University of Lincoln

MSc Data Science and Applied Analytics

Πώς μελετάτε

Γίνεται ολοένα και πιο σημαντικό να εξοπλίζονται οι μαθητές πληροφορικής με τις δεξιότητες σε βάθος δεδομένων που απαιτούνται για να ευδοκιμήσουν σε μια ψηφιακή οικονομία. Η γνώση στην ανάλυση δεδομένων, την τεχνητή νοημοσύνη και τη μηχανική μάθηση είναι ήδη περιζήτητη σε οργανισμούς σε όλο τον κόσμο και οι απόφοιτοι με αυτές τις δεξιότητες πρωτοστατούν στον μετασχηματισμό του τρόπου λειτουργίας της βιομηχανίας και της κοινωνίας.

Οι μαθητές σε αυτό το πρόγραμμα μπορούν να κατανοήσουν τον σχεδιασμό και την ανάπτυξη των εργαλείων της επιστήμης δεδομένων και των βασικών στοιχείων που σχετίζονται με τα δεδομένα της πληροφορικής, της ανάλυσης και της μηχανικής που το επιτρέπουν. Αυτό θα περιλαμβάνει ένα μείγμα διδασκόμενου περιεχομένου όπως προγραμματισμός και επιστήμη δεδομένων, σε βάθος μελέτες περιπτώσεων εφαρμογών επιστήμης δεδομένων και ανάπτυξη τεχνολογίας όπως γρήγορη, αξιόπιστη και ερμηνεύσιμη ανάλυση και μηχανική δεδομένων. Επιπλέον, σημαντική εστίαση θα δοθεί στην ανάπτυξη πρακτικών δεξιοτήτων για την επιστήμη των δεδομένων μέσω της πρακτικής μάθησης.

Πώς εκτιμάτε

Το πρόγραμμα αξιολογείται με ποικίλα μέσα, συμπεριλαμβανομένων των δοκιμών στην τάξη, των μαθημάτων, της παρουσίασης, των αφισών και των εξετάσεων. Η πλειοψηφία των αξιολογήσεων βασίζεται σε μαθήματα, αντανακλώντας την πρακτική και εφαρμοσμένη φύση της επιστήμης των υπολογιστών.

Το έργο του τελευταίου σταδίου δίνει τη δυνατότητα στους μαθητές να εξειδικευτούν περαιτέρω και να ολοκληρώσουν ένα έργο σημαντικής πολυπλοκότητας.

Η πολιτική του University of Lincoln για την ανατροφοδότηση αξιολόγησης στοχεύει να διασφαλίσει ότι οι ακαδημαϊκοί θα επιστρέψουν τις αξιολογήσεις εντός του μαθήματος στους φοιτητές αμέσως, συνήθως εντός 15 εργάσιμων ημερών από την ημερομηνία υποβολής.

Επισκόπηση ενοτήτων

Ανάλυση και Μοντελοποίηση Μεγάλων Δεδομένων (Βασικό)

Αυτή η ενότητα διερευνά τις τρέχουσες μεθοδολογίες στον τομέα της ανάλυσης και μοντελοποίησης μεγάλων δεδομένων, καλύπτοντας μια σειρά από πτυχές συλλογής, μετατροπής, επεξεργασίας, ανάλυσης και εξαγωγής συμπερασμάτων από μεγάλες ποσότητες δεδομένων, που μπορεί να είναι είτε σήματα είτε οπτικά δεδομένα.Ο στόχος είναι να προσφέρει στους μαθητές μια βαθύτερη κατανόηση και να επιτρέψει την έκθεση στις τελευταίες εξελίξεις στην ανάλυση μεγάλων δεδομένων, εξοπλίζοντάς τους με γνώσεις σε πρακτικό βάθος. Η ενότητα θα παρέχει επίσης εκπαίδευση σε δεξιότητες προγραμματισμού (π.χ. python), εργαλεία και μεθόδους (π.χ. Apache Spark, Spark Machine/Deep Learning, κατανεμημένα αναλυτικά στοιχεία κ.λπ.) που είναι απαραίτητα για την εφαρμογή συστημάτων ανάλυσης μεγάλων δεδομένων.

Η ενότητα θα καλύπτει επίσης εφαρμογές ανάλυσης μεγάλων δεδομένων σε διάφορους τομείς, όπως η κυβερνοασφάλεια, το Διαδίκτυο των πραγμάτων και το Computer Vision, δίνοντας στους μαθητές την ευκαιρία να αποκτήσουν πλήρη επίγνωση της τεχνολογικής προόδου σε αυτόν τον ταχέως εξελισσόμενο τομέα.

