美国密歇根大学应用数据科学硕士学位介绍
该学位专为希望接受现实世界的数据挑战并全面了解如何在各个行业中收集、处理、分析、可视化和报告数据的学生而设计。本学位的申请人应精通统计学和Python。学生将学习如何应用这些技能，帮助组织变得更加有效，战略性，道德和成功。
本学位对具有学术和/或专业成功历史的申请人感兴趣，他们表现出创造力并致力于解决复杂的问题，并表现出毅力，领导力和主动性。
密歇根大学信息学院的应用数据科学硕士学位旨在帮助有抱负的数据科学家通过实践项目学习和应用技能。 您将学习如何使用数据来改善结果并实现雄心勃勃的目标。
本课程通过掌握机器学习和自然语言处理等核心数据科学概念，帮助您成为该领域的领导者。 通过深入研究隐私、数据伦理和有说服力的沟通等关键主题，您将为在当今的组织中取得成功做好准备。 在构建展示您技能的工作组合时，您还将使用来自顶级公司的真实数据集。 了解可帮助组织克服数据过载并做出明智决策的系统和技术。
无论您是想为数据知情的解决方案制定更好的问题陈述、构建预测模型，还是在仪表板中可视化数据，这个在线硕士课程都会教授您在不断变化的领域取得成功所需的技能。 我们不需要 GRE 或任何其他额外的测试作为我们录取过程的一部分。
美国密歇根大学应用数据科学硕士学位的数据分析和建模的关键学习课程
参加密歇根大学信息学院应用数据科学硕士（MADS）课程的学生将学习应用数据科学所有基本科目的课程，重点是端到端方法。MADS计划将计算与理论和应用相交，确保学生将他们的数据科学学习付诸实践。
课程涵盖：
- 大数据的计算方法
- 探索和交流数据
- 使用各种方法可视化数据
- 分析技术（机器学习、网络分析、自然语言处理、实验和因果推理）
- 上下文中的数据科学应用（搜索和推荐系统、社交媒体分析、学习分析）
- 3个投资组合建设重大项目
与数据分析和建模有关的课程的主要学习内容包括：
- 数据科学的数学方法（Math Methods for Data Science）
- 数据的可视化探索（Visual Exploration of Data）
- 数据挖掘 I（Data Mining I）
- 数据挖掘II（Data Mining II）
- 监督学习（Supervised Learning）
- 无监督学习（Unsupervised Learning）
- 深度学习（Deep Learning）
- 机器学习管道（Machine Learning Pipelines）
- 因果推理（Causal Inference）
- 自然语言处理（Natural Language Processing）
- 网络分析（Network Analysis）
美国密歇根大学应用数据科学硕士学位的数据分析和建模课程的参考学习书籍介绍
《公路安全分析和建模：分析碰撞数据的技术和方法（Highway Safety Analytics and Modeling: Techniques and Methods for Analyzing Crash Data）》
《公路安全分析和建模：分析碰撞数据的技术和方法》
《公路安全分析和建模》全面涵盖了基于公路安全数据分析做出有效运输工程和政策决策所需的关键要素及其参考。这本书包括决策过程的各个方面，从收集和收集数据到开发模型和评估分析结果。它讨论了处理崩溃和自然数据的挑战，确定了问题并提出了经过充分研究的方法来解决这些问题。最后，本书研究了与安全数据分析相关的细微差别，并展示了如何最好地利用这些信息来制定对策、政策和计划，以减少交通事故的频率和严重程度。
《通过统计中的概率建模分析数据（Analyzing Data Through Probabilistic Modeling in Statistics）》
《通过统计中的概率建模分析数据》
概率建模代表了数学、经济学和计算机科学的许多分支中出现的一个主题。这种建模将纯数学与应用科学联系起来。同样，数据分析和统计学位于纯数学和应用科学之间的边界。因此，当概率建模遇到统计学时，这是一个非常有趣的场合，最近得到了很多研究。
随着这些技术在生活和工作中的增加，在工作场所进行计划、时间表、调度、决策、优化、模拟、数据分析以及风险分析和流程建模变得有些重要。然而，在规划或决策过程中，这些部门仍然存在许多困难和挑战。仍然需要对这种概率建模与其他方法的影响进行更多研究。通过统计中的概率建模分析数据是一个重要的参考来源，它建立在概率建模、统计学、运筹学、规划和调度、决策中的数据外推、模拟中的概率插值和外推、随机过程和决策分析领域的现有文献之上。
本书将为经济学和管理科学以及数学和计算机科学提供必要的资源。本书非常适合感兴趣的技术开发人员、决策者、数学家、统计学家和从业人员、利益相关者、研究人员、院士和希望进一步接触运筹学和概率建模相关主题的学生。
