データサイエンスと機械学習（修士）

理論: 統計学習、確率モデリング、最適化、一般化。

実践: ディープラーニング（ビジョン/時系列）、地理空間またはバイオ/医療データのアプリケーション、特徴量エンジニアリング、精度を超えた評価（キャリブレーション、公平性）。

エンジニアリング: 再現性、バージョン管理されたデータ/モデル、基本的な MLOps、実験の追跡。

学際的な作業: 実際のデータセットと制約を使用したドメインラボ（環境、生物医学など）でのプロジェクト。

倫理と安全性: バイアス、プライバシー、モデルリスク管理。透明性のあるレポート。

キャップストーン/論文: コード、ドキュメント、エラー分析を含む、公開可能または本番環境対応のプロジェクト。

成果: 応用科学者/DS の役割、研究アシスタント、博士課程のパイプライン。