MSc en science des données

Préparez-vous aux exigences de prise de décision axées sur les données de n'importe quel secteur dans une institution publique américaine de premier plan avec le diplôme de maîtrise de 4 semestres de Michigan State University en science des données. Ce nouveau programme de diplôme professionnel transversal partagé par le College of Engineering et le College of Natural Science prépare les étudiants aux sujets fondamentaux et appliqués, enseignés par des professeurs de premier plan en science des données, statistiques, informatique et mathématiques computationnelles. Vous pouvez faire partie de la cohorte inaugurale avec les admissions à l'automne 2023.

Le programme MS en science des données recrute des étudiants possédant une solide formation de premier cycle dans l'un des domaines clés de la statistique, des mathématiques computationnelles, de l'informatique et des sciences de l'information, ou dans des domaines techniques étroitement liés, et leur offre une formation interdisciplinaire avancée dans les disciplines de la statistique, mathématiques, informatique et sciences informatiques, à des niveaux appropriés pour les étudiants en MS dans ces disciplines respectives. Le programme s'étale sur deux années académiques d'enseignement ; en tant que tel, tout diplôme de maîtrise spécialisé de deux ans dans l'une de ces disciplines approfondirait davantage cette direction que le diplôme de maîtrise de deux ans en science des données.

Les étudiants typiques arrivent avec des compétences de programmation adéquates. Ceux-ci peuvent inclure une expérience pratique avec les langages des sciences mathématiques, tels que MATLAB ou R, ou la programmation orientée objet classique.

Qui nous recherchons :

• Vous avez un diplôme technique de quatre ans et vous devez en savoir plus sur les méthodologies d'analyse de données pour poursuivre votre carrière professionnelle.
• Vous aimez les sciences mathématiques et vous savez programmer, surtout quand vous pouvez voir comment le côté pratique peut faire la différence dans des problèmes de la vie réelle.
• Vous voulez devenir compétent pour expliquer les méthodes de science des données à vos collègues non techniques et aider à formuler des décisions d'équipe basées sur les données.
• Vous vous considérez comme potentiellement capable d'inventer de nouvelles méthodes de science des données fondées sur des principes et adaptées aux besoins de votre environnement professionnel.

Le diplôme de maîtrise en science des données est un diplôme d'études supérieures de 30 crédits, composé de 18 crédits obligatoires, de 9 crédits au choix et d'un cours de synthèse de 3 crédits. Veuillez visiter la page de recherche de cours du registraire MSU pour les descriptions de cours du catalogue MSU.

Six cours obligatoires (18 crédits) pour ce programme sont répartis entre les trois unités :

• STT 810, un cours sur les probabilités et les statistiques mathématiques pour les data scientists de niveau MS
• STT 811, un cours sur la méthodologie statistique appliquée pour les data scientists au niveau MS
• CSE 482, un cours d'informatique sur l'analyse des mégadonnées qui comprend la collecte, le stockage, le prétraitement et l'analyse de grandes quantités de données.
• CSE 881, un cours d'informatique sur l'exploration de données, au niveau MS.
• CMSE 830, un cours de base sur les algorithmes et les méthodes en science des données au niveau MS
• CMSE 831, un cours de base sur l'optimisation appliquée et informatique pour les scientifiques des données, y compris la mise en œuvre, au niveau MS.

9 crédits de cours au choix proviennent d'un large éventail de cours dans les trois unités. Les étudiants avec les 6 cours obligatoires ci-dessus sont bien préparés pour suivre des cours au choix. La liste des cours au choix comprend les éléments suivants et peut inclure d'autres cours approuvés par le comité MS DS :

• STT 802, calcul statistique à l'aide du logiciel spécialisé R.
• STT 812, un cours compact sur l'analyse de données statistiques moderne, y compris l'apprentissage statistique
• STT 873, un cours sur l'apprentissage statistique et l'exploration de données
• STT 874, un cours sur l'analyse bayésienne
• STT 875, un cours sur la programmation R pour les statistiques
• CSE 802, un cours sur la reconnaissance des formes
• CSE 830, un cours sur la conception et l'analyse d'algorithmes
• CSE 847, un cours sur l'apprentissage automatique
• CSE 849, un cours sur l'apprentissage profond
• CMSE/CSE 822, un cours commun sur le calcul parallèle
• CMSE 402, un cours sur la communication en science des données.
• D'autres cours au choix CMSE qui sont développés à MSU, dont certains sont des cours thématiques qui ont déjà été enseignés au CSME, et pourraient être enseignés conjointement avec d'autres unités. Des plans existent pour les sujets suivants :
  • CMSE 890 Uncertainty Quantification (a été enseigné)
  • CMSE 890 Applied Topology (a été enseigné)
  • Modèles graphiques probabilistes CMSE 890 (prévu)
  • CMSE 890 Mathematical Image Processing (prévu)
  • CMSE 890 Biomedical Science Data (prévu)
  • Apprentissage machine appliqué CMSE 890 pour la biomédecine (prévu)
  • Méthodes de calcul CMSE 890 pour l'apprentissage automatique (prévu)
  • Cours d'autres sujets statistiques STT 890 approuvés par le comité MS DS.
  • Cours d'autres sujets d'informatique CSE 890 approuvés par le comité MS DS.
  • Tout cours MSU de niveau supérieur couvrant des sujets de science des données pouvant être approuvé par le comité MS DS.

Un cours de synthèse de 3 crédits implique l'achèvement d'un projet de science des données appliqué, industriel ou gouvernemental. Le crédit pour ce cours peut être enregistré comme l'un des trois cours thématiques :

• STT 890
• CSE 890
• CMSE 890

Le programme construit un portefeuille d'études de cas en présentant des projets de synthèse menés par des clients de l'industrie, du gouvernement ou du milieu universitaire.

Grâce à leurs compétences informatiques et analytiques, les diplômés du programme peuvent :

• Assimiler, traiter et interpréter des données provenant de sources riches et diverses, ou d'ensembles de données volumineux et potentiellement distribués.
• Créez des modèles informatiques, mathématiques et statistiques qui induisent des relations significatives dans les données et peuvent être utilisés pour l'interprétation et l'analyse prédictive.
• Créez des visualisations pour faciliter la compréhension de leurs données et modèles.
• Communiquez leurs conclusions et leurs idées à divers publics afin que des décisions puissent être prises et que des mesures puissent être prises.