Fortgeschrittene Studiengänge für Kodierung - Dummies

Die Optionen zum Erlernen des Programmierens scheinen niemals zu enden, und fortgeschrittene Grade sprechen typischerweise eine bestimmte Gruppe von Leuten an. Obwohl es nicht notwendig ist, entweder zu lernen, Code zu schreiben oder einen Codierungsjob zu erhalten, kann ein fortgeschrittener Abschluss dazu beitragen, Ihr Lernen zu beschleunigen und Sie von anderen Stellenbewerbern zu unterscheiden. Hier sind die zwei Arten von fortgeschrittenen Studiengängen:

• Master-Abschluss: Ein technischer Abschluss, der es Ihnen erlaubt, sich auf einen bestimmten Bereich der Informatik, wie künstliche Intelligenz, Sicherheit, Datenbanksysteme oder maschinelles Lernen, zu spezialisieren. Auf der Grundlage der Kursbelastung dauert der Abschluss typischerweise ein oder zwei Jahre Vollzeitschulung in der Praxis. Nach dem Abschluss kann der Abschluss ein Weg für einen Studenten sein, der einen nicht-technischen Major verfolgte, um in das Feld einzusteigen und eine Kodierungsarbeit zu verrichten. Alternativ nutzen einige Studierende die Master-Erfahrung, um ihr Interesse an einer Promotion zu erkennen oder ihre Kandidatur zu verbessern.

Immer mehr Teilzeit-Online-Masterstudiengänge werden verfügbar. Zum Beispiel bieten Stanford und Johns Hopkins im Rahmen eines Online-Teilzeitstudiums, das im Durchschnitt drei bis fünf Jahre dauert, einen Master-Abschluss in Informatik mit einem Schwerpunkt auf einem von zehn Themen an. In ähnlicher Weise bietet die Northwestern University einen Master in Predictive Analytics an, einem Online-Teilzeitprogramm für Big Data, das Studenten SQL, NoSQL, Python und R.

• Doktoratgrad: Ein Programm, das sich in der Regel an Personen richtet, die an einem speziellen Thema forschen möchten. Doktoranden können sechs bis acht Jahre benötigen, um ihren Abschluss zu erwerben. Es ist also nicht der zeitnahe Weg, um zu lernen, wie man kodiert. PhD-Absolventen, vor allem solche mit Spitzenforschungsthemen, differenzieren sich im Markt und arbeiten meist an den härtesten Problemen der Informatik.

Zum Beispiel ist der Suchalgorithmus von Google auf verschiedene Arten technisch anspruchsvoll - er nimmt Ihre Suchanfrage entgegen, vergleicht sie mit Milliarden indizierter Webseiten und gibt ein Ergebnis in weniger als einer Sekunde zurück. Teams von PhD-Informatikern arbeiten daran, Algorithmen zu schreiben, die vorhersagen, wonach Sie suchen, mehr Daten indizieren (zum Beispiel aus sozialen Netzwerken) und die Ergebnisse fünf bis zehn Millisekunden schneller als zuvor zurückgeben.

Studierende, die sich frühzeitig für ein PhD Programm eingeschrieben haben, haben oft genügend Kurse absolviert, um einen Master Abschluss zu erlangen, normalerweise ohne Kosten für den Studenten, da PhD Programme normalerweise von der Schule finanziert werden.

Graduiertenkolleg Informatik-Curriculum für die Kodierung

Der Masterstudiengang für Informatik besteht in der Regel aus 10 bis 12 Informatik- und Mathematikkursen. Sie beginnen mit ein paar grundlegenden Kursen und spezialisieren sich dann auf ein spezifisches Informatik-Thema. Der PhD-Lehrplan folgt dem gleichen Weg, außer nach Abschluss der Lehrveranstaltung schlagen Sie ein zuvor unerforschtes Thema zur weiteren Forschung vor, verbringen drei bis fünf Jahre mit Originalrecherche und präsentieren und verteidigen dann Ihre Ergebnisse, bevor andere Professoren Ihre Arbeit bewerten.

Diese Tabelle ist ein Beispielcurriculum, um einen Master-Abschluss in CS mit einem Schwerpunkt in Machine Learning von der Columbia University zu erwerben. Mehrfachkurse können verwendet werden, um die Gradanforderungen zu erfüllen, und die angebotenen Kurse variieren je nach Semester.

