
Mestre em Ciência de Dados, UCAM
Sharjah, Emiratos Árabes Unidos
DURAÇÃO
12 Months
LÍNGUAS
Inglês
RITMO
Tempo total
PRAZO DE INSCRIÇÃO
Solicitar prazo de inscrição
DATA DE INÍCIO MAIS CEDO
Solicitar a data de início mais próxima
PROPINAS
USD 7.500 / per course
FORMATO DE ESTUDO
Ensino à distância
Introdução
O Mestrado em Ciência de Dados fornece habilidades, conhecimento e compreensão transferíveis que podem ser aplicados no cenário de negócios altamente competitivo e em evolução dos dias de hoje. As unidades estão alinhadas aos Padrões Ocupacionais Nacionais para empresas e representam os principais atributos exigidos pelos empregadores em uma variedade de configurações de negócios. Esta qualificação visa proporcionar aos alunos:
- Uma compreensão das habilidades essenciais necessárias para trabalhar com sucesso no setor de gestão de negócios
- As ferramentas para preparar os alunos intelectual e praticamente para um desempenho eficaz em seu local de trabalho/emprego
- As habilidades necessárias para resolver problemas em um ambiente de negócios
- A prontidão para gerenciar várias organizações com base científica e para ocupar cargos gerenciais de liderança.
- Uma compreensão da cultura empresarial e responsabilidades nos vários domínios da gestão empresarial
- Uma compreensão abrangente dos domínios de negócios e gestão
Currículo
MÓDULOS PRINCIPAIS
Esta seção fornece detalhes sobre a estrutura, conteúdo e resultados de aprendizagem de todos os módulos desta qualificação.
TRABALHANDO COM DADOS
Descrição do módulo
Este módulo inculca compreensão prática e uma estrutura que permite a execução de ações analíticas essenciais, como extrair, limpar, alterar e analisar dados. Neste módulo, os alunos adquirem o conhecimento de linguagens de programação, ferramentas, estruturas e bibliotecas utilizadas ao longo do curso para adquirir e modelar conjuntos de dados. A análise de dados é realizada por meio da visualização, resumo e desenvolvimento de habilidades rudimentares de manipulação de dados, prestando atenção aos tipos, nomes e valores de variáveis. Além disso, o gerenciamento de dados usando datas, strings e outros elementos aprimora a capacidade dos alunos de realizar pesquisas de dados e gerar visualizações.
Resultados de Aprendizagem
L01: Analisar informações usando ferramentas de visualização de dados, resumo e contagem.
L2: Adquirir habilidades rudimentares no tratamento de dados, com foco em tipos, nomes e valores de variáveis.
L03: Aprender a utilizar o operador de tubos para combinar inúmeras operações de arrumação numa cadeia.
L04: A capacidade de trabalhar com dados que incluem datas, strings e outras variáveis
Conteúdo Coberto
- Técnicas de limpeza de dados
- Pré-processamento de dados
- Manipulação de dados
- Programação básica em Python
- Visualização de dados usando Matplotlib
- Álgebra Linear
- Estatística e Probabilidade
- Análise exploratória de dados
- Variância, Desvio Padrão, Mediana
- Gráficos de barras e gráficos de linhas
- Bibliotecas e framework Python na análise de dados
- Gráfico de dispersão 2D
- Gráfico de dispersão 3D
- Gráficos de pares
- Univariada, Bivariada e Multivariada
- Histogramas
- Gráfico de caixa
- IQR (intervalo interquartil)
- Análise de dados com Pandas
ANÁLISE DE DADOS EM PROCESSOS DE NEGÓCIO
Descrição do Módulo
Este módulo aborda os princípios de criação de modelos de planilhas confiáveis, traduzindo modelos conceituais em modelos matemáticos e aplicando-os em planilhas. Ele também demonstra conhecimento de três ferramentas analíticas no Excel, funções do Excel e o processo de auditoria de modelos de planilhas para garantir a precisão. Além disso, são abordados neste módulo
Análise de decisão, tabelas de payoff e árvores de decisão. O Microsoft Power BI ajuda os usuários a obter conhecimento prático dos dados para resolver problemas de negócios, trazendo modelos analíticos para a tomada de decisões corporativas. Os alunos adquirem insights sobre recursos analíticos avançados do Power BI, como previsão, visualizações de dados e expressões de análise de dados.
