• No results found

Utbildningsplan för Applied Data Science masterprogram, 120 högskolepoäng

N/A
N/A
Protected

Academic year: 2022

Share "Utbildningsplan för Applied Data Science masterprogram, 120 högskolepoäng"

Copied!
16
0
0

Loading.... (view fulltext now)

Full text

(1)
(2)
(3)

                             

IT-FAKULTETEN

Dnr G 2016/183

Utbildningsplan för Applied Data Science masterprogram, 120 högskolepoäng

Applied Data Science, Master’s programme 120 credits

Avancerad nivå/N2ADS

1.   Fastställande  

Utbildningsplanen är fastställd av fakultetsstyrelsen för IT-fakulteten 2016-06-17. Denna utbildningsplan gäller från och med 2017-08-28 (höstterminen 2017).

Institutionen för data- och informationsteknik ansvarar för utbildningsprogrammet.

2.   Utbildningsprogrammets  syfte  

Masterprogrammet Applied Data Science vänder sig till studenter från ett brett spektrum av ämnesområden och syftar till att ge specialistkompetens för behandling och analys av stora

datamängder (Data Science). Programmet riktar sig till studenter som planerar för en specialistkarriär i Data Science inom industri eller akademisk forskning.

Utbildningen ger en detaljerad förståelse för datavetenskapliga och statistiska metoder och kunskap om hur dessa metoder kan användas i olika tillämpningsområden. Studenterna får en bred överblick över relevanta tekniker och teknologier inom Data Science och en förförståelse för när och hur dessa kan tillämpas. I utbildningen tillägnar sig studenterna även praktiska färdigheter runt tillämpningen, samt får ta del av de etiska aspekter som är aktuella när det gäller att hantera storskaliga datamängder.

För behörighet till masterprogrammet krävs vissa förkunskaper i programmering, eftersom denna kompetens är grundläggande för utbildningen.

3.     Examen  som  utbildningsprogrammet  leder  till  

(4)

huvudområdet Data Science. För masterexamen ska studenten inom ramen för kursfordringarna ha fullgjort ett självständigt arbete (examensarbete) omfattande minst 30 hp inom huvudområdet.

4.   Huvudområde  för  utbildningen  

Utbildningens huvudområde är Data Science. Ansvarig institution är institutionen för data- och informationsteknik.

5.   Mål  

Utbildning på avancerad nivå ska väsentligen bygga på de kunskaper som studenterna får inom utbildning på grundnivå eller motsvarande kunskaper.

Utbildning på avancerad nivå skall innebära fördjupning av kunskaper, färdigheter och förmågor i förhållande till utbildning på grundnivå och ska, utöver vad som gäller för utbildning på grundnivå,

•  ytterligare utveckla studenternas förmåga att självständigt integrera och använda kunskaper,

•  utveckla studenternas förmåga att hantera komplexa företeelser, frågeställningar och situationer, och

•  utveckla studenternas förutsättningar för yrkesverksamhet som ställer stora krav på självständighet eller för forsknings- och utvecklingsarbete.

(Högskolelagen (SFS 2006:173), 1 kap, § 9).

5.1.  Mål  för  masterexamen  enligt  högskoleförordningen  

Kunskap  och  förståelse   För masterexamen ska studenten

•  visa kunskap och förståelse inom huvudområdet för utbildningen, inbegripet såväl brett kunnande inom området som väsentligt fördjupade kunskaper inom vissa delar av området samt fördjupad insikt i aktuellt forsknings- och utvecklingsarbete, och

•  visa fördjupad metodkunskap inom huvudområdet för utbildningen.

Färdighet  och  förmåga   För masterexamen ska studenten

•  visa förmåga att kritiskt och systematiskt integrera kunskap och att analysera, bedöma och hantera komplexa företeelser, frågeställningar och situationer även med begränsad information,

•  visa förmåga att kritiskt, självständigt och kreativt identifiera och formulera frågeställningar, att planera och med adekvata metoder genomföra kvalificerade uppgifter inom givna tidsramar och därigenom bidra till kunskapsutvecklingen samt att utvärdera detta arbete,

•  visa förmåga att i såväl nationella som internationella sammanhang muntligt och skriftligt klart redogöra för och diskutera sina slutsatser och den kunskap och de argument som ligger till grund för dessa i dialog med olika grupper, och

(5)

•  visa sådan färdighet som fordras för att delta i forsknings- och utvecklingsarbete eller för att självständigt arbeta i annan kvalificerad verksamhet.

