Geavanceerde graadprogramma's voor codering - dummies

De opties om te leren hoe te coderen lijken nooit te eindigen, en geavanceerde graden spreken typisch een bepaalde groep mensen aan. Hoewel het niet nodig is om te leren coderen of een codeeropdracht te krijgen, kan een geavanceerde opleiding je leren versnellen en je van andere sollicitanten onderscheiden. Dit zijn de twee soorten geavanceerde studieprogramma's:

• Master's degree: Een technische graad waarmee je kunt verkennen en je kunt specialiseren in een bepaald gebied van de informatica, zoals kunstmatige intelligentie, beveiliging, databasesystemen of machine learning. Op basis van de studielast duurt de mate meestal één of twee jaar full-time, persoonlijke instructie om te voltooien. Na voltooiing kan de graad een manier zijn voor een student die een niet-technische major naar het veld heeft gestuurd om een ​​codeertaak te volgen. Als alternatief gebruiken sommige studenten de masteropleiding als een manier om hun interesse in of promotie voor een PhD-programma te peilen.

Er komt een groeiend aantal parttime online masterprogramma's beschikbaar. Stanford en Johns Hopkins bieden bijvoorbeeld beiden een mastergraad in Computerwetenschappen aan met een concentratie in een van de tien onderwerpen als onderdeel van een online deeltijdopleiding die gemiddeld drie tot vijf jaar duurt om te voltooien. Op dezelfde manier biedt Northwestern University een masterdiploma in Predictive Analytics, een online parttime programma in big data dat studenten SQL, NoSQL, Python en R.

• Doctoraat: Een programma dat typisch is voor mensen die geïnteresseerd zijn in onderzoek naar een gespecialiseerd onderwerp. Promovendi kunnen zes tot acht jaar de tijd nemen om hun diploma te behalen, dus het is niet de meest geschikte manier om te leren coderen. Promovendi, vooral die met geavanceerde onderzoeksthema's, onderscheiden zich in de markt en werken over het algemeen aan de zwaarste problemen in de informatica.

Het kernzoekalgoritme van Google is bijvoorbeeld op een aantal manieren technisch uitdagend: het neemt uw zoekopdracht aan, vergelijkt het met miljarden geïndexeerde webpagina's en retourneert een resultaat in minder dan een seconde. Teams van PhD-computerwetenschappers werken aan het schrijven van algoritmen die voorspellen waar je naar op zoek gaat, meer gegevens indexeren (zoals van sociale netwerken) en resultaten vijf tot tien milliseconden sneller dan ooit teruggeven.

Studenten die vroeg in een PhD-programma inschrijven en stoppen, hebben vaak genoeg cursussen gevolgd om een ​​masterdiploma te behalen, meestal zonder kosten voor de student, omdat PhD-programma's doorgaans door de school worden gefinancierd.

Graduate school computer science curriculum voor codering

Het master-curriculum voor computerwetenschappen bestaat meestal uit 10 tot 12 lessen informatica en wiskunde. Je begint met een paar basisklassen en specialiseert je vervolgens door je te richten op een specifiek informaticaonderwerp. Het doctoraatscurriculum volgt hetzelfde pad, behalve na het voltooien van de cursus, stel je een eerder onontgonnen onderwerp voor verder onderzoek voor, besteed je drie tot vijf jaar aan het uitvoeren van origineel onderzoek en presenteer en verdedig je resultaten voordat andere professoren worden aangesteld om je werk te evalueren.

Deze tabel is een voorbeeldcurriculum voor het behalen van een masterdiploma in CS met een concentratie in Machine Learning van Columbia University. Meerdere cursussen kunnen worden gebruikt om te voldoen aan de mate eisen, en de aangeboden cursussen variëren per semester.