Resultados de Aprendizagem
OA1: Analisar criticamente o uso de dados de negócios em um contexto de tomada de decisão organizacional.
OA2: Demonstrar uma compreensão crítica dos princípios de análise de negócios em funções de gestão.
OA3: Aplicar técnicas apropriadas de gerenciamento e análise de dados para recuperar, organizar e manipular dados.
OA4: Aplicar métodos apropriados de análise de dados estatísticos e técnicas de visualização para tomar decisões de negócios sólidas.
Conteúdo Coberto
- Criando modelos de planilha
- Análise de variações hipotéticas
- Funções para modelagem
- Auditoria de modelos de planilha
- Modelos de planilhas preditivas e prescritivas
- Identificação de problema
- Análise de Decisão
- Análise de Decisão com ou sem Probabilidades
- Calculando probabilidades de ramificação
- Teoria da Utilidade
- Streaming de dados no Power BI
- Visualização no Power BI
- Expressões de análise de dados
- Visualizações de relatório no PowerBI
- Classificação de dados
- Transformação de dados
- Filtragem de dados
- Editor de consulta avançada
- Análise de risco
- Análise sensitiva
TÉCNICAS DE MINERAÇÃO DE DADOS
Descrição do Módulo
O processo de mineração de dados inclui a coleta de informações necessárias de enormes bancos de dados que ajudam a tomar uma decisão informada. O módulo demonstra técnicas de mineração de dados, como processamento de dados, descoberta de padrões e tendências em informações. Esses métodos são empregados para obter as habilidades e habilidades para aplicar integração, limpeza, seleção e transformação de dados em tabelas e gráficos para descoberta de conhecimento. As bibliotecas de matrizes Python permitem que os alunos construam alguma representação realista da mineração de texto executando tarefas como classificação, estimativa, segmentação, previsão, sequência e associação de dados.
Resultados de Aprendizagem
OA1: Compreender os fundamentos da mineração e análise de texto, incluindo a identificação de padrões interessantes, a extração de conhecimento útil e o apoio à tomada de decisões.
OA2: Explorar princípios fundamentais de mineração de texto e algoritmos essenciais e algumas de suas aplicações práticas.
OA3: Ser capaz de aplicar o conhecimento e as habilidades aprendidas para implementar técnicas escaláveis de descoberta de padrões em grandes volumes de dados transacionais
OA4: Envolver-se em discussões significativas sobre métricas de avaliação de padrões e investigar técnicas para mineração de vários padrões, incluindo padrões sequenciais e de subgráficos.
Conteúdo Coberto
- Introdução à mineração de dados
- Mineração de dados em um ambiente baseado em Python
- O que é um armazém de dados
- Como encontrar padrões?
- Análise de afinidade
- Recomendação de produto
- Introdução à mineração de banco de dados
- Bancos de dados e SQL
- DDL, DML, junções e esquemas
- Como usar bibliotecas de matrizes Python em conjuntos de dados.
- Carregue o conjunto de dados com NumPy
- Representações de dados amigáveis à mineração
- Representação de texto para mineração de dados.
- Por que o texto é complexo?
- Mineração de texto
- Modelagem, avaliação e implantação de dados em mineração de texto
- Técnicas exemplares: representação de saco de palavras em mineração de texto
- Mineração frequente de subgráficos
ALGORITMOS EM CIÊNCIA DE DADOS
Descrição do Módulo
Este módulo fornece amplo conhecimento sobre divisão de dados em treinamento, validação e criação de conjuntos de testes. Desenvolva e avalie modelos de mineração preditivos integrando uma estrutura e percepção prática. Existem inúmeras métricas de desempenho para sistemas de estimativa e categorização apresentadas. As abordagens de modelagem preditiva mais prevalentes, incluindo redes neurais artificiais, máquinas de vetores de suporte, k-vizinho mais próximo, aprendizagem bayesiana, modelos de conjunto e diferentes árvores de decisão, são revisadas neste módulo, juntamente com a entrega de resultados.
Resultados de Aprendizagem
OA1: Introduzir os conceitos algorítmicos fundamentais, incluindo classificação e pesquisa, divisão e conquista e algoritmos complexos.
