A | B | C | D | E | F | G | H | I | J | K | L | M | N | O | P | Q | R | S | T | U | V | W | X | Y | Z | AA | ||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|

1 | Concepts for Data Acumen* | Core Elements for DS* | On ramps for data producers/analysts | On ramps for data consumers/citizens | Scaffolds | Curricular, Disciplinary and Research Touchpoints | ||||||||||||||||||||||

2 | Mathematical foundations | Set theory and basic logic Multivariate thinking via functions and graphical displays, Basic probability theory and randomness, Matrices and basic linear algebra, Networks and graph theory Optimization Partial derivatives Advanced linear algebra (i.e., properties of matrices, eigenvalues, decompositions), “Big O” notation and analysis of algorithms Numerical methods (e.g., approximation and interpolation) | * Bridge Programs * Calculus | * Peer Tutors * Khan Academy | ||||||||||||||||||||||||

3 | Computational foundations | Basic abstractions Algorithmic thinking Programming concepts Data structures Simulations | * Data Camp * MOOCs * Introductory workshops (1-2 hrs long) | |||||||||||||||||||||||||

4 | Statistical foundations | Variability, uncertainty, sampling error, and inference Multivariate thinking Nonsampling error, design, experiments (e.g., A/B testing), biases, confounding, and causal inference; Exploratory data analysis Statistical modeling and model assessment Simulations and experiments | * Introductory statistics course | * Tutorials and handouts (R, Stata, etc.) | Econ | |||||||||||||||||||||||

5 | Data management and curation | Data provenance Data preparation, especially data cleansing and data transformation Data management (of a variety of data types) Record retention policies Data subject privacy Missing and conflicting data Modern databases | * Assign class projects based on publicly-available data (students download directly and prepare analysis dataset) | * Libraries * Competitions, e.g. DataFest, ASA This is Statistics Data Challenges, Kaggle | IRB, FERPA | |||||||||||||||||||||||

6 | Data description and visualization | Data consistency checking Exploratory data analysis Grammar of graphics Attractive and sound static and dynamic visualizations Dashboards | * Introductory workshops (1-2 hrs long) | * Competitions, e.g. DataFest, ASA This is Statistics Data Challenges, Kaggle | GIS | |||||||||||||||||||||||

7 | Data modeling and assessment | Machine learning Multivariate modeling and supervised learning Dimension reduction techniques and unsupervised learning Deep learning Model assessment and sensitivity analysis Model interpretation (particularly for black box models) | * Competitions, e.g. DataFest, ASA This is Statistics Data Challenges, Kaggle | |||||||||||||||||||||||||

8 | Workflow and reproducibility | Workflows and workflow systems Reproducible analysis Documentation and code standards Source code (version) control systems Collaboration | * Require coursework to be prepared in reproducible manner (e.g. R Notebooks, R projects) | * R Notebooks and Projects * Competitions, e.g. DataFest, ASA This is Statistics Data Challenges, Kaggle | ||||||||||||||||||||||||

9 | Communication and teamwork | Ability to understand client needs Clear and comprehensive reporting Conflict resolution skills Well-structured technical writing without jargon Effective presentation skills | * Group work * Oral Presentations * Written papers, with peer review | * Group work * Oral Presentations * Written papers, with peer review | * Group work * Oral Presentations * Written papers, with peer review * Competitions, e.g. DataFest, ASA This is Statistics Data Challenges, Kaggle | |||||||||||||||||||||||

10 | Domain-specific considerations | Context Judgment | * Case-study approach in a statistics course | * Guest lecturers from domain-specific fields/departments | ||||||||||||||||||||||||

11 | Ethical problem solving | Ethical precepts for data science and codes of conduct Privacy and confidentiality Responsible conduct of research Ability to identify “junk” science Ability to detect algorithmic bias | * Liberal Arts * Case studies and discussion | * Liberal Arts * Case studies and discussion | * Liberal Arts | |||||||||||||||||||||||

12 | ||||||||||||||||||||||||||||

13 | ||||||||||||||||||||||||||||

14 | * From NAS 'Data Science for Undergraduates: Opportunities and Options' | |||||||||||||||||||||||||||

