• MATH 110 Calculus I
  
• MATH 115 Calculus II
  
• MATH 175 Linear Algebra
  
• MATH 160 Discrete Math
  
• MATH 205 Math Statistics I
  
• MATH 310 Math Statistics II

• 面向对象程序设计导论
  
• CSCI 204数据结构与算法
  
• CSCI 367 Database Capstone

• ANTH 208 Ethnographic Methods
• 定量理论与技术
• 302市场研究工作坊
• ECON 303 Econometrics
• 经济学中的定量方法
• 政治科学与健康研究方法
• 身份认同的政治心理学
• SOCI 205 Social Statistics
• SOCI 211 Research Methods

• BIOL 247 Biometrics
• 心理学161研究方法与统计
• 心理学162研究方法与统计学2

• ART 325 Graphic Design
• ART 280 Human-centered Design
• CPLT 215/WRIT 215计数、写、看
• ENGL 265 Data Narratives
• ENVS 260/JOUR 350/MDST 350媒介与人类世

在本课程中，学生将学习数据工作所涉及的内容, 包括对数据伦理的讨论, 并了解流行的数据工具，如R, Tableau, SQL. 学生们还将了解数据工作的职业是什么样的, 他们还可以与数据科学/分析专业的校友/a建立联系，从从业者那里了解更多有关该领域的知识.

数据可视化是以图形形式显示信息的过程, 调查数据集中的模式并传达结果. 本课程涵盖数据可视化的方法, 主要集中在两个方面:作为探索的数据可视化和作为交流的数据可视化. Students discuss univariate, bivariate, 和多变量比较，并使用多个程序来生成可视化. 每个学生将根据自己选择的主题创建一个最终作品集项目. 先决条件:无，但优先考虑数据科学和数据分析专业.

作为数据科学和数据分析的高级研讨会, 本课程综合了DSDA专业学生和辅修学生在Beloit学习期间所学到的概念和技能. 学院各院系的附属教员讨论数据在各自学科中的重要性和意义. 学生完成一份高级作品集，展示他们在数据科学和分析方面的工作，为毕业后的教育和就业做准备. (CP)先决条件:高级职位.

本课程讨论了几种数据挖掘技术，以从大型数据库中识别当前流程级别可能无法使用的新模式. 与数据处理相关的主题, data visualization, data exploration, prediction, classification, anomaly detection, association analysis, and clustering are covered. 为了使用数据挖掘工具和决策树等技术，学生们在几个项目上工作, support vector machine, Bayesian classifiers, 神经网络-均值聚类解决了数据科学领域的一些问题. 提供奇数年，春季学期. 先决条件:初级地位和计算机科学204. 推荐:数学205和275.

由讲师选择的数据科学/分析的专题. 取决于讲师和课程内容, prerequisites vary, 但通常学生应该至少完成CSCI 111“编程入门”, 还有一门入门级的统计学或定量方法课程.

介绍机器学习的三种类型:1)监督学习, 2) unsupervised learning, and 3) reinforcement learning. 学生们单独或以团队形式在来自不同领域的真实世界数据集上工作，实现机器学习算法/方法并评估其性能, 包括向相关领域的观众介绍工作. 学生学习与数据科学相关的专业、道德和社会问题. Python是本课程的主要编程语言. (CP)提供偶数年，春季学期. 前提条件:数据科学和数据分析.

学生在教师的监督和指导下为“客户”完成一个真实的数据项目. 这个项目算是一次顶点体验. 先决条件:初级以上.

学生在老师的指导下完成一个独立的数据项目. There are no prerequisites, 但理想情况下，学生应该具备CSCI 111“编程入门”等课程的基础技能，以及至少一门统计学或定量方法课程.

学生协助教师进行课堂教学. Graded credit/no credit.