OA2: Classificar dados e utilizá-los para pesquisa; dividir um problema enorme em problemas menores e respondê-los recursivamente; aplicar programação dinâmica à pesquisa genômica; e mais.
OA3: Discutir e construir as estruturas de dados mais utilizadas na computação moderna OA4: Ser capaz de usar as estruturas de dados mais utilizadas na indústria na computação moderna
Conteúdo Coberto
- Método de Holdout Estático
- Validação cruzada k-Fold
- Dados desequilibrados de classe
- Avaliando a Classificação de Resultados Categóricos
- Avaliando a estimativa de resultados contínuos
- Regressão Logística
- K-vizinho mais próximo
- Método do vizinho mais próximo para previsão
- Árvore de classificação e regressão
- Máquinas de vetores de suporte
- Abordagem baseada em processos para o uso de SVM
- Métodos Naïf Bayes
- Redes Bayesianas
- Arquiteturas de Redes Neurais
- Modelagem de conjunto
MÓDULOS DE ESPECIALIZAÇÃO
Esta seção fornece detalhes sobre a estrutura, o conteúdo e os resultados de aprendizagem dos Pathways de especialização.
MODELAGEM DE DADOS ESTATÍSTICOS
Descrição do Curso
Este módulo oferece aos alunos a visão necessária para aplicar muitos modelos de previsão e compreender a regressão linear. Crie previsões com base em um grupo de variáveis de entrada usando métodos de análise de regressão. Os alunos investigam a maneira de modelar uma ampla gama de interações do mundo real usando metodologias estatísticas complicadas, como modelos lineares generalizados e aditivos. Este módulo inculca metodologias de modelagem estatística intermediárias e avançadas. Ele foi criado especificamente para que os alunos desenvolvam proficiência em análise de regressão linear, projeto experimental e modelos lineares e aditivos estendidos. Com base nessas habilidades, a interpretação de dados, a descoberta de ligações entre variáveis e a geração de previsões são simplificadas por meio de representações intuitivas.
Resultados de Aprendizagem
OA1: Diferenciar entre vários tipos de modelos preditivos e dominar a regressão linear
OA2: Compreender o funcionamento interno através de algoritmos de diferentes modelos
OA3: Analisar e explorar os resultados da regressão logística e entender quando fazer análise discriminante
OA4: Maximizar a produtividade analítica analisando diferentes modelos e interpretando sua precisão de maneira bem organizada
Conteúdo Coberto
- Selecionando uma amostra
- Estimativa de pontos
- Distribuições de Amostragem
- Estimativa de intervalo
- Testes de hipóteses
- Inferência estatística e significado prático
- Um modelo de regressão linear simples
- Método dos mínimos quadrados
- Inferência e Regressão
- Modelo de regressão múltipla
- Regressão Logística
- Previsões com regressão
- Ajuste de modelo
- Modelo de dados do Tableau
- Transformação de formas e dados usando o Tableau Query Editor
- Visualização de relatório do Tableau
Aplicações de dados em inteligência artificial e blockchain
Descrição do Curso
Neste módulo, os alunos compreenderão melhor as aplicações de inteligência artificial (IA) nos negócios e compreenderão a tomada de decisões de IA. Através de avanços na IoT e do surgimento do Blockchain, este currículo prepara os alunos com uma ampla base de soluções de software habilitadas para IA. À medida que os alunos avançam neste módulo, eles se familiarizam com a tecnologia que alimenta o mundo automatizado – conhecendo os tipos de algoritmos e como eles podem ser utilizados para aprimorar ou replicar o comportamento humano em diversas aplicações. Este módulo ensina sobre componentes de IA, IoT, Blockchain e aprendizado de máquina, ao mesmo tempo em que se baseia em uma estrutura conceitual sólida que apresentará maneiras rigorosas, práticas e passo a passo para enfrentar desafios realistas e complexos do mundo real.
Resultados de Aprendizagem
OA1. Apresentando a Inteligência Artificial (IA), explorando suas características e variantes no domínio empresarial. Além disso, compreender o contexto empresarial da IA e interpretar a tomada de decisões da IA.
