Статистическая наука

Статистическая наука CDT - это четырехлетняя исследовательская программа DPhil по теории, методам и приложениям статистической науки следующего поколения для сред с интенсивным использованием данных 21-го века и крупномасштабных моделей.

Высшие учебные заведения

Академия и промышленность изо всех сил пытаются найти должным образом подготовленных статистических исследователей в ключевых областях OxWaSP статистических методов и вычислений для сложного анализа данных.

Оксфордский Уорикский центр занимается организацией, окружающей средой и персоналом, необходимыми для развития будущих промышленных и академических людей, занимающихся ведущими мировыми исследованиями в области статистики для современной науки, техники и коммерции, все из которых иллюстрируются «большими данными». .

Программа обеспечивает структурированный тренинг и исследовательский опыт в первый год, за которым следует трехлетний исследовательский проект, ведущий к DPhil. Это Оксфордский компонент OxWaSP (Oxford Warwick Statistics Program), EPSRC и MRC Center для докторантуры в области статистических наук следующего поколения.

В первый год вы пройдете обучение для исследований в пяти ключевых областях:

Статистический вывод в сложных моделях

Новые требования научных исследований и наличие обширных наборов данных заставили статистиков пересмотреть и переформулировать основы своей дисциплины, чтобы теория и методы стали масштабируемыми для современных данных.

Многомерные случайные процессы

Значительное число логических сред динамично развиваются во времени или пространстве, или в обоих случаях, часто под стохастическим контролем. В настоящее время разрабатывается широкий спектр применяемых вероятностных и статистических методов для удовлетворения этих потребностей.

Байесовский анализ сложной структурной информации

Недавний всплеск байесовских методологий объединяет теперь хорошо понятные инструменты вероятностных рассуждений со стохастическими расчетами и статистическими выводами. Текущие границы исследований продолжают развивать эту взаимосвязь, чтобы применять ее к постоянно расширяющейся области применения, где важная контекстная структурная информация может быть надлежащим образом закодирована в рамках обширного анализа данных.

Машинное обучение и вероятностные графические модели

За последние десятилетия сложилось взаимопонимание в отношении богатых симбиозов между статистикой и методиками машинного обучения, и теперь исследователи начали использовать эти отношения. Одним из ключевых направлений такого обмена является вероятностное графическое моделирование.

Стохастические вычисления для неразрешимого вывода

Многие недавние достижения в области статистического моделирования стали возможными только благодаря значительному прогрессу в методах, которые допускают быстрый анализ вероятностных и статистических моделей. Эти методы все больше адаптируются к потребностям различных классов моделей.

Структура преподавания, обучения и контроля

Первые два термина состоят из серии двухнедельных модулей. Модули начинаются с двух дней лекций. В течение последующих пяти дней вы читаете оригинальную литературу и пишете отчет. Промышленные и академические докладчики посещают Оксфорд для неформальных ланчей в середине модуля, и у вас будет возможность пригласить докладчиков.

В конце каждого модуля вы отправляетесь в Уорик на мини-симпозиум по теме модуля. Остальная часть первого года состоит из двух десятинедельных исследовательских проектов. К концу первого года вы выбираете супервайзера для своего основного проекта DPhil в Оксфорде и проводите это исследование в течение двух-четырех лет. По прошествии 18 и 36 месяцев будут получены официальные оценки вашего прогресса. Эти оценки включают представление письменной работы и устного экзамена.

Окончательный тезис, как правило, представляется на экзамен в течение четвертого года, после чего следует экзамен viva.

Там, где это уместно для исследования, студенческие проекты будут осуществляться совместно с ведущими промышленными партнерами департамента, и у вас будет возможность занять место в статистике с интенсивным использованием данных с некоторыми из самых сильных статистических групп в США, Европе и Азии. .

Кандидаты, как правило, ожидают, что их прогнозируют или они получат степень бакалавра высшего или первого класса высшего уровня с отличием (или эквивалентными международными квалификациями), как минимум, по соответствующему предмету. Вам понадобится хороший опыт в соответствующих аспектах математики и статистики. Успех в степени с высоким содержанием машинного обучения или математической науки (такой как физика) может быть приемлемым.

Для соискателей степени из США минимальный требуемый средний балл составляет 3,6 из 4,0.

Тем не менее, поступление очень конкурентоспособное, и большинство успешных соискателей имеют высокую степень эквивалентности.

Если у вас есть квалификации за пределами Великобритании и вы хотите проверить, соответствуют ли ваши квалификации этим требованиям, вы можете связаться с Национальным информационным центром признания для Соединенного Королевства (UK NARIC).

Оценки за выпускной экзамен (GRE) или GMAT не запрашиваются.

• Официальные стенограммы (ы)
• CV / Возобновить
• Заявление о цели / личное заявление: до двух страниц
• Рекомендации / рекомендательные письма: три, как правило, академические

ТРЕБОВАНИЯ К АНГЛИЙСКОМУ ЯЗЫКУ

Более высокий уровень

• Глобальное образование
• Стипендии Hill Foundation

Дополнительная информация о программе

Программа по статистическим наукам в Оксфорде предоставляет студентам уникальную возможность погрузиться в глубины современных методов сбора, анализа и интерпретации данных. В ходе обучения участники осваивают широкий спектр теоретических знаний и практических навыков, необходимых для решения сложных статистических задач в различных сферах деятельности — от научных исследований до бизнеса и государственного управления. Программа акцентирует внимание на развитии критического мышления, аналитических способностей и умения применять статистические методы на практике. Студенты изучают такие темы, как теория вероятностей, статистические модели, методы машинного обучения, анализ временных рядов и визуализация данных. Особое внимание уделяется использованию современных программных средств и языков программирования, таких как R и Python, что позволяет будущим специалистам оперативно реализовывать свои идеи и проводить сложные вычисления.

Учебный процесс включает лекции ведущих профессоров, семинары, лабораторные занятия, а также самостоятельную работу, что обеспечивает глубокое закрепление теоретического материала и развитие самостоятельных навыков аналитической работы. Студенты имеют возможность участвовать в исследовательских проектах, работать с реальными данными и получать опыт командной работы в мультидисциплинарных коллективах. В программу входит интенсивная подготовка к дальнейшей академической или профессиональной карьере, а также развитие навыков презентации и коммуникации, что крайне важно для успешного представления своих результатов.

Выпускники программы успешно трудятся в различных областях, включая научное исследование, финансовую аналитику, здравоохранение, технологические компании и государственные учреждения. Благодаря мировому признанию, полученному образованию в Оксфорде, выпускники пользуются высоким спросом на международном рынке труда. Обучение строится на междисциплинарных подходах и новейших достижениях в области статистики и анализа данных, что делает программу одной из самых передовых на международной арене.