大学统计专业的课程设置可能因学校和地区而有所不同，但通常包括以下主题：

统计学基础：几率论、随机变量和随机进程、期望值与方差、假定检验、回归分析等。

数据分析：描写性统计、推断性统计、非参数统计、多元统计分析、时间序列分析等。

数据可视化：图表制作、数据透视表、统计软件利用等。

机器学习：线性回归、逻辑回归、决策树、神经网络、支持向量机等。

大数据处理：大数据技术、散布式计算、数据仓库和数据湖等。

优化方法：线性计划、整数计划、动态计划、遗传算法等。

统计建模：模型选择、模型评估、模型解释、模型预测等。

生物统计：生物信息学、基因组学、蛋白质组学、药物研发等。

金融统计：金融时间序列分析、风险管理与量化投资、信誉评分等。

社会经济统计：调查设计、抽样技术、面板数据分析、空间统计等。

这些课程将帮助学生在统计分析、数据科学和机器学习等领域打下坚实的基础。

概率论与数理统计：这是统计学的基础课程，主要介绍概率论的基本概念、定理及其应用，以及数理统计的基本方法和技术。

描述性统计学：这门课程主要介绍数据的整理、概括和展示方法，包括频数分布、比例、百分比、均值、中位数、众数等。

推断性统计学：这门课程主要介绍如何通过样本数据对总体进行推断和估计，包括参数估计、假设检验、置信区间等。

回归分析：这门课程主要介绍如何建立变量之间的线性或非线性关系模型，并进行预测和控制。

方差分析：这门课程主要介绍如何分析多组数据的变异来源，包括因素效应和随机效应。

时间序列分析：这门课程主要介绍如何分析和预测随时间变化的数据，包括平稳性检验、自相关和偏自相关分析等。

非参数统计学：这门课程主要介绍在不假定总体分布的情况下，如何进行数据分析和推断。

多元统计分析：这门课程主要介绍如何处理多个变量之间的关系，包括主成分分析、因子分析、聚类分析等。

贝叶斯统计学：这门课程主要介绍基于贝叶斯定理的统计推断方法，包括贝叶斯公式、朴素贝叶斯分类器等。

生存分析：这门课程主要介绍如何分析和预测具有时间依赖性的数据，如生物医学研究中的生存时间和复发率等。

统计学专业的学生还需要学习一些相关的数学课程，如高等数学、线性代数、微积分、实变函数等，以便更好地理解和应用统计学方法。同时，计算机编程技能也是统计学专业学生必备的能力，因此通常还需要学习一门或多门编程语言，如R、Python或MATLAB等。