Магистр наук в области науки о данных

Эта карта учебной программы иллюстрирует постепенное развитие компетенций студентов в рамках программы магистратуры по управлению информационными технологиями, показывая, как каждый курс вводит (I), развивает (D) или доводит студентов до мастерства (M) по семи результатам обучения по программе (PLO), достигая кульминации в выпускном курсе, где студенты демонстрируют мастерство по всем результатам.

• TECH 500: Этические проблемы в управлении технологиями
• BUS 5203: Анализ данных
• BUS 5213: Обработка данных для принятия решений
• TECH 575: Аналитика больших данных для Интернета вещей
• TECH 615: Прикладной ИИ: Решения для бизнеса
• TECH 630: передовой ИИ для бизнес-анализа и принятия решений
• BUS 5223: Ведущие проекты по анализу данных
• ТЕХНИКА 643: Статистические методы
• TECH 674: Количественные методы
• TECH 699: Выпускной проект по науке о данных и аналитике

Основные классы

TECH 500: Этические проблемы в управлении технологиями

Этот курс фокусируется на подготовке лидеров к решению сложных этических дилемм в управлении технологиями. Курс делает акцент на библейских ценностях и практических решениях современных проблем. Студенты изучают этические системы через христианское мировоззрение, анализируют тематические исследования и развивают навыки принятия обоснованных моральных суждений. К концу курса участники будут готовы решать этические проблемы в технологическом лидерстве с честностью и верой.

Результаты обучения студентов курса

• SLO 1: Анализ сложных этических дилемм в управлении технологиями с использованием различных этических рамок, включая христианское мировоззрение. (PLO 3, PLO 4)
• SLO 2: Оценить влияние новых технологий на принятие этических решений на руководящих должностях в сфере ИТ. (PLO 3, PLO 4)
• SLO 3: Синтезировать библейские принципы с современными этическими проблемами для разработки решений, основанных на вере, в управлении технологиями. (PLO 3, PLO 5)
• SLO 4: Разрабатывать и формулировать обоснованные моральные суждения для тематических исследований по этике технологий, демонстрируя критическое мышление и эффективную коммуникацию. (PLO 1, PLO 3)
• SLO 5: Создать личную этическую структуру для решения проблем управления технологиями, которая объединяет профессиональные стандарты с христианскими ценностями. (PLO 3, PLO 5)

BUS 5203: Анализ данных

Студенты познакомятся с методами анализа данных в деловом мире, например, с тем, как данные создаются, хранятся и доступны, а также как организации используют данные и создают среды, поощряющие аналитику.

Результаты обучения студентов курса

• SLO 1: Понять аналитический образ мышления бизнес-аналитиков. (PLO 2, PLO 4)
• SLO 2: Понимание основных концепций статистики и анализа данных. (PLO 2, PLO 4)
• SLO 3: Применять методы анализа данных для ответа на вопросы о наборе данных. (PLO 4)
• SLO 4: Анализ бизнес-решений с использованием методов анализа данных. (PLO 4)
• SLO 5: Оценка этических решений в анализе данных с интеграцией веры. (PLO 5)
• SLO 6: Создать и завершить проект по анализу данных, чтобы ответить на оригинальный вопрос в определенной дисциплине. (PLO 2, PLO 4, PLO 5)

BUS 5213: Обработка данных для принятия решений

Понимать, как собирать и использовать данные при принятии решений с использованием аналитических методов (интеллектуальный анализ данных, предиктивная аналитика и алгоритмы машинного обучения) для поиска закономерностей взаимосвязей между элементами данных. Студенты научатся собирать соответствующие данные и анализировать их, чтобы привести лиц, принимающих решения, к более глубокому пониманию данных и их управленческого применения.

Результаты обучения студентов курса

• SLO 1: Приобретение навыков управления информацией для управления данными. (PLO 2, PLO 4)
• SLO 2: Приобретение аналитических навыков и инструментов для понимания данных. (PLO 2, PLO 4)
• SLO 3: Получить представление о принятии решений на основе данных и о том, как справляться с неопределенностью. (PLO 2, PLO 4)
• SLO 4: Развить мышление, ориентированное на данные, чтобы помочь компаниям действовать на основе данных. (PLO 2, PLO 4)
• SLO 5: Развивать навыки представления данных для принятия решений. (PLO 1, PLO 2)

TECH 575: Аналитика больших данных для Интернета вещей

Этот курс знакомит студентов с Apache Spark, мощным фреймворком обработки больших данных, с акцентом на его применение в анализе крупномасштабных наборов данных. Студенты научатся использовать возможности Spark с помощью Python, делая упор на новейший синтаксис Spark 2.0 DataFrame. Учебная программа охватывает передовые методы обработки данных, приложения машинного обучения с использованием MLlib и сценарии решения реальных проблем.

