Avancerade graderprogram för kodning - dummies

Alternativen för att lära sig hur man kodar verkar aldrig sluta, och avancerade grader appellerar vanligtvis till en viss grupp människor. Även om det inte behövs för att lära sig att koda eller få ett kodningsjobb, kan en avancerad examen bidra till att påskynda ditt lärande och skilja dig från andra arbetskandidater. Här är de två typerna av avancerade examensprogram:

• Magisterexamen: En teknisk grad som gör att du kan utforska och specialisera dig inom ett visst område inom datavetenskap, såsom artificiell intelligens, säkerhet, databassystem eller maskininlärning. Baserat på kursbelastningen tar graden vanligtvis en eller två års heltid, personlig instruktion att slutföra. Efter avslutad examen kan graden vara ett sätt för en student som fördjupade en icke-teknisk major för att övergå till fältet och driva ett kodningsjobb. Alternativt använder vissa studenter mastersexamen som ett sätt att mäta sitt intresse för eller förbättra kandidaturen för ett doktorandprogram.

Ett växande antal deltid online mastergradsprogrammen blir tillgängliga. Till exempel erbjuder Stanford och Johns Hopkins båda en magisterexamen i datavetenskap med en koncentration i ett av tio ämnen som en del av en online deltidsexamen som i genomsnitt tar tre till fem år att slutföra. På samma sätt erbjuder Northwestern University en magisterexamen i Predictive Analytics, ett online deltidsprogram i stora data som lär studenterna SQL, NoSQL, Python och R.

• Doktorgradsutbildning: Ett program som vanligtvis är av intresse för personer som är intresserade av att utföra forskning på ett specialt ämne. Doktorgradskandidater kan ta sex till åtta år för att få sin examen, så det är inte det mest snabba sättet att lära sig hur man kodar. Doktorander, särskilt de med spännande forskningsämnen, skiljer sig på marknaden och arbetar i allmänhet med de tuffaste problemen inom datavetenskap.

Till exempel är Googles kärnsökningsalgoritm tekniskt utmanande på ett antal sätt - det tar din sökförfrågan, jämför den mot miljarder indexerade webbsidor och returnerar ett resultat på mindre än en sekund. Lag av doktorandforskare arbetar för att skriva algoritmer som förutsäger vad du ska söka efter, indexera mer data (t.ex. från sociala nätverk) och ge resultat till dig fem till tio millisekunder snabbare än tidigare.

Studerande som anmäler och släpper ut doktorsprogram tidigt har ofta gjort tillräckligt med kurser för att få en magisterexamen, vanligtvis utan kostnad för studenten eftersom doktorandprogrammen normalt finansieras av skolan.

Graduate School datavetenskap läroplan för kodning

Magisterexamen skolan för datavetenskap består vanligtvis av 10 till 12 datavetenskap och matte klasser. Du börjar med några grundläggande klasser och specialiserar dig sedan genom att fokusera på ett specifikt ämne för datavetenskap. Ph.d.-läroplanen följer samma väg, förutom efter att ha avslutat kursen, föreslår du ett tidigare oututforskat ämne för att ytterligare undersöka, spendera tre till fem år som utför originalforskning och sedan presentera och försvara dina resultat innan andra professorer utsedda för att utvärdera ditt arbete.

Denna tabell är en provkurs för att få en magisterexamen i CS med en koncentration i maskinlärning från Columbia University. Flera kurser kan användas för att tillgodose examensbehovet, och de erbjudna kurser varierar per termin.

Columbia University MS i datavetenskap

Kursnummer	Kursnamn	Kursbeskrivning
W4118	Operativsystem I	Design och implementering av operativsystem inklusive ämnen som processhantering och synkronisering
W4231	Analys av algoritmer I	Design och analys av effektiva algoritmer inklusive sortering och sökning
W4705	Naturlig språkbehandling	Naturligt språkutdrag, sammanfattning och analys av känslomässigt tal < W4252
Kompetentlärande teori	Beräkningsmässiga och statistiska möjligheter och begränsningar av lärande	W4771
Maskinlärning	Maskininlärning med klassificerings-, regressions- och inferensmodeller	W4111
Intro till databaser	Förstå hur man konstruerar och bygger relationella databaser	W4246
Algoritmer för datavetenskap	Metoder för att organisera, sortera och söka data	W4772
Advanced Machine Learning	Avancerade verktyg för maskininlärning med applikationer i perception och beteendemodellering	E6232
Analys av algoritmer II	Graduate course om design och analys av effektiva approximationsalgoritmer för optimeringsproblem	E6998
Avancerat ämne i maskinlärande	Graduate course omfattar aktuell forskning om bayesiska nätverk, inferens, Markov-modeller och regression.	Läroplanen, som i det här fallet består av tio klasser, börjar med tre grundklasser och fokuserar sedan snabbt på ett koncentrationsområde. Koncentrationer varierar mellan olika program men innehåller vanligtvis följande:

Säkerhet:

• Tilldela användarbehörigheter och förhindra obehörig åtkomst, till exempel att hindra användare från att få tillgång till dina kreditkortsuppgifter på en e-handelsplats. Maskininlärning: < Hitta mönster i data och göra framtida förutsägelser, till exempel att förutse vilken film du ska titta på nästa baserat på de filmer du redan sett och gillade
• Nätverkssystem: Protokoll, principer och algoritmer för hur datorer kommunicera med varandra, till exempel att konfigurera trådlösa nätverk som fungerar bra för hundratusentals användare.
• Datorsyn: Duplicera det mänskliga ögonkapaciteten att bearbeta och analysera bilder, t.ex. att räkna antalet personer som mata in eller avsluta en butik baserat på ett program som analyserar ett livevideo-flöde
• Naturlig språkbehandling: Automatiserar analys av text och tal, till exempel genom att använda röstkommandon för att konvertera tal till text
• Utföra forskning i kodning Studenter uppmuntras i magisterexamen och krävs i doktorandprogram för att genomföra originalforskning.Forskningsämnen varierar från den teoretiska, till exempel hur lång tid en algoritm tar för att hitta en lösning, till praktiken, så att man optimerar en leveransväg med en uppsättning poäng.

Ibland kommersialiseras denna akademiska forskning för att skapa produkter och företag värda hundratals miljoner till miljarder dollar. Till exempel skapade universitetsforskare år 2003 en algoritm som heter Farecast som analyserade 12 000 flygbiljettpriser. Senare kunde den analysera miljarder biljettpriser i realtid och förutse om priset på din flygbiljett skulle öka, minska eller förbli detsamma. Microsoft köpte tekniken för 100 miljoner dollar och införlivade den i sin Bing-sökmotor.

I ett annat exempel grundades Shazam på ett akademiskt papper som analyserade hur man identifierar en ljudinspelning baserat på ett kort prov av låg kvalitet, vanligtvis en ljudinspelning från en mobiltelefon. Idag tillåter Shazam en användare att spela in ett kort stycke av en sång, identifiera sångtiteln och erbjuder låten för köp.

Företaget har ökat över 100 miljoner dollar i finansiering för verksamhet och värderas privat till över 1 miljarder dollar. Båda produkterna baserades på publicerade forskningshandlingar som identifierade ett problem som kunde lösas med teknik och presenterade en tekniklösning som löste befintliga begränsningar med hög noggrannhet.

Din egen forskning kan inte leda till att ett miljarder dollarföretag skapas, men det bör även stegvis öka en lösning för ett datavetenskapligt problem eller bidra till att eliminera en befintlig begränsning.