Columbia University MS in computerwetenschappen

Cursusnummer	Cursusnaam	Cursusbeschrijving
W4118	Besturingssystemen I	Ontwerp en implementatie van besturingssystemen inclusief onderwerpen zoals procesbeheer en synchronisatie
W4231	Analyse van algoritmen I	Ontwerp en analyse van efficiënte algoritmen met inbegrip van sorteren en zoeken
W4705	Natuurlijke taalverwerking	Natuurlijke taalextractie, samenvatting en analyse van emotionele spraak < W4252
Computational Learning Theory	Computationele en statistische mogelijkheden en beperkingen van leren	W4771
Machine Learning	Machine learning met classificatie-, regressie- en inferentiemodellen	W4111
Intro naar databases	Begrip van het ontwerpen en bouwen van relationele databases	W4246
Algoritmen voor gegevenswetenschap	Methoden voor het organiseren, sorteren en zoeken van gegevens	W4772
Geavanceerd machinaal leren	Geavanceerde machine learning tools met toepassingen in perceptie en gedragsmodellering	E6232
Analyse van algoritmen II	Graduate cursus over ontwerp en analyse van efficiënte benaderingsalgoritmen voor optimalisatieproblemen	E6998
Geavanceerd onderwerp in Machine Learning	Graduate course dekt huidig ​​onderzoek naar Bayesiaanse netwerken, inferentie, Markov-modellen en regressie	Het leerplan, dat in dit geval uit tien klassen bestaat, begint met drie basisklassen en concentreert zich vervolgens snel op een concentratiegebied. Concentraties verschillen per programma, maar omvatten over het algemeen het volgende:

Beveiliging:

• Gebruikersrechten toewijzen en ongeautoriseerde toegang voorkomen, zoals het voorkomen dat gebruikers toegang hebben tot uw creditcardgegevens op een e-commercesite Machine learning: < Patronen in gegevens zoeken en toekomstige voorspellingen doen, zoals voorspellen welke film je het volgende moet bekijken op basis van de films die je al hebt gezien en leuk vond
• Netwerksystemen: Protocollen, principes en algoritmen voor hoe computers communiceren met elkaar, zoals het opzetten van draadloze netwerken die goed werken voor honderdduizenden gebruikers
• Computervisie: Het vermogen van het menselijk oog om beelden te verwerken en te analyseren dupliceren, zoals het tellen van het aantal mensen dat een winkel openen of afsluiten op basis van een programma voor het analyseren van een live videovoer
• Natuurlijke taalverwerking: Automatisering van de analyse van tekst en spraak, zoals het gebruik van spraakopdrachten voor het converteren van spraak naar tekst
• Onderzoek uitvoeren in codering Studenten worden aangemoedigd in masterprogramma's en vereist in PhD-programma's om origineel onderzoek uit te voeren.Onderzoeksthema's variëren van de theoretische, zoals het schatten hoe lang een algoritme zal duren om een ​​oplossing te vinden, naar de praktische, zoals het optimaliseren van een afleverroute gegeven een set van punten.

Soms wordt dit academische onderzoek gecommercialiseerd om producten en bedrijven te creëren die honderden miljoenen tot miljarden dollars waard zijn. In 2003 hebben universiteitsonderzoekers bijvoorbeeld een algoritme met de naam Farecast gemaakt dat 12.000 vliegticketprijzen heeft geanalyseerd. Later zou het biljoenen ticketprijzen in realtime kunnen analyseren en voorspellen of de prijs van uw vliegticket zou stijgen, dalen of gelijk blijven. Microsoft kocht de technologie voor $ 100 miljoen en verwerkte deze in zijn Bing-zoekmachine.

In een ander voorbeeld was Shazam gebaseerd op een academische paper waarin werd geanalyseerd hoe een audio-opname kon worden geïdentificeerd op basis van een korte sample van lage kwaliteit, meestal een audio-opname van een mobiele telefoon. Vandaag laat Shazam een ​​gebruiker een kort fragment van een nummer opnemen, identificeert het de titel van het nummer en biedt het te kopen nummer aan.

Het bedrijf heeft meer dan $ 100 miljoen aan financiering voor operaties opgehaald en heeft een privé-waarde van meer dan $ 1 miljard. Beide producten waren gebaseerd op gepubliceerde onderzoekspapers die een probleem identificeerden dat met technologie kon worden aangepakt en een technologie-oplossing presenteerden die bestaande beperkingen met hoge nauwkeurigheid oploste.

Uw eigen onderzoek mag niet leiden tot de oprichting van een miljardenbedrijf, maar het moet een oplossing voor een computerwetenschappelijk probleem of zelfs een oplossing zijn voor een bestaande beperking, zelfs incrementeel.