通常認為“數據分析”是以下學科的組合：1.計算機科學2.統計3.領域專業知識
學習課程：
壹：計算機科學
計算機科學與編程入門（使用Python）
計算機系統工程：本課程涵蓋有關計算機軟件和硬件系統工程，控制復雜性的技術的主題；使用客戶端-服務器設計，虛擬內存和線程的強大模塊化；網絡；並行活動的原子性和協調性；恢復和可靠性；隱私，安全性和加密；和計算機系統對社會的影響。
計算結構：數字系統工程簡介。從MOS晶體管開始，該課程開發了壹系列構件-邏輯門，組合電路和順序電路，有限狀態機，計算機，最後是完整的系統（包括硬件和軟件）。
算法簡介：它涵蓋了用於解決計算問題的常見算法，算法範例和數據結構。
人工智能：本課程向學生介紹人工智能的基本知識表示，問題解決方法和學習方法。
使用C / C ++ / Java進行面向對象的編程
二：數理統計
應用數學：面向計算機科學和工程的離散數學簡介。
概率與統計簡介（使用R編程）：本課程對應用中的概率和統計進行了基礎介紹。主題包括：隨機變量，概率分布，貝葉斯推斷，假設檢驗，置信區間和線性回歸。
線性代數（使用R編程或其他數學工具）：本課程涵蓋矩陣理論和線性代數
統計/機器學習（使用R編程）：介紹數據分析的核心算法，例如線性和非線性回歸的類型，分類技術，例如邏輯回歸，樸素貝葉斯，SVM，決策樹（香草決策樹，隨機森林，增強），無監督學習方法（例如聚類，神經網絡介紹）
高級機器學習（使用Python編程）：專為對人工智能有濃厚興趣的學生而設，側重於圖像/文本處理的神經網絡。
三：領域專長
理想情況下，這些應該基於工作興趣/領域，以便每個學生都選擇壹個專門領域（例如，Web開發，移動應用程序開發，數據分析，營銷分析，供應鏈，財務，制造等）。
數據分析專業課程這裏的核心主題應該是：
數據收集和清理：這應該包括使用開源工具（例如Python / R）從網上抓取數據，連接到數據庫等。此外，數據清理和ETL概念（例如重復數據刪除，合並，丟失的數據估計技術也無法創建）分析數據集。
數據可視化和報告：使用SAS / SAP或R / Python等工具創建BI儀表板，通過可視化和數據故事演示來展示見解並數據分析。
數據分析應用程序1/2：以業務為中心完成端到端數據分析項目。在最後幾年中，應該重復兩次該主題。它應該非常重要地包括連接到實際數據庫和在生產中部署模型，而不僅僅是對靜態數據集的臨時數據分析。
高級數據計算：此處的學生應使用開源和專有工具（例如Hadoop / Spark，HANA或其他MPP數據庫）創建具有大規模數據分析的項目
擴展閱讀：
還將包括以下內容：
1. 網絡工程基礎。原因：畢業生應該了解計算機網絡，以便能夠與之合作，進行管理，並在需要時改善組織的網絡和數據架構。主題包括：網絡工程，數據庫，數據倉庫。
2. 研究方法論：能夠使用定量和定性方法學從假說生成到產生業務建議的系統方式設計項目。
3. 非結構化數據分析：學生應該了解文本挖掘，自然語言處理，社交媒體挖掘，網絡挖掘以及此類應用程序的基礎知識。這些也可以采用選修課的形式。
有壹點需要註意的是，優秀的數據分析師和商業智能並不以工具為重點。理想地講授任何工具（R / SAS / SAP / Python /其他），作為數據分析理論概念的補充。例如，使用統計和概率進行R編程。適用於神經網絡和其他機器學習任務的Python。具有數據可視化和數據報告概念的SAS VA或SAP Lumira。具有數據庫概念的SQL等。這是壹個缺少許多新的數據分析程序的領域，因此結果是產生的畢業生只是應用程序開發人員或用戶，而不能解決現實世界中的問題。