Студенческие результаты обучения

• SLO 1: Синтез программирования на Python и фреймворков Apache Spark для проектирования и внедрения передовых решений для анализа больших данных. (PLO 2, PLO 4)
• SLO 2: Оценка и применение синтаксиса Spark 2.0 DataFrame для оптимизации сложных задач обработки данных и повышения аналитической эффективности. (PLO 2, PLO 4)
• SLO 3: Создание и критика сложных моделей машинного обучения с использованием Spark MLlib, включая логистическую регрессию, случайные леса и градиентно-усиленные деревья, для решения реальных задач классификации. (PLO 2, PLO 4)
• SLO 4: Разработка и оценка инновационных приложений для обработки естественного языка, таких как спам-фильтры, с использованием возможностей Spark для анализа и классификации текста. (PLO 1, PLO 2 и PLO 4)
• SLO 5: Сформулировать этическую основу для аналитики больших данных, которая объединяет христианские принципы управления и конфиденциальности, критически изучая социальные последствия методов анализа больших данных. (PLO 3, PLO 5)

TECH 615: Прикладной ИИ: Решения для бизнеса

Этот курс представляет собой комплексное введение в искусственный интеллект (ИИ), изучая его преобразующее влияние на различные отрасли и отвечая на растущий глобальный спрос на навыки ИИ. Студенты углубятся в последние разработки в области глубокого обучения, обучения с подкреплением, обработки естественного языка, компьютерного зрения и робототехники, одновременно получая практический опыт работы с современными фреймворками глубокого обучения, такими как Keras.

Студенческие результаты обучения

• SLO 1: Оценка влияния ИИ на различные отрасли, анализ текущих тенденций и прогнозирование будущих разработок в этой области. (PLO 2, PLO 4)
• SLO 2: Разработка и внедрение искусственных нейронных сетей для решения сложных бизнес-задач, таких как прогнозирование оттока клиентов и прогнозирование цен на акции. (PLO 2, PLO 4)
• SLO 3: Разработка усовершенствованных моделей ИИ с использованием сверточных и рекуррентных нейронных сетей для распознавания изображений и анализа временных рядов в реальных бизнес-контекстах. (PLO 2, PLO 4)
• SLO 4: Создание и оценка рекомендательных систем и приложений обработки естественного языка, демонстрация навыков применения ИИ для улучшения клиентского опыта и бизнес-операций. (PLO 2, PLO 4)
• SLO 5: Синтез этических соображений при внедрении ИИ с христианскими принципами управления и человеческого достоинства, формулирование ответственных стратегий ИИ для бизнес-приложений. (PLO 3, PLO 5)

TECH 630: передовой ИИ для бизнес-анализа и принятия решений

Этот курс предлагает преобразующую перспективу влияния ИИ на сферу бизнеса, подчеркивая критическую роль мастерства ИИ, включая генеративный ИИ, такой как большие языковые модели, в сегодняшней экономике, основанной на информации. Он фокусируется на выявлении, оценке и использовании возможностей для бизнес-аналитики с использованием как собственных, так и общедоступных источников данных.

Студенческие результаты обучения

• SLO 1: Синтез сложных наборов данных для создания инновационных бизнес-решений, демонстрирующих расширенные аналитические возможности в контекстах, управляемых ИИ. (PLO 2, PLO 4)
• SLO 2: Оценить текущие тенденции в управлении и применении ИИ, критикуя их потенциальное влияние на различные секторы бизнеса. (PLO 2, PLO 4)
• SLO 3: Разработка и критическая оценка различных моделей ИИ и интеллектуального анализа данных, обоснование их пригодности для конкретных бизнес-сценариев. (PLO 2, PLO 4)
• SLO 4: Разработка совместных стратегий для перевода реальных бизнес-задач в применимые на практике модели ИИ, демонстрирующие навыки командной работы и решения проблем. (PLO 2, PLO 5)
• SLO 5: Разработка и защита эффективных стратегий бизнес-аналитики, интегрирующих технологии ИИ для решения современных бизнес-проблем. (PLO 2, PLO 4)
• SLO 6: Создать этическую основу для внедрения ИИ в бизнес, которая соответствует христианским принципам управления и социальной ответственности, критически изучая моральные последствия принятия решений на основе ИИ в организационных контекстах. (PLO 3, PLO 5)

BUS 5223: Ведущие проекты по анализу данных

Этот курс познакомит студентов с критически важными компонентами операционализации бизнес-аналитики и аналитики данных для улучшения принятия решений и повышения качества в организации. В частности, студенты узнают, как взять на себя роль консультанта по бизнес-аналитике и применять методы анализа данных для информирования о принятии бизнес-решений.