《使用 PyTorch Lightning 进行深度学习：使用 Python 构建和训练高性能人工智能和自监督模型(Deep Learning with PyTorch Lightning: Build and train high-performance artificial intelligence and self-supervised models using Python)》
《使用 PyTorch Lightning 进行深度学习》
PyTorch Lightning 让研究人员无需担心样板文件即可构建自己的深度学习 （DL） 模型。在本书的帮助下，您将能够最大限度地提高深度学习项目的生产力，同时确保从模型制定到实施的完全灵活性。您将采用亲身实践的方法来实施 PyTorch 闪电模型，以便立即快速上手。
您将首先学习如何在云平台上配置 PyTorch Lightning，了解架构组件，并探索如何配置它们以构建各种行业解决方案。接下来，您将从头开始构建网络和应用程序，并了解如何根据您的特定需求扩展它，超出框架所能提供的范围。本书还演示了如何使用 PyTorch Lightning 实现开箱即用的功能来构建和训练自监督学习、半监督学习和时间序列模型。随着您的进步，您将发现生成对抗网络 （GAN） 的工作原理。最后，您将使用部署就绪的应用程序，重点关注更快的性能和扩展、对大量数据的模型评分以及模型调试。
在本 PyTorch 书籍结束时，您将掌握使用 PyTorch Lightning 构建和部署自己的可扩展 DL 应用程序所需的知识和技能。
《用于医疗保健决策的深度学习（Deep Learning for Healthcare Decision Making）》
《用于医疗保健决策的深度学习》
众所周知，当今的医疗保健受到孤立和碎片化数据、延迟临床通信和不同工作流程工具的影响，这是由于供应商锁定的医疗保健系统缺乏互操作性、数据持有者之间缺乏信任以及数据共享的安全/隐私问题。健康信息产业在增长和进步方面已经做好了跨越式发展的准备。
本书试图揭示大量健康信息和技术的隐藏潜力。在本书中，我们试图结合许多引人注目的观点、指南和框架，通过深度学习框架的成功应用来实现个性化的医疗保健服务选择。医疗保健部门的进步将是渐进的，因为它通过应用合适的人工智能、深度网络框架和模式，从数据之间的关联中学习。医疗保健面临的主要挑战是通过应用精确的算法来有效和准确地学习非结构化的临床数据。不正确的输入数据导致错误输出和误报在医疗保健中是不能容忍的，因为患者的生命受到威胁。本书旨在揭示通过高效和有效的深度学习算法实现个性化医疗保健服务所涉及的风险和可能性。
本书将重点关注深度学习在医疗保健任何领域的应用，包括临床试验、远程医疗、健康记录管理等。
《自然语言处理项目：使用 AI 技术构建下一代 NLP 应用程序（Natural Language Processing Projects: Build Next-Generation NLP Applications Using AI Techniques ）》
《自然语言处理项目：使用 AI 技术构建下一代 NLP 应用程序》
利用机器学习和深度学习技术构建成熟的自然语言处理 （NLP） 项目。本书中的项目越来越复杂，并展示了解决各种业务问题的方法、优化提示和技巧。您将使用现代 Python 库和算法来构建端到端 NLP 项目。
本书首先概述了自然语言处理（NLP）和人工智能，以快速复习算法。接下来，它涵盖了从传统算法开始的端到端 NLP 项目和项目，例如客户评论情绪和情感检测、主题建模和文档聚类。从那里，它深入研究与电子商务相关的项目，例如使用产品描述进行产品分类，检索相关内容的搜索引擎以及基于内容的推荐系统以增强用户体验。展望未来，它解释了如何使用上下文嵌入构建系统来查找相似的句子，使用递归神经网络（RNN）总结大量文档，使用长短期记忆网络（LSTM）自动单词建议，以及如何使用迁移学习构建聊天机器人。最后，它探索了研究领域的下一代人工智能和算法。 在本书结束时，您将掌握使用NLP技术解决各种业务问题所需的知识。
您将学到什么
- 使用 Python 实现成熟的智能 NLP 应用程序
- 使用 NLP 技术翻译文本数据上的实际业务问题
- 利用机器学习和深度学习技术执行智能语言处理
- 获得实施端到端搜索引擎信息检索、文本摘要、聊天机器人、文本生成、文档聚类和产品分类等的实践经验
本书适合希望使用 Python构建自然语言应用程序的数据科学家、机器学习工程师和深度学习专业人员