Προγραμματισμός Δεδομένων σε Python (Core)

Αυτή η ενότητα στοχεύει να εξοπλίσει τους μαθητές με τις βασικές γνώσεις που απαιτούνται για την ανάλυση δεδομένων στη γλώσσα προγραμματισμού Python. Οι μαθητές μπορούν να μάθουν τόσο βασικές δεξιότητες προγραμματισμού όσο και προηγμένα χαρακτηριστικά, όπως αντικειμενοστραφή προγραμματισμό και εργαλεία/βιβλιοθήκες στην Python (π.χ. pandas, matplotlib, numpy, scipy, keras, sklearn) για την υλοποίηση εργασιών ανάλυσης δεδομένων. Επίσης, εισάγονται σε χρήσιμα πλαίσια και βέλτιστες πρακτικές, όπως εικονικά περιβάλλοντα και έλεγχος εκδόσεων.

Σύνορα της Έρευνας Επιστήμης Δεδομένων (Βασικό)

Αυτή η ενότητα παρέχει μια εισαγωγή σε θέματα αιχμής σε ερευνητικά θέματα που σχετίζονται με την επιστήμη των δεδομένων, συμπεριλαμβανομένων τόσο της θεωρίας όσο και των πρακτικών εφαρμογών. Η ενότητα έχει σχεδιαστεί για να ακολουθεί μια μορφή ερευνητικού σεμιναρίου, που περιλαμβάνει πληροφορίες από συναδέλφους από τις αντίστοιχες ερευνητικές ομάδες στο Λίνκολν, μαζί με προσκεκλημένες διαλέξεις από εκπροσώπους του κλάδου και κορυφαίους διεθνείς ερευνητές. Οι μαθητές μπορούν να επωφεληθούν περαιτέρω από ευκαιρίες για συζήτηση πιθανών ερευνητικών θεμάτων με πιθανούς επόπτες και πελάτες του έργου και την παραγωγή μιας ερευνητικής πρότασης, παρουσίασης και ανασκόπησης βιβλιογραφίας που οδηγούν στο Ερευνητικό Έργο.

Βασικές Αρχές Μηχανικής Δεδομένων (Βασικό Μάθημα)

Αυτή η ενότητα στοχεύει να εξοπλίσει τους φοιτητές με γνώσεις στη μηχανική δεδομένων, συμπεριλαμβανομένων των εννοιών, του οικοσυστήματος και του κύκλου ζωής. Οι μαθητές μπορούν να μάθουν για συστήματα βάσεων δεδομένων για αποθήκευση και διεργασίες δεδομένων και εργαλεία που χρησιμοποιούνται (SQL/streaming SQL για ερώτημα βάσης δεδομένων, MongoDB, κ.λπ.) ως μηχανικός δεδομένων για τη συλλογή, μετατροπή, φόρτωση, επεξεργασία, αναζήτηση και διαχείριση δεδομένων, έτσι ότι μπορεί να αξιοποιηθεί από τους καταναλωτές δεδομένων για λειτουργίες και λήψη αποφάσεων.

Επεξεργασία Εικόνας και Κειμένου για την Επιστήμη Δεδομένων (Βασικό Μάθημα)

Η επιστήμη δεδομένων χρησιμοποιείται συχνά για την ανάλυση δομημένων τρόπων δεδομένων, οι πιο συνηθισμένες από τις οποίες είναι δεδομένα εικόνας και κειμένου. Αυτή η ενότητα εισάγει το βασικό σύνολο εργαλείων και τεχνικών που χρησιμοποιούνται για την εξαγωγή καινοτόμων και εφαρμόσιμων πληροφοριών από διαφορετικούς τύπους δεδομένων. Οι μαθητές μπορούν να μάθουν για τις εργασίες ανάλυσης που εκτελούνται πιο συχνά, καθώς και να εξασκηθούν στην εκτέλεση ανάλυσης δεδομένων σε μια επιλογή από δημόσια και εσωτερικά σύνολα δεδομένων.