Värderingsförmåga  och  förhållningssätt   För masterexamen ska studenten

•  visa förmåga att inom huvudområdet för utbildningen göra bedömningar med hänsyn till relevanta vetenskapliga, samhälleliga och etiska aspekter samt visa medvetenhet om etiska aspekter på forsknings- och utvecklingsarbete,

•  visa insikt om vetenskapens möjligheter och begränsningar, dess roll i samhället och människors ansvar för hur den används, och

•  visa förmåga att identifiera sitt behov av ytterligare kunskap och att ta ansvar för sin kunskapsutveckling.

(Högskoleförordningen, examensordning, bilaga 2)

5.2.  Lokala  mål  

Kunskap  och  förståelse  

För att erhålla masterexamen inom huvudområdet Data Science ska studenten

•  kunna beskriva och jämföra olika tekniker för analys, modellering och hantering av data.

Färdighet  och  förmåga  

För att erhålla masterexamen inom huvudområdet Data Science ska studenten

•  kunna använda verktyg och teknologier för att analysera, modellera och hantera data,

•  kunna tillämpa metoder inom data science för att lösa problem i ett antal olika tillämpningsområden, och

•  självständigt, och i samarbete med andra, kunna undersöka och göra relevanta observationer baserat på metoder inom data science.

Värderingsförmåga  och  förhållningssätt

För att erhålla masterexamen inom huvudområdet Data Science ska studenten

•  kunna diskutera fördelar och nackdelar med olika tekniker och teknologier för analys, modellering och hantering av data,

•  kunna avgöra hur olika metoder inom data science kan tillämpas i olika situationer, och

•  utifrån etiska aspekter kunna bedöma och argumentera för val av olika tillämpningar.

(6)

6.   Utbildningsprogrammets  huvudsakliga  innehåll  och  upplägg  

Utbildningen består av kurser inom Data Science och angränsande ämnen. Programmet omfattar totalt 120 hp. Av dessa är 67,5 hp obligatoriska kurser inom huvudområdet Data Science, varav 30 hp självständigt arbete (examensarbete) ingår.

Kurserna är progressivt ordnade så att de inom ramen för examensmålen bidrar till att var för sig och tillsammans utveckla studentens kompetens och förmåga inom ämnesområdet.

Utbildningen ges på helfart. Ett läsår är indelat i två terminer och fyra studieperioder. En termin omfattar två studieperioder om vardera 15 hp. I varje studieperiod läser studenten normalt två kurser parallellt.

Utbildningen bedrivs i form av föreläsningar, seminarier, lärarledda övningar, laborationer och handledning samt projekt där studenterna tillämpar och fördjupar sina kunskaper.

Undervisningsspråk är engelska.

Studiegång

Följande obligatoriska kurser på avancerad nivå ingår i huvudområdet Data Science1:

•   Introduction to Data Science, 7,5 hp

•   Thinking and Working Mathematically, 7,5 hp

•   Statistical Methods for Applied Data Science, 7,5 hp

•   Applied Machine Learning, 7,5 hp

•   Techniques for Large-scale Data, 7,5 hp

•   Master’s Thesis in Data Science, 30 hp

Utöver ovanstående obligatoriska kurser på avancerad nivå ska studenterna läsa kursen Databaser (DIT620). Kursen, som ges på grundnivå och ingår i huvudområdet Data Science. Normalt läses denna kurs under läsperiod 2, men kan väljas under läsperiod 3 beroende på studentens val av valfria kurser.

Studenterna har möjligheten att läsa valfria kurser på avancerad nivå utanför programmet.

Behörighetskrav för valfria kurser måste uppfyllas.

Följande valfria kurser ingår i huvudområdet Data Science:

•   Research Methods for Data Science, 7,5 hp

•   Research Mini-project in Data Science, 7,5 hp

Kursen Research Mini-project kan läsas under alla läsperioder.

Andra året innehåller ett innehåller ett självständigt arbete (examensarbete) om 30 hp. Beroende på hur student väljer att läsa valfria kurser kan examensarbetet utföras antingen på helfart under läsperioderna 3 och 4, eller på halvfart under läsperioderna 2 och 3, och därefter helfart under läsperiod 4.

1Av de kurser som anges som obligatoriska är många kursplaner preliminära och kommer att fastställas efter hand som programmet fortlöper.

(7)

Följande scheman visa ordinarie studiegång och ingående obligatoriska valfria kurser fördelade över årets fyra läsperioder. De två varianterna för år 2 visas var för sig.

Tabell 1. Följande schema visar studiegången under år 1.