15 | http://nap.edu/25104 | |||||||||||||||||||||||||||

16 | ||||||||||||||||||||||||||||

17 | ||||||||||||||||||||||||||||

18 | ||||||||||||||||||||||||||||

19 | ||||||||||||||||||||||||||||

20 | ||||||||||||||||||||||||||||

21 | ||||||||||||||||||||||||||||

22 | ||||||||||||||||||||||||||||

23 | ||||||||||||||||||||||||||||

24 | ||||||||||||||||||||||||||||

25 | ||||||||||||||||||||||||||||

26 | ||||||||||||||||||||||||||||

27 | ||||||||||||||||||||||||||||

28 | ||||||||||||||||||||||||||||

29 | ||||||||||||||||||||||||||||

30 | ||||||||||||||||||||||||||||

31 | ||||||||||||||||||||||||||||

32 | ||||||||||||||||||||||||||||

33 | ||||||||||||||||||||||||||||

34 | ||||||||||||||||||||||||||||

35 | ||||||||||||||||||||||||||||

36 | ||||||||||||||||||||||||||||

37 | ||||||||||||||||||||||||||||

38 | ||||||||||||||||||||||||||||

39 | ||||||||||||||||||||||||||||

40 | ||||||||||||||||||||||||||||

41 | ||||||||||||||||||||||||||||

42 | ||||||||||||||||||||||||||||

43 | ||||||||||||||||||||||||||||

44 | ||||||||||||||||||||||||||||

45 | ||||||||||||||||||||||||||||

46 | ||||||||||||||||||||||||||||

47 | ||||||||||||||||||||||||||||

48 | ||||||||||||||||||||||||||||

49 | ||||||||||||||||||||||||||||

50 | ||||||||||||||||||||||||||||

51 | ||||||||||||||||||||||||||||

52 | ||||||||||||||||||||||||||||

53 | ||||||||||||||||||||||||||||

54 | ||||||||||||||||||||||||||||

55 | ||||||||||||||||||||||||||||

56 | ||||||||||||||||||||||||||||

57 | ||||||||||||||||||||||||||||

58 | ||||||||||||||||||||||||||||

59 | ||||||||||||||||||||||||||||

60 | ||||||||||||||||||||||||||||

61 | ||||||||||||||||||||||||||||

62 | ||||||||||||||||||||||||||||

63 | ||||||||||||||||||||||||||||

64 | ||||||||||||||||||||||||||||

65 | ||||||||||||||||||||||||||||

66 | ||||||||||||||||||||||||||||

67 | ||||||||||||||||||||||||||||

68 | ||||||||||||||||||||||||||||

69 | ||||||||||||||||||||||||||||

70 | ||||||||||||||||||||||||||||

71 | ||||||||||||||||||||||||||||

72 | ||||||||||||||||||||||||||||

73 | ||||||||||||||||||||||||||||

74 | ||||||||||||||||||||||||||||

75 | ||||||||||||||||||||||||||||

76 | ||||||||||||||||||||||||||||

77 | ||||||||||||||||||||||||||||

78 | ||||||||||||||||||||||||||||

79 | ||||||||||||||||||||||||||||

80 | ||||||||||||||||||||||||||||

81 | ||||||||||||||||||||||||||||

82 | ||||||||||||||||||||||||||||

83 | ||||||||||||||||||||||||||||

84 | ||||||||||||||||||||||||||||

85 | ||||||||||||||||||||||||||||

86 | ||||||||||||||||||||||||||||

87 | ||||||||||||||||||||||||||||

88 | ||||||||||||||||||||||||||||

89 | ||||||||||||||||||||||||||||

90 | ||||||||||||||||||||||||||||

91 | ||||||||||||||||||||||||||||

92 | ||||||||||||||||||||||||||||

93 | ||||||||||||||||||||||||||||

94 | ||||||||||||||||||||||||||||

95 | ||||||||||||||||||||||||||||

96 | ||||||||||||||||||||||||||||

97 | ||||||||||||||||||||||||||||

98 | ||||||||||||||||||||||||||||

99 | ||||||||||||||||||||||||||||

100 |

Loading...