pointe pour construire des visualisations utiles pour différents types d'ensembles de données et de scénarios d'application.

Projet final

• Dissertation en analyse de données (60 crédits)
  Les étudiants du MSc sont également tenus de rédiger une dissertation sur un sujet lié à la science des données en rapport avec leur programme d'études.
  Le contenu exact de chaque mémoire variera en fonction de son titre, mais il impliquera une analyse documentaire et des recherches sur le sujet à un niveau avancé, la préparation d'une proposition de projet, l'application de techniques analytiques et d'approches académiques à la génération de solutions alternatives et à la synthèse d'une solution pour le problème complexe en question, ainsi que la présentation de la solution sous forme orale et écrite.

Apprendre et enseigner

Notre cours s'appuie sur une stratégie d'enseignement et d'apprentissage basée sur l'engagement actif des étudiants.

Nous utilisons une variété de méthodes d'enseignement et d'évaluation telles que

• les rapports d'évaluation critique
• les rapports d'analyse des données
• l'analyse des données à l'aide d'applications logicielles
• des présentations et des études de cas.

Les méthodes d'apprentissage comprennent

• l'apprentissage mixte
• conférences formelles
• exercices pratiques de résolution de problèmes
• l'apprentissage autonome guidé
• l'utilisation de l'environnement d'apprentissage virtuel informatisé "Moodle".
• recherche indépendante
• logiciel d'analyse des données
• des expériences.

Ce programme permet aux diplômés d'occuper un large éventail de fonctions dans le domaine de la science des données. Les carrières courantes dans ce domaine sont les suivantes :

• ingénieurs en données
• analystes commerciaux
• gestionnaires de données
• les praticiens de l'apprentissage automatique
• les scientifiques des données.