这三个支柱不对称：前两个支柱共同代表了核心方法论和数据科学中使用的技术，而第三个支柱则是该方法论所应用的应用领域。在该计划中，核心数据科学培训侧重于前两个支柱，以及在应用其技能来解决应用程序领域问题方面的实践。
该学校将所需的数据科学技能分为两类：统计技能(例如统计和生物统计学部门教授的技能)和计算技能(例如计算机科学与工程部门和信息学院的技能)。该计划的设计是要求每个学生在这两个领域接受均衡的培训。
从每个能力中选择1。学生不得对多个类别的课程进行重复计算。选修课必须包括至少两个高级研究生课程。
密歇根大学计算机科学与工程：核心课程
MATH 403：离散数学简介
EECS 402：科学家和工程师编程
EECS 403：科学家和工程师的数据结构
选择1个
BIOSTATS 601：概率和分布
425号公报：概率概论
STATS 510：概率和分布
选择一门
BIOSTATS 602：生物统计推断
STATS 426：理论统计导论
STATS 511：统计推断
所有学生必须参加以下核心课程：
EECS 409：数据科学讨论会
密歇根大学计算机科学与工程：专业知识
选择一门
EECS 484：数据库管理系统
EECS 584：高级数据库系统
选择一门
EECS 485：Web系统
EECS 486：信息检索和Web搜索
EECS 549 / SI 650：信息检索
SI 618：数据处理分析
STATS 507：使用Python进行数据科学分析
数据科学技术专长
选择一门：
BIOSTAT 650：应用统计I：线性回归
STATS 500：统计学习I：线性回归
STATS 513：回归和数据分析
选择一门：
STATS 415：数据挖掘和统计学习
STATS 503：统计学习II：多元分析
EECS 545：机器学习
EECS 476：数据挖掘
EECS 576：高级数据挖掘
SI 670：应用机器学习
SI 671：数据挖掘：方法和应用
BIOSTAT 626：健康科学的机器学习
密歇根大学计算机科学与工程：选修课
1.数据科学原理
BIOSTAT 601(概率和分布理论)| BIOSTAT 602(生物统计推断)| BIOSTAT 617(示例设计)| BIOSTAT 626(健康科学机器学习)| BIOSTAT 680(随机过程)| BIOSTAT 682(贝叶斯分析)| EECS 501(概率和随机过程)| EECS 502(随机过程)EECS 505(计算数据科学和机器学习)| EECS 551(用于信号处理，数据分析和机器学习的矩阵方法)| EECS 553(数据压缩的理论和实践)| EECS 564(评估，过滤和检测)| SI 670(应用机器学习)| STATS 451(贝叶斯数据分析简介)| STATS 470(实验设计简介)| STATS 510(概率和分布理论)| STATS 511(统计推断)| STATS 551(贝叶斯建模和计算)
2.数据分析
BIOSTAT 645(时间序列)| BIOSTAT 651(广义线性模型)| BIOSTAT 653(纵向分析)| BIOSTAT 665(人口遗传学)| BIOSTAT 666(人类遗传学中的统计模型和数值方法)| BIOSTAT 675(生存分析)| BIOSTAT 685(非参数统计)| BIOSTAT 695(分类数据)| BIOSTAT 696(空间统计)| EECS 556(图像处理)| EECS 559(高级信号处理)| EECS 659(自适应信号处理)| STATS 414(应用数据分析的主题| STATS 501(相关数据的统计分析)| STATS 503(统计学习II：多变量分析)| STATS 509(财务数据统计)| STATS 531(时间序列分析)| STATS 600(线性型号)| STATS 601(多元和分类数据分析)| STATS 605(建模和数据分析的高级主题)| STATS 700(应用统计主题)
3.计算方式
BIOSTAT 607(数据分析中的基本计算)| BIOSTAT 615(统计计算)| BIOSTATS 625(使用大数据计算)| EECS 481(软件工程)| EECS 485(网络系统)| EECS 486(信息检索和网络搜索)| EECS 490(编程语言)| EECS 493(用户界面开发)| EECS 504(计算机视觉)| EECS 542(计算机视觉高级主题)| EECS 549 / SI 650(信息检索)| EECS 548 / SI 649(信息可视化)| EECS 586(算法设计和分析)| EECS 587(并行计算)| EECS 592(人工智能)| EECS 595 / SI 561(自然语言处理)| SI 608(网络)| SI 618(数据处理和分析| SI 630(自然语言处理(算法和人员))| SI 671(数据挖掘：方法和应用)STATS 406(统计和数据科学中的计算方法)| STATS 507(使用Python的数据科学分析)| STATS 506(统计中的计算方法和工具)| STATS 606(统计计算)| STATS 608(统计中的蒙特卡洛方法和优化方法)