Студенческие результаты обучения

• SLO 1: Понимание ключевых терминов и концепций в области анализа данных. (PLO 2, PLO 4)
• SLO 2: Определить ключевые аналитические навыки, необходимые в профессии. (PLO 2, PLO 4)
• SLO 3: Представить данные в графической форме. (PLO 1, PLO 2)
• SLO 4: Применение концепций и методов бизнес-аналитики. (PLO 2, PLO 4, PLO 5)

ТЕХНИКА 643: Статистические методы

Этот курс предлагает всестороннее изучение фундаментальных и передовых статистических методов, необходимых для анализа данных и принятия решений в различных областях. Этот курс охватывает описательную статистику, теорию вероятностей, выборочные распределения, проверку гипотез и выводную статистику. Студенты углубятся в регрессионный анализ, включая простую и множественную линейную регрессию, а также введение в логистическую регрессию. Учебная программа также охватывает дисперсионный анализ (ANOVA), планирование экспериментов и непараметрические методы. На протяжении всего курса упор делается как на теоретическое понимание, так и на практическое применение с использованием статистического программного обеспечения, такого как R или SAS. Студенты будут работать с реальными наборами данных, чтобы развить навыки манипулирования данными, статистического моделирования и интерпретации результатов. К концу курса участники будут оснащены надежным статистическим инструментом и способностью выбирать и применять соответствующие методы для решения сложных аналитических задач в различных дисциплинах. Предварительные условия включают базовое понимание алгебры и элементарных статистических концепций.

Студенческие результаты обучения

• SLO 1: Демонстрация навыков применения фундаментальных и передовых статистических методов для анализа данных и принятия решений в различных областях. (PLO 2, PLO 4)
• SLO 2: Точно проводить и интерпретировать проверки гипотез и статистические выводы. (PLO 2, PLO 4)
• SLO 3: Выполнение регрессионного анализа, включая простую и множественную линейную регрессию, а также логистическую регрессию. (PLO 2, PLO 4)
• SLO 4: Применение дисперсионного анализа (ANOVA), планирования экспериментов и непараметрических методов к соответствующим наборам данных. (PLO 2, PLO 4)
• SLO 5: Интегрировать христианские принципы этики и управления в применение статистических методов, признавая ответственность за использование анализа данных для улучшения общества и в соответствии с библейскими ценностями. (PLO 3, PLO 5)

TECH 674: Количественные методы

Этот курс представляет собой всестороннее введение в основные количественные методы и статистические приемы, используемые в современной науке о данных. Студенты получат прочную основу в теории вероятностей, статистическом выводе и передовых аналитических подходах, имеющих решающее значение для анализа сложных наборов данных. Ключевые темы включают распределения вероятностей и их приложения, проверку гипотез и доверительные интервалы, линейный и нелинейный регрессионный анализ, анализ временных рядов и прогнозирование, байесовскую статистику и вывод, методы снижения размерности, методы кластеризации и классификации, методы повторной выборки и бутстрап. Благодаря сочетанию лекций, практических упражнений и реальных примеров студенты научатся применять эти количественные методы с использованием популярных инструментов науки о данных и языков программирования. Курс делает акцент как на теоретическом понимании, так и на практической реализации, готовя студентов к решению сложных задач анализа данных в различных отраслях.

Студенческие результаты обучения

• SLO 1: Применение теории вероятностей и методов статистического вывода для анализа сложных наборов данных в контексте науки о данных. (PLO 2, PLO 4)
• SLO 2: Разработка и оценка линейных и нелинейных регрессионных моделей, анализа временных рядов и методов прогнозирования для анализа данных и предсказания. (PLO 2, PLO 4)
• SLO 3: Использовать методы снижения размерности, кластеризации и классификации для извлечения значимых закономерностей из многомерных данных. (PLO 2, PLO 4)
• SLO 4: Демонстрация навыков использования популярных инструментов науки о данных и языков программирования для реализации количественных методов на реальных наборах данных. (PLO 2, PLO 4, PLO 5)
• SLO 5: Интегрировать христианские принципы этического использования и интерпретации данных, признавая ответственность за использование количественных методов способами, которые чтят истину, способствуют процветанию человека и отражают хорошее управление информационными ресурсами. (PLO 3, PLO 5)

