这是澳大利亚最全面的数据科学课程，将高水平的分析和技术技能与特定行业的知识和基本的职业素质结合起来。它也是世界上为数不多的为你提供跨学科教育的课程之一，在令人兴奋的数据科学领域有直接的行业接触和实践经验。
数据科学
Master of Data Science
专业介绍
这是澳大利亚最全面的数据科学课程，将高水平的分析和技术技能与特定行业的知识和基本的职业素质结合起来。它也是世界上为数不多的为你提供跨学科教育的课程之一，在令人兴奋的数据科学领域有直接的行业接触和实践经验。
Program Introduction
This is the most comprehensive data science program in Australia,
combining high-level analytical and technical skills with
industry-specific knowledge and essential professional attributes. It's
also one of the few programs in the world to offer you a
cross-disciplinary education with direct industry contact and practical
experience in the exciting field of data science.
| 所属大学 | 昆士兰大学 |
| 关联学科 | 管理 |
| 开学时间 | 2月,7月 |
| 学制 | 1.5,2 年 |
| 学费 | 53,760 AUD |
| 申请费 | 150 |
| 项目网址 | https://study.uq.edu.au/study-options/programs/master-data-science-5660 |
申请要求
2年学制 专业领域：相关专业如信息技术、计算机科学、统计学、数学、工程学、物理学和精算学。 先修科目：微积分或高等数学或数学分析+线性代数/编程或 C 语言或面向对象 (OOP) 或 Java/软件工程/数据库或数据结构或算法或数据挖掘/概率或统计学/计算数学或数值分析或微分方程或多元分析中至少2门科目。 1.5年学制专业领域：相关专业如信息技术、计算机科学、统计学、数学、工程学、物理学和精算学。 先修科目：3门数学，2门统计或概率，3门计算机科学。
语言要求
IELTS
| 总分要求： | 6.5 |
| 分项要求： | 听力: 6 | 阅读: 6 | 写作: 6 | 口语: 6 |
TOEFL
| 总分要求： | 87 |
| 分项要求： | 听力: 19 | 阅读: 19 | 写作: 21 | 口语: 19 |
课程设置
| 中文课程名 | 英文课程名 |
|---|---|
| MDataSc-2年持续时间 | MDataSc - 2 year duration |
| MDataSc核心课程 | MDataSc Core Courses |
| 数据科学导论 | Introduction to Data Science |
| 负责任的数据科学 | Responsible Data Science |
| 规模数据分析 | Data Analytics at Scale |
| 数据科学的统计方法 | Statistical Methods for Data Science |
| 面向数据科学家的机器学习 | Machine Learning for Data Scientists |
| MDataSc顶点课程 | MDataSc Capstone Courses |
| 数据科学顶点项目1 | Data Science Capstone Project 1 |
| 数据科学顶点项目2 | Data Science Capstone Project 2 |
| MDataSc基础课程 | MDataSc Foundation Courses |
| 软件工程导论 | Introduction to Software Engineering |
| 高级数据库系统 | Advanced Database Systems |
| 数据库原则 | Database Principles |
| 数据科学数学1 | Mathematics for Data Science 1 |
| 数据科学数学2 | Mathematics for Data Science 2 |
| 概率模型与数据分析 | Probability Models & Data Analysis |
| MDataSc学科选修课程 | MDataSc Discipline Elective Courses |
| 云计算 | Cloud Computing |
| 数据挖掘 | Data Mining |
| 高维数据的高级技术 | Advanced Techniques for High Dimensional Data |
| 信息检索和网络搜索 | Information Retrieval and Web Search |
| 社交媒体分析 | Social Media Analytics |
| 数值线性代数与优化 | Numerical Linear Algebra & Optimisation |
| 运筹学的进一步主题 | Further Topics in Operations Research |
| 运筹学与数学规划 | Operations Research & Mathematical Planning |
| 统计学习 | Statistical Learning |
| 深度学习 | Deep Learning |