Εισαγωγή στην Εξόρυξη Δεδομένων (Βασικό)

Αυτή η ενότητα παρέχει μια εισαγωγή στις τρέχουσες τεχνικές εξόρυξης δεδομένων και στοχεύει να εξοπλίσει τους μαθητές με γνώσεις σχετικά με προσεγγίσεις σε ένα ευρύ φάσμα καταστάσεων ανάλυσης δεδομένων, προετοιμάζοντάς τις για εφαρμογή σε πραγματικές ρυθμίσεις, καθώς και προηγμένη εις βάθος μελέτη στον τομέα της εξόρυξη δεδομένων. Οι μαθητές μπορούν να αναπτύξουν μια ολοκληρωμένη κατανόηση του πεδίου της εξόρυξης δεδομένων και της εφαρμογής της σε προβλήματα και σύνολα δεδομένων του πραγματικού κόσμου. Οι μεθοδολογίες που συζητήθηκαν περιλαμβάνουν ταξινόμηση και ομαδοποίηση, για μια σειρά εργασιών μοντελοποίησης και πρόβλεψης, καθώς και προηγμένες μεθόδους για εξειδικευμένους τύπους δεδομένων (π.χ. εικόνες) και τεχνικές για εφαρμογή στον πραγματικό κόσμο (π.χ. μείωση διαστάσεων). Οι διαλέξεις συνοδεύονται από πρακτικά εργαστήρια, όπου δίνονται ευκαιρίες στους μαθητές να χειριστούν σύνολα δεδομένων, να μάθουν και να επιδείξουν τις έννοιες και τις δεξιότητες που μεταφέρονται.

Μέθοδοι Έρευνας (LIAT) (Βασικό)

Αυτή η ενότητα καλύπτει τις θεμελιώδεις δεξιότητες και τις βασικές γνώσεις που χρειάζονται οι μαθητές για να αναλάβουν ένα ερευνητικό έργο, συμπεριλαμβανομένων: τοπογραφική βιβλιογραφία. επιλογή και αιτιολόγηση ενός ερευνητικού θέματος· προγραμματισμός της έρευνας· ακαδημαϊκή γραφή, συλλογή δεδομένων, χειρισμός και ανάλυση· και παρουσίαση και αναφορά της έρευνας.

Ερευνητικό Έργο (Βασικό)

Αυτή η ενότητα δίνει στους φοιτητές την ευκαιρία να πραγματοποιήσουν ένα σημαντικό έργο, εστιάζοντας σε έναν τομέα ιδιαίτερου προσωπικού και επαγγελματικού ενδιαφέροντος, μέσω της εκπόνησης διπλωματικής εργασίας και ουσιαστικής υλοποίησης λογισμικού.

Το ερευνητικό έργο είναι μια μεμονωμένη εργασία, η οποία δίνει στους φοιτητές την ευκαιρία να εφαρμόσουν και να ενσωματώσουν στοιχεία μελέτης από μια σειρά ενοτήτων, με επίκεντρο ένα συγκεκριμένο ερευνητικό ερώτημα. Οι μαθητές αναμένεται να αναλάβουν εργασία που σχετίζεται με τη συνεχιζόμενη έρευνα σε ένα από τα καθιερωμένα ερευνητικά κέντρα στο Lincoln School of Computer Science και θα συνεργαστούν στενά υπό την επίβλεψη ενός μέλους αυτού του ερευνητικού κέντρου.

Οι μαθητές καλούνται να αναλάβουν την ανάπτυξη ενός τεχνουργήματος λογισμικού που δεν είναι τετριμμένο σε κλίμακα και στόχους και υποστηρίζεται από βέλτιστη πρακτική εφαρμογή κατάλληλων θεωρητικών πλαισίων.

Προσομοίωση, Μαθηματική και Στατιστική Μοντελοποίηση (Βασικό Μάθημα)

Αυτή η ενότητα παρέχει μια βάση που θα προετοιμάσει τους μαθητές για μάθηση και κατανόηση προηγμένων εννοιών στην επιστήμη των δεδομένων. Τρεις βασικοί τομείς εισάγονται και/ή εξετάζονται σε αυτή την ενότητα, σχεδιασμένη για μια δυνητικά διαφορετική ομάδα μαθητών. Ένα πρωταρχικό δόγμα της επιστήμης δεδομένων επικεντρώνεται στην έννοια της μοντελοποίησης, ιδιαίτερα στη χρήση μοντέλων για την αναπαράσταση και/ή την πρόβλεψη συμπεριφορών ή/και αποκρίσεων φυσικών και τεχνητών συστημάτων. Τέτοια μοντέλα έχουν συνήθως βάση σε μαθηματικές ή στατιστικές κατασκευές, οι οποίες μπορούν να παρουσιαστούν σε ένα στατικό (βασισμένο σε εξίσωση) ή δυναμικό (βασισμένο σε προσομοίωση) πλαίσιο. Το αναλυτικό πρόγραμμα αυτής της ενότητας χωρίζεται σε τρεις θεματικές ενότητες, σχεδιασμένες και οργανωμένες για να προσφέρουν στους μαθητές πρακτική εμπειρία με την κατασκευή μοντέλων στην προσομοίωση και με τη χρήση θεμελιωδών μαθηματικών και στατιστικών μεθόδων.