 

År  1

Läsperiod  1 Läsperiod  2 Läsperiod  3 Läsperiod  4

 

Introduction  to  Data   Science    

7,5  hp    

Statistical  Methods  for   Applied  Data  Science    

7,5  hp

Applied  Machine   Learning    

7,5  hp

Techniques  for  Large-­

scale  Data     7,5  hp

 

Thinking  and  Working   Mathematically    

7,5  hp    

Databases  7,5  hp  

eller     valfri  kurs

Databases  7,5  hp  

eller     valfri  kurs

valfri  kurs

Tabell 2. Följande schema visar studiegången under år 2.  

År  2  

Läsperiod  1 Läsperiod  2 Läsperiod  3 Läsperiod  4

 

Research  Methods  for   Data  Science    

7.5  hp    

valfri  kurs

Master's  Thesis  in  Data  Science     30  hp

    valfri  kurs

   

    valfri  kurs

   

(8)

Tabell 3. Följande schema visar en alternativ studiegång under år 2.

 

År  2  

Läsperiod  1 Läsperiod  2 Läsperiod  3 Läsperiod  4

 

Research  Methods  for   Data  Science    

7.5  hp    

Master's  Thesis  in  Data  Science     30  hp

    valfri  kurs  

 

valfri  kurs valfri  kurs  

7.   Förkunskapskrav

Kandidatexamen 180 hp inklusive examensarbete (självständigt arbete) om minst 15 hp eller motsvarande relevanta för studier i Data Science, antingen som en grund för metoder inom Data Science eller som ett område där metoder inom Data Science kan tillämpas.

Minst 15 hp programmering eller motsvarande.

Engelska 6/ Engelska B eller motsvarande.

Särskilda  förkunskapskrav  för  tillträde  till  kurs  inom  program  

Inom programmet gäller särskilda förkunskapskrav för tillträde till kurs. Dessa förkunskapskrav är dokumenterade i respektive kursplan och anger vilka förkunskapskrav som anses nödvändiga för att student ska få registreras på en kurs inom programmet.

Urval  

Urval sker i enlighet med högskoleförordningen och Göteborgs universitets antagningsordning för utbildning på grundnivå och avancerad nivå.

8.   Platsgaranti    

Student har platsgaranti på alla obligatoriska och valfria kurser i programmet under förutsättning att förkunskapskraven är uppfyllda och att student ansöker om kurs inom program inom föreskriven ansökningsperiod.

För valfria kurser som inte organiseras i anslutning till programmet gäller lokala antagningsordningar och platsgaranti saknas.

(9)

9.  Övrigt  

Tillgodoräknande  av  tidigare  utbildning    

Student har i vissa fall rätt att tillgodoräkna tidigare högskolestudier i enlighet med bestämmelserna i högskoleförordningen.

Utvärdering  

Programmets kurser utvärderas efter avslutad kurs enligt respektive kursplan. Resultatet ska användas inför planering och genomförande av kommande kurser och i sammanfattande form delges studenter vid kursstart.

(10)

                         

IT FACULTY

Reference no. G 2016/183

Programme Syllabus for Applied Data Science, Master’s programme 120 credits

Applied Data Science masterprogram, 120 högskolepoäng

Second Cycle/N2ADS

1.   Confirmation  

The syllabus is confirmed by the IT Faculty Board 2016-06-17. This syllabus is to be valid from 2017-08-28 (autumn semester 2017).

The Department of Computer Science and Engineering is responsible for the study programme.

2.   Purpose  of  the  study  programme  

The aim is to provide students with an appropriate background with advanced knowledge in Data Science, enabling them to pursue a specialist career in industry or academic research.

It is intended that the Master's programme in Applied Data Science should be accessible to students with a wide range of Bachelor's degrees. Specifically, the programme does not require a Bachelor's degree in Computer Science or closely related subjects; Master's level education in Applied Data Science will be of benefit to students with backgrounds in many different areas who recognise that being able to work effectively with large data sets will be important in their future careers. Some previous programming experience is required, and the programme will build on this. The programme will give students an overview of the techniques and technologies that are relevant to Data Science, an appreciation of when and how these can be used, and practical skills in their application.

Learning outcomes include knowledge and skills related to the computational techniques needed to process and analyse large data sets. On the technical side, this includes detailed understanding of relevant computational and statistical methods. It also includes recognising how these methods are applied in different fields, and the challenges of working with large-scale data.

(11)

3.   Higher   education   qualifications   to   which   the   study   programme   leads  

After the completion of the programme with 120 credits of which 67.5 credits are specialised study in the main field Data Science, on request a degree certificate is issued with the designation Degree of Master of Science (120 credits) with a major in Data Science. For a Degree of Master of Science the student must have accomplished an independent project (degree project) of at least 30 credits within the specialised study in the main field.