LO2. Compreender e criar um plano de implementação de IA para uma configuração de negócios através do reconhecimento de parâmetros de modelo adequados
OA3: Explorar ainda mais os componentes do Blockchain e compreender o conceito, recursos, benefícios e relevância da Tecnologia de Ledger Distribuído (DLT) na aplicação
OA4: Compreender Hyperledger, Smart Contracts e IoT (Internet of Things) em modelos de negócios aplicados para avaliar o impacto no longo prazo
Conteúdo Coberto
- Introdução à inteligência artificial
- IA permite aplicativos
- O que é aprendizagem profunda
- Redes neurais artificiais
- Processamento de imagem e OpenCV
- Introdução à PNL
- Redes neurais artificiais
- Processamento de Texto
- Classificação de texto
- Modelagem de Tópico
- Redes Neurais Recorrentes
- Principais componentes da IoT
- Variedade de sensores
- Atuadores
- Protocolos IoT em várias camadas
- Aplicativos e interface de usuário em IoT
- Fábricas inteligentes de amanhã e a Internet Industrial das Coisas
- Introdução aos Blockchains
- Introdução e uso de Hyperledger e Smart Contract
- Estrutura de Blockchains
- Sistemas centralizados, descentralizados e distribuídos
- Introdução ao DLT
- Recursos, benefícios e uso de DLT em Blockchain
- Tipos de Blockchain
- Por que Blockchain?
- Construindo aplicativos de IA e ML usando tecnologia Blockchain
PARTE 2: Projeto Capstone
Descrição do módulo:
O objetivo deste módulo é discutir e explicar o papel da ciência de dados e suas práticas em uma organização e sua influência no desempenho geral e na competência da organização. Este módulo foi desenvolvido para desenvolver uma compreensão das práticas contemporâneas e competência para desenvolver uma questão de pesquisa ou design, ilustrar como ela se relaciona com o conhecimento atual e realizar o estudo de maneira sistemática. Os alunos serão incentivados a escolher um projeto de pesquisa/desenvolvimento que mostre seu aprendizado anterior no domínio da ciência de dados. O objetivo é adquirir uma compreensão da Ciência de Dados e da mudança de paradigma nas abordagens e métodos relacionados a várias funções do DS, como visualização de dados, probabilidade, inferência e modelagem, mineração de dados, organização de dados, regressão e aprendizado de máquina, para citar alguns. . Ele também se esforça para destacar o papel e a importância da análise de dados e da modelagem de dados durante o planejamento, a tomada de decisões e a implementação de mudanças na organização. Ao concluir com êxito o módulo, os participantes terão conhecimento abrangente sobre o contexto mais amplo de análise de dados e um produto de dados para demonstrar sua experiência em ciência de dados a potenciais empregadores ou programas educacionais.
Resultados de Aprendizagem
OA1: Conduzir Pesquisa e Desenvolvimento independentes no contexto de um Projeto de Ciência de Dados
OA2: Desenvolver a capacidade de resolver problemas de forma independente usando análise e ciência de dados
OA3: Comunicar informações técnicas de forma clara e sucinta para um público amplo e não especializado.
OA4: Criar documentação escrita detalhada de acordo com o padrão esperado de um profissional na área de Ciência de Dados e avaliar os resultados do projeto com referência às principais publicações de pesquisa na área relevante.
Admissões
Resultado do programa
VISÃO GERAL DA QUALIFICAÇÃO
Título do prêmio: PG Extended Diploma in Data Science (120 créditos)
Para receber o Diploma Estendido de Pós-Graduação Nível 7 em Ciência de Dados, os alunos devem concluir todos os quatro módulos da seção CORE (80 créditos) e dois módulos da especialização escolhida Pathway (40 créditos)
Seção principal
A seção principal deste prêmio PG Extended Diploma contém quatro módulos obrigatórios.
- Trabalhando com dados (20 créditos)
- Análise de dados em processos de negócios (20 créditos)
- Técnicas de Mineração de Dados (20 créditos)
- Algoritmos em Ciência de Dados (20 créditos)
Especialização Pathways
O PG Extended Diploma in Data Science tem duas especializações Pathways .
- Modelagem de Dados Estatísticos
- Aplicações de Dados em Inteligência Artificial e Blockchain
Oportunidades de carreira
Oportunidades de Progresso
Os alunos que obtiverem o Diploma Estendido PG em Ciência de Dados poderão progredir para: -
- Mestrado em Ciência de Dados
- Mestrado em Big Data