TECH 699: Выпускной проект по науке о данных и аналитике

Этот курс дает студентам возможность синтезировать и применять знания и навыки, полученные в ходе программы магистратуры по науке о данных и аналитике. Студенты будут выполнять комплексный реальный проект по науке о данных, который решает важную бизнес- или общественную задачу. Работая индивидуально или в небольших командах, студенты будут определять проблему, собирать и анализировать соответствующие данные, разрабатывать и внедрять соответствующие решения в области науки о данных и эффективно сообщать о своих выводах. Проект будет охватывать весь жизненный цикл науки о данных, включая формулировку проблемы, сбор и предварительную обработку данных, исследовательский анализ данных, разработку и оценку модели и представление результатов. Ожидается, что студенты будут интегрировать передовые методы аналитики, этические соображения и бизнес-идеи в свои проекты. Курс завершится итоговой презентацией и отчетом, демонстрирующими мастерство студентов в концепциях науки о данных и их способность приносить пользу с помощью решений, основанных на данных.

Студенческие результаты обучения

• SLO 1: Разработка и реализация комплексного проекта по науке о данных, направленного на решение сложной реальной проблемы, демонстрирующего владение жизненным циклом науки о данных и передовыми аналитическими методами. (PLO 2, PLO 4)
• SLO 2: Эффективно доносить сложные концепции, методологии и результаты науки о данных как до технической, так и нетехнической аудитории посредством письменных отчетов, устных презентаций и визуализации данных. (PLO 1, PLO 4)
• SLO 3: Применять этические принципы и христианские принципы при проектировании, внедрении и оценке решений в области науки о данных, решая такие проблемы, как конфиденциальность данных, предвзятость и влияние на общество. (PLO 3, PLO 5)
• SLO 4: Критически оценивать и выбирать соответствующие методологии, инструменты и технологии науки о данных для решения конкретных деловых или общественных задач, обосновывая этот выбор на основе их эффективности и результативности. (PLO 2, PLO 4)
• SLO 5: Эффективно сотрудничать в составе разнообразных команд для планирования, выполнения и поставки сложного проекта по науке о данных, демонстрируя лидерские качества, навыки управления проектами и межкультурной коммуникации. (PLO 1, PLO 5)
• SLO 6: Синтезировать идеи, полученные в результате анализа данных, для разработки стратегических рекомендаций, которые повышают ценность бизнеса или отвечают потребностям общества, демонстрируя способность объединять науку о данных с практическими приложениями. (PLO 2, PLO 3, PLO 4)

Результаты институционального обучения (ILO)

• МОТ 1: Учащиеся будут эффективно общаться.
• МОТ 2: Учащиеся будут использовать методы исследования для приобретения и применения знаний.
• МОТ 3: Учащиеся будут решать конкретные проблемы, применяя веру и этические рассуждения.
• МОТ 4: Учащиеся будут мыслить творчески и критически, чтобы продолжить свою жизнь, полную знаний.
• МОТ 5: Учащиеся будут погружаться в культурно разнообразный мир, чтобы укреплять отношения с другими людьми.

Результаты обучения программы (PLO)

• PLO 1: Эффективно доносить сложные концепции науки о данных и аналитические результаты до разнообразной аудитории, демонстрируя культурную чувствительность и этические соображения при представлении данных. (ILO 1, ILO 3, ILO 5)
• PLO 2: Применять передовые статистические методы, методы машинного обучения и стратегии интеллектуального анализа данных для извлечения значимых сведений из крупномасштабных наборов данных, критически оценивать результаты для решения реальных проблем. (ILO 2, ILO 4)
• PLO 3: Разрабатывать и внедрять этические решения в области науки о данных, которые объединяют христианские принципы управления, конфиденциальности и социальной ответственности, эффективно донося этические последствия до заинтересованных сторон. (МОТ 1, МОТ 3, МОТ 5)
• PLO 4: Критически оценивать и синтезировать текущие тенденции в области науки о данных и искусственного интеллекта, демонстрируя способность адаптироваться к быстро развивающимся технологиям и методологиям, а также эффективно передавать результаты для содействия непрерывному обучению. (ILO 1, ILO 2, ILO 4)
• PLO 5: Эффективно сотрудничать в составе разнообразных команд для разработки и реализации проектов в области науки о данных, направленных на решение глобальных проблем, используя соответствующие методы исследования и этические доводы для содействия межкультурному взаимопониманию посредством аналитических идей, основанных на данных. (МОТ 2, МОТ 3, МОТ 5)