4.   Main  field  of  study  for  the  programme  

Main field of study for the programme is Data Science.

5.   Learning  outcomes  

Second-cycle courses and study programmes shall be based fundamentally on the knowledge acquired by students during first-cycle courses and study programmes, or its equivalent.

Second-cycle courses and study programmes shall involve the acquisition of specialist knowledge, competence and skills in relation to first-cycle courses and study programmes, and in addition to the requirements for first-cycle courses and study programmes shall:

•  further develop the ability of students to integrate and make autonomous use of their knowledge,

•  develop the students' ability to deal with complex phenomena, issues and situations, and

•  develop the students' potential for professional activities that demand considerable autonomy, or for research and development work.

(The Swedish Higher Education Act (Ordinance 2006:173), chapter 1, section 9.)

5.1.  Learning  outcomes  for  Degree  of  Master  of  Science  (120  credits)  according   to  the  Higher  Education  Ordinance  

Knowledge  and  understanding  

For a Degree of Master of Science (120 credits) the student shall

•  demonstrate knowledge and understanding in the main field of study, including both broad knowledge of the field and a considerable degree of specialised knowledge in certain areas of the field as well as insight into current research and development work, and

•  demonstrate specialised methodological knowledge in the main field of study.

Competence  and  skills  

For a Degree of Master of Science (120 credits) the student shall

(12)

•  demonstrate the ability to identify and formulate issues critically, autonomously and creatively as well as to plan and, using appropriate methods, undertake advanced tasks within predetermined time frames and so contribute to the formation of knowledge as well as the ability to evaluate this work,

•  demonstrate the ability in speech and writing both nationally and internationally to clearly report and discuss his or her conclusions and the knowledge and arguments on which they are based in dialogue with different audiences, and

•  demonstrate the skills required for participation in research and development work or autonomous employment in some other qualified capacity.

Judgement  and  approach  

For a Degree of Master of Science (120 credits) the student shall

•  demonstrate the ability to make assessments in the main field of study informed by relevant disciplinary, social and ethical issues and also to demonstrate awareness of ethical aspects of research and development work,

•  demonstrate insight into the possibilities and limitations of research, its role in society and the responsibility of the individual for how it is used, and

•  demonstrate the ability to identify the personal need for further knowledge and take responsibility for his or her ongoing learning.

(Higher Education Ordinance, Qualifications Ordinance, Annex 2)

5.2.  Local  learning  outcomes  

Knowledge  and  understanding  

For a Degree of Master of Science (120 credits) with a major in Data Science the student shall

•  describe and compare different techniques for data analysis and management.

Competence  and  skills  

For a Degree of Master of Science (120 credits) with a major in Data Science the student shall

•  use tools and technologies for data analysis and management,

•  apply data science methods to solving problems in a variety of application areas, and

•  independently, as well as in cooperation with others, investigate and make relevant observations and discoveries based on the methods of data science.

Judgement  and  approach  

For a Degree of Master of Science (120 credits) with a major in Data Science the student shall

•  discuss advantages and disadvantages of various techniques and technologies for data analysis and management,

•  determine how different data science methods may be applicable in different situations, and

(13)

•  construct arguments and discuss the consequences of actions with respect to different ethical frameworks.

6.   The  main  content  and  structure  of  the  study  programme  

The programme consists of courses in applied Data Science and related subjects. The programme includes a total of 120 credits. Of these are 67.5 credits from compulsory courses in the main field of Data Science, including 30 credits independent project (thesis).

The courses are progressively arranged so that they, within the framework of learning outcomes, contribute separately and jointly, with developing the student's skills and abilities in the field.

The education is given at full time. An academic year is divided into two semesters and four study periods. A semester includes two study periods, each of 15 credits. Students normally attend two courses in parallel in each study period.

The education is conducted in the form of lectures, seminars, teacher-led exercises, and tutoring as well as projects in which students apply and deepen their knowledge.

The language of tuition is English.

Study  process  

The following compulsory second-cycle courses are included in the main field of Data Science1:

•   Introduction to Data Science, 7.5 credits

•   Thinking and Working Mathematically, 7.5 credits

•   Statistical Methods for Applied Data Science, 7.5 credits

•   Applied Machine Learning, 7.5 credits

•   Techniques for Large-scale Data, 7.5 credits

•   Master’s Thesis in Data Science, 30 credits

In addition to these compulsory second-cycle courses, students should take first-cycle course Databases (DIT620), which is offered in study period 2 and in study period 3, and is included in the main field of study. Normally this course will be taken in study period 2, but it may be taken in study period 3 if that fits better with the student's chosen optional courses.

