Master's in Data Science in Canada

Module 01 – Introduction to Data Science with R
Module 02 – Data Exploration
Module 03 – Data Manipulation
Module 04 – Data Visualization
Module 05 – Introduction to Statistics
Module 06 – Machine Learning
Module 07 – Logistic Regression
Module 08 – Decision Trees and Random Forest
Module 09 – Unsupervised Learning
Module 10 – Association Rule Mining and Recommendation Engines

Self-paced Course Content

Module 11 – Introduction to Artificial Intelligence
Module 12 – Time Series Analysis
Module 13 – Support Vector Machine (SVM)
Module 14 – Naïve Bayes
Module 15 – Text Mining

Tools covered

Module 01 – Introduction to Data Science using Python
Module 02 – Python basic constructs
Module 03 – Maths for DS-Statistics & Probability
Module 04 – OOPs in Python (Self paced)
Module 05 – NumPy for mathematical computing
Module 06 – SciPy for scientific computing
Module 07 – Data manipulation
Module 08 – Data visualization with Matplotlib
Module 09 – Machine Learning using Python
Module 10 – Supervised learning
Module 11 – Unsupervised Learning
Module 12 – Python integration with Spark (Self paced)
Module 13 – Dimensionality Reduction
Module 14 – Time Series Forecasting

Tools covered

Module 01 – Introduction to Machine Learning
Module 02 – Supervised Learning and Linear Regression
Module 03 – Classification and Logistic Regression
Module 04 – Decision Tree and Random Forest
Module 05 – Naïve Bayes and Support Vector Machine (self-paced)
Module 06 – Unsupervised Learning
Module 07 – Natural Language Processing and Text Mining (self-paced)
Module 08 – Introduction to Deep Learning
Module 09 – Time Series Analysis (self-paced)

Tools covered

Module 01 – Introduction to Deep Learning and Neural Networks
Module 02 – Multi-layered Neural Networks
Module 03 – Artificial Neural Networks and Various Methods
Module 04 – Deep Learning Libraries
Module 05 – Keras API
Module 06 – TFLearn API for TensorFlow
Module 07 – Dnns (deep neural networks)
Module 08 – Cnns (convolutional neural networks)
Module 09 – Rnns (recurrent neural networks)
Module 10 – Gpu in deep learning
Module 11 – Autoencoders and restricted boltzmann machine (rbm)
Module 12 – Deep learning applications
Module 13 – Chatbots

Tools covered

Module 01 – Hadoop Installation and Setup
Module 02 – Introduction to Big Data Hadoop and Understanding HDFS and MapReduce
Module 03 – Deep Dive in MapReduce
Module 04 – Introduction to Hive
Module 05 – Advanced Hive and Impala
Module 06 – Introduction to Pig
Module 07 – Flume, Sqoop and HBase
Module 08 – Writing Spark Applications Using Scala
Module 09 – Use Case Bobsrockets Package
Module 10 – Introduction to Spark
Module 11 – Spark Basics
Module 12 – Working with RDDs in Spark
Module 13 – Aggregating Data with Pair RDDs
Module 14 – Writing and Deploying Spark Applications
Module 15 – Project Solution Discussion and Cloudera Certification Tips and Tricks
Module 16 – Parallel Processing
Module 17 – Spark RDD Persistence
Module 18 – Spark MLlib
Module 19 – Integrating Apache Flume and Apache Kafka
Module 20 – Spark Streaming
Module 21 – Improving Spark Performance
Module 22 – Spark SQL and Data Frames
Module 23 – Scheduling/Partitioning

Following topics will be available only in self-paced mode:

Module 24 – Hadoop Administration – Multi-node Cluster Setup Using Amazon EC2
Module 25 – Hadoop Administration – Cluster Configuration
Module 26 – Hadoop Administration – Maintenance, Monitoring and Troubleshooting
Module 27 – ETL Connectivity with Hadoop Ecosystem (Self-Paced)
Module 28 – Hadoop Application Testing
Module 29 – Roles and Responsibilities of Hadoop Testing Professional
Module 30 – Framework Called MRUnit for Testing of MapReduce Programs
Module 31 – Unit Testing
Module 32 – Test Execution
Module 33 – Test Plan Strategy and Writing Test Cases for Testing Hadoop Application

Tools covered

Module 01 – Introduction to Data Visualization and The Power of Tableau
Module 02 – Architecture of Tableau
Module 03 – Charts and Graphs
Module 04 – Working with Metadata and Data Blending
Module 05 – Advanced Data Manipulations
Module 06 – Working with Filters
Module 07 – Organizing Data and Visual Analytics
Module 08 – Working with Mapping
Module 09 – Working with Calculations and Expressions
Module 10 – Working with Parameters
Module 11 – Dashboards and Stories
Module 12 – Tableau Prep
Module 13 – Integration of Tableau with R

Tools covered