Επαγγελματική Πρακτική (Επιλογή)†

Αυτό το πρόγραμμα MSc είναι επίσης διαθέσιμο με μια Pathway επαγγελματικής πρακτικής. Οι μαθητές περνούν μια περίοδο τριών έως δώδεκα μηνών αναλαμβάνοντας μια περίοδο επαγγελματικής πρακτικής στο τέλος του πρώτου έτους για να αποκτήσουν πρακτική εμπειρία μέσω μιας θέσης εργασίας επί πληρωμή. Οι φοιτητές θα είναι υπεύθυνοι για την προμήθεια των δικών τους επί πληρωμή τοποθετήσεων, αλλά θα υποστηρίζονται από το ακαδημαϊκό προσωπικό. Οι σπουδαστές θα πάρουν συνέντευξη πριν γίνουν δεκτοί στο πρόγραμμα Επαγγελματικής Πρακτικής για να αξιολογήσουν την κατανόησή τους για τη σχετική εργασία και τη δέσμευσή τους να βρουν μια θέση επαγγελματικής πρακτικής.

† Ορισμένα μαθήματα μπορούν να προσφέρουν προαιρετικές ενότητες. Η διαθεσιμότητα των προαιρετικών ενοτήτων μπορεί να διαφέρει από έτος σε έτος και θα υπόκειται στον ελάχιστο αριθμό σπουδαστών που επιτυγχάνεται. Αυτό σημαίνει ότι δεν είναι εγγυημένη η διαθεσιμότητα συγκεκριμένων προαιρετικών ενοτήτων. Η προαιρετική επιλογή ενότητας μπορεί επίσης να επηρεαστεί από τη διαθεσιμότητα του προσωπικού.

How You Study

It has becoming increasingly important to equip computing students with the deep data skills needed to thrive in a digital economy. Knowledge in data analytics, artificial intelligence, and machine learning are already in demand in organisations around the world and graduates with those skills are leading the way in transforming the way industry and society operates.

Οι μαθητές σε αυτό το πρόγραμμα μπορούν να κατανοήσουν τον σχεδιασμό και την ανάπτυξη των εργαλείων της επιστήμης δεδομένων και των βασικών στοιχείων που σχετίζονται με τα δεδομένα της πληροφορικής, της ανάλυσης και της μηχανικής που το επιτρέπουν. Αυτό θα περιλαμβάνει ένα μείγμα διδασκόμενου περιεχομένου όπως προγραμματισμός και επιστήμη δεδομένων, σε βάθος μελέτες περιπτώσεων εφαρμογών επιστήμης δεδομένων και ανάπτυξη τεχνολογίας όπως γρήγορη, αξιόπιστη και ερμηνεύσιμη ανάλυση και μηχανική δεδομένων. Επιπλέον, σημαντική εστίαση θα δοθεί στην ανάπτυξη πρακτικών δεξιοτήτων για την επιστήμη των δεδομένων μέσω της πρακτικής μάθησης.

Αυτό το μεταπτυχιακό πρόγραμμα στοχεύει στην ανάπτυξη αποφοίτων που κατανοούν τις σχετικές προσεγγίσεις για τον σχεδιασμό εργαλείων επιστήμης δεδομένων, την εφαρμογή και αξιολόγησή τους, τις αναλυτικές πτυχές των μεγάλων δεδομένων, καθώς και τη σημασία και τη σημασία τους τόσο για τις επιχειρήσεις όσο και για τον δημόσιο τομέα. Οι απόφοιτοι μπορούν να αναζητήσουν ρόλους σε οργανισμούς σε όλους αυτούς τους τομείς, ενώ ορισμένοι μπορούν να επιλέξουν να συνεχίσουν τις σπουδές τους σε διδακτορικό επίπεδο.