Students have the possibility to take optional second cycle courses outside the programme, including second cycle courses in the area of their Bachelor’s degree. Entry requirements for optional courses must be satisfied.

The following optional courses are included in the main field of Data Science:

•   Research Methods for Data Science, 7.5 credits

•   Research Mini-project in Data Science, 7.5 credits

(14)

Research Mini-project in Data Science may be taken in any study period.

The course "Master's Thesis in Data Science" includes an independent project (degree project) of 30 credits. The Master's thesis can be done either full-time in study periods 3 and 4, or half-time during study periods 2 and 3 then full-time in study period 4, depending on the student's choice of optional courses.

The following schema shows the ordinary study process with compulsory and optional courses arranged in the four study periods. The two variants for Year 2 are shown.

Table 1. The following schema shows the study process during year 1.

Year  1  

Study  Period  1   Study  Period  2   Study  Period  3   Study  Period  4    

Introduction  to  Data   Science     7.5  credits  

 

Statistical  Methods  for   Applied  Data  Science    

7.5  credits  

Applied  Machine   Learning     7.5  credits  

Techniques  for  Large-­

scale  Data     7.5  credits  

 

Thinking  and  Working   Mathematically    

7.5  credits    

Databases    7.5  credits    

or     Optional  course  

Databases     7.5  credits    

or     Optional  course  

Optional  course  

Table 2. The following schema shows the study process during year 2.

Year  2    

Study  Period  1   Study  Period  2   Study  Period  3   Study  Period  4    

Research  Methods  for   Data  Science    

7.5  credits    

Optional  course  

Master's  Thesis  in  Data  Science     30  credits  

   

Optional  course    

 

   

Optional  course    

 

(15)

Table 3. The following schema shows an alternative study process during year 2.

 Year  2  

Study  Period  1   Study  Period  2   Study  Period  3   Study  Period  4    

Research  Methods  for   Data  Science    

7.5  credits    

Master's  Thesis  in  Data  Science     30  credits  

   

Optional  course    

 

Optional  course   Optional  course    

7.   Entry  requirements  

Bachelor’s degree of 180 credits including an independent project (degree project) of at least 15 credits or equivalent in a subject relevant to the study of Data Science, either as a basis for Data Science methods or as an area where Data Science can be applied.

At least 15 credits from programming or eqvivalent

English 6/English B from Swedish Upper Secondary School or eqvivalent.

Specific  entry  requirements  for  admission  to  a  course  within  the  study  programme     Within the study programme there can be specific entry requirements for admission to individual courses. These specific entry requirements are documented in each course syllabus and state which entry requirements are necessary to be registered on a course within the study programme.

Selection  

Selection is according to the Higher Education Ordinance and the University of Gothenburg admission regulations for education on first and second cycle.

8.   Guaranteed  admission  

Students who are follow the study programme at the prescribed pace have guaranteed admission to all compulsory and optional courses offered within the programme provided that specific entry

requirements are fulfilled and the student applies to the course within the study programme within the prescribed application period.

(16)

9.  Additional  information  

Credit  transfer  of  former  education  

In some cases, the student has the right to be given credit for former higher education according to the legislative regulations of the Higher Education Ordinance.

Evaluation  

The courses of the study programme are evaluated according to each course syllabus. The result will be used for planning and implementation of upcoming courses. A summary is given to students at the start of the courses.

 

References

Related documents

Track: Information Processing and Transmission Mandatory course: EQ2440 Project in Wireless Communication Conditional elective courses: Select two of the tree courses to

The prerequisites for the Master programme in Mathematics is a Swedish or foreign degree equivalent to Bachelor of Science of 180 university credits, in mathematics or

In the first year, focus is on general maritime engineering topics and naval architecture on Master level: stability, resistance and propulsion, seakeeping, manoeuvring and ship

AK2030 Vetenskapsteori och vetenskaplig metodik (naturvetenskap) 4.5 Avancerad nivå SD2416 Strukturoptimering och sandwichdesign 6.0 Avancerad nivå SD2724 Mindre

In order for a N5TeAM student to receive double degrees from both the home and host university, all courses in the individual study plan must be passed and the degree project must

SD2229 Projektkurs i fordonsdynamik del 1 7.5 Avancerad nivå Villkorligt valfria kurser. Kurskod Kursnamn

To begin the thesis project, a student must have completed at least 60 university credits of the total course work of which at least four of the six compulsory courses in the

In order to be admitted to the Molecular Science and Engineering programme, a Bachelor's degree in Chemistry or closely related subject, of 180 credits, including following