西澳大学数据科学硕士课程辅导

数据科学硕士课程将为您提供理解和应用适当分析方法的知识和技能，从而帮助组织转变实现目标的方式;有效处理大型数据管理任务;掌握数据分析的基础 – 统计学和机器学习;以及评估和传达新技术的有效性。

由于数据科学的兴起是一项全球性现象，本课程将为您做好国际职业生涯的准备。您将获得有关当代数据管理和分析技术的详细知识，包括数据收集和存储、可视化、基于互联网的应用程序以及软件项目管理等方面。您还将获得高性能计算方面的重要技能。除了学习计算机和统计学的进阶单元之外，您还可以从不同领域的众多单元中进行选择，并了解如何在跨学科领域应用您的数据科学知识和技能。

一、辅导成果

利用现有的数据科学技术来管理和分析大型或复杂的数据集。

评估新兴数据科学技术和技巧及其对各种问题的潜在应用。

应用适当的技术进行数据管理、表示、分析和呈现。

使用新组件和现有组件的组合来确定规划新数据管理项目时要考虑的权衡。

二、辅导内容

1.计算数据分析[CITS4009]

该装置响应了一项紧急呼吁，即利用我们日常生活各个方面所产生的前所未有的数据量通过将数据科学作为一门处理收集、表示、操作和可视化数据的学科来介绍生活。

参加该单元的学生学习编写计算机程序来提取、转换和集成数据。包括传统关系数据库和基于 Web 的资源。数据不同表示格式(例如 XML、JSON 和 HDF5)以及存储选项(包括 SQL 和 NOSQL 类型)，数据库进行了介绍和比较。另一个核心目标是发展编程技能，以实现有效且有意义的数据可视化。学生有机会运用所学知识通过项目将数据采集、数据处理、数据表示和探索性可视化付诸实践与现实世界的数据分析高度相关。

2.自然语言处理 [CITS4012]

在本单元中，我们从使用正则表达式的传统文本处理技术开始，讨论文本处理和规范化的需求。然后，我们介绍自然语言处理(NLP)的基本流程，包括词性标记和各种句子解析方式，旨在为情感或文档分类等更高级别的任务引入传统的文本特征收集技术。基于对基于特征的 NLP 管道方法的优缺点的理解，该单元转向 NLP 深度学习的现代方法，重点关注 NLP 的词向量表示、神经语言模型和循环神经网络。该单元围绕主要 NLP 任务定位技术，包括信息提取、情感检测、对话系统和机器翻译。

3.开源工具和脚本 [CITS4407]

本单元向学生介绍支持和促进开源软件成功的理念、设计、工具和实践，开源软件运行着世界上大部分的计算机基础设施。涵盖的重要主题包括使用 shell 作为编程语言、使用文件系统和管道来支持进程间通信、基本软件组件、支持软件开发和维护过程的工具以及支持软件集成的一致接口的重要性。

4.数据仓库 [CITS5504]

本单元介绍数据仓库和 OLAP 的关键机制。它讨论了数据仓库的逻辑和物理设计，包括星型模式、雪花模式、数据集市、分区和物化视图。学生通过学习 OLAP 技术来学习数据仓库的使用，包括多维 OLAP (MOLAP) 和关系 OLAP (ROLAP) 架构、OLAP 操作以及对 OLAP 的结构化查询语言 (SQL) 支持。

5.机器学习 [CITS5508]

在本单元中，学生将了解适用于科学和商业数据的机器学习技术。从大量数据中提取有意义的知识已成为商业和科学领域的首要任务。机器学习为数据分析提供了核心基础理论和技术，其中算法迭代地从数据中学习以发现隐藏的见解。本单元涵盖经典监督和无监督机器学习技术。

6.应用预测建模 [STAT4064]

本单元涵盖了一组用于对复杂数据集进行建模、理解和预测的工具。这些工具选自统计和机器学习自然融合的主题，并通过应用示例进行激励和演示。以学生容易理解的水平讨论基本的一般概念和基本理论。使用统计包 R 分析数据集，并且该单元提供了该软件的介绍。主题选自统计推断、线性回归、模型选择、分类、重采样方法、基于树的方法、支持向量机和机器学习。

7.贝叶斯计算和统计 [STAT4066]

本单元介绍贝叶斯统计的概念，并说明如何将其应用到科学研究的各个领域。介绍了自行实现的算法和概率编程语言(WinBugs、JAGS 和/或 Stan)，并讨论了后者与统计计算和图形环境 R 的接口。讨论了这些概率编程语言背后的一些计算方面，以证明这些算法框架的合理性。这些算法可以直接使用，也可以通过 R 接口，将贝叶斯框架内的统计模型与工程、科学(例如农业、生物、环境、医学和物理)、社会科学、经济、金融和天文学。

海马课堂专业课程辅导

1.拥有4000+严选硕博学霸师资。针对学生的薄弱科目和学校教学进度，匹配背景相符的导师。

2.根据学生情况进行1V1专属备课，上课时间灵活安排。

3.中英双语详细讲解课程中的考点、难点问题，并提供多方位的课后辅导，辅助学生掌握全部课程知识，补足短板。