Columbia University MS in Informatik

Kursnummer	Kursname	Kursbeschreibung
W4118	Betriebssysteme I	Design und Implementierung von Betriebssystemen einschließlich Themen wie Prozessmanagement und Synchronisation
W4231	Analyse von Algorithmen I	Design und Analyse von effizienten Algorithmen inklusive Sortierung und Suche
W4705	Verarbeitung natürlicher Sprache	Natural Language Extrahierung, Zusammenfassung und Analyse von emotionaler Sprache < W4252
Computational Learning Theory	Rechnerische und statistische Möglichkeiten und Grenzen des Lernens	W4771
Maschinelles Lernen	Maschinelles Lernen mit Klassifikations-, Regressions- und Inferenzmodellen	W4111
Intro zu Datenbanken	Verständnis für das Entwerfen und Erstellen von relationalen Datenbanken	W4246
Algorithmen für Data Science	Methoden zum Organisieren, Sortieren und Durchsuchen von Daten	W4772
Fortgeschrittenes maschinelles Lernen	Erweiterte maschinelle Lernwerkzeuge mit Anwendungen in der Wahrnehmungs- und Verhaltensmodellierung	E6232
Analyse von Algorithmen II	Graduiertenkurs über Entwurf und Analyse effizienter Approximationsalgorithmen für Optimierungsprobleme	E6998
Fortgeschrittenes Thema im maschinellen Lernen	Graduiertenkurs deckt aktuelle Forschung zu Bayes'schen Netzwerken, Inferenz, Markov-Modellen und Regression ab.	Das Curriculum, das in diesem Fall aus zehn Klassen besteht, beginnt mit drei grundlegenden Klassen und konzentriert sich dann schnell auf einen Bereich der Konzentration. Die Konzentrationen variieren je nach Programm, umfassen aber im Allgemeinen Folgendes:

Sicherheit:

• Zuweisen von Benutzerberechtigungen und Verhindern von nicht autorisiertem Zugriff, z. B. Verhindern, dass Benutzer auf Ihre Kreditkartendetails auf einer E-Commerce-Website zugreifen Maschinelles Lernen: < Finden von Mustern in Daten und Vorhersagen in der Zukunft, z. B. Vorhersage, welcher Film als nächstes betrachtet werden sollte, basierend auf den Filmen, die Sie bereits gesehen und gemocht haben
• Netzwerksysteme: Protokolle, Prinzipien und Algorithmen für Computer miteinander kommunizieren, zum Beispiel drahtlose Netzwerke einrichten, die für Hunderttausende von Benutzern gut funktionieren
• Computer Vision: Duplizieren der Fähigkeit des menschlichen Auges, Bilder zu verarbeiten und zu analysieren, z. B. die Anzahl der Personen zu zählen, die Laden eines Shops basierend auf einem Programm, das einen Live-Video-Feed analysiert
• Verarbeitung in natürlicher Sprache: Automatisieren der Analyse von Text und Sprache, z. B. Verwenden von Sprachbefehlen zum Konvertieren von Sprache in Text
• Durchführen von Recherchen in Kodierung Die Studierenden werden in Masterstudiengängen gefördert und sind in PhD-Programmen zur Durchführung von Originalrecherchen verpflichtet.Die Forschungsthemen variieren von der Theorie, wie zum Beispiel abzuschätzen, wie lange ein Algorithmus dauert, um eine Lösung zu finden, bis hin zur praktischen Optimierung einer Lieferroute bei einer Menge von Punkten.

Manchmal wird diese akademische Forschung kommerzialisiert, um Produkte und Unternehmen im Wert von mehreren hundert Millionen bis Milliarden Dollar zu schaffen. Zum Beispiel haben Forscher im Jahr 2003 einen Algorithmus namens Farecast entwickelt, der 12 000 Flugticketpreise analysiert. Später könnte es Milliarden von Ticketpreisen in Echtzeit analysieren und vorhersagen, ob sich der Preis Ihres Flugtickets erhöht, verringert oder gleich bleibt. Microsoft hat die Technologie für 100 Millionen US-Dollar erworben und in seine Bing-Suchmaschine integriert.

In einem anderen Beispiel basierte Shazam auf einer wissenschaftlichen Arbeit, in der analysiert wurde, wie man eine Audioaufzeichnung basierend auf einer kurzen, qualitativ minderwertigen Probe identifiziert, normalerweise einer Audioaufzeichnung von einem Mobiltelefon. Heute lässt Shazam einen Benutzer einen kurzen Ausschnitt eines Songs aufnehmen, identifiziert den Songtitel und bietet den Song zum Kauf an.

Das Unternehmen hat mehr als 100 Millionen US-Dollar für Betriebsmittel eingeworben und wird privat mit über 1 Milliarde US-Dollar bewertet. Beide Produkte basierten auf veröffentlichten Forschungsarbeiten, in denen ein Problem identifiziert wurde, das mit der Technologie angegangen werden konnte, und stellten eine Technologielösung vor, die bestehende Einschränkungen mit hoher Genauigkeit löste.

Ihre eigene Forschung führt möglicherweise nicht zur Gründung einer Milliarde-Dollar-Firma, aber sie sollte eine inkrementelle Lösung für ein Informatikproblem vorantreiben oder dazu beitragen, eine bestehende Einschränkung zu beseitigen.