Applied Data Science, master i teknologi/siv.ing.
Dette er studieprogrambeskrivelsen for studieåret 2022-2023
Vekting (Sp)
120
Studieprogramkode
M-APPDAT
Studienivå
Mastergrad iht §3, 2 år
Fører til grad
Master of Science
Heltid/deltid
Heltid
Varighet
4 Semestre
Grunnstudium
Nei
Undervisningsspråk
Engelsk
En mastergrad i Applied Data Science gjør deg kvalifisert for de mest krevende og interessante
arbeidsoppgavene innenfor data analyse, smarte løsninger (som for eksempler i smarte byer, smart energi) og digitalisering.
Studiets innhold, oppbygging og sammensetning
Etter at studenten har fått opptak til det toårige masterprogrammet i Applied Data Science må studenten ta en test i programmering og systemadministrasjon. Dersom studenten får ikke bestått på testen, vil UiS tilby og oppfordre studenten til å gjennomføre et forberedende sommerkurs i programmering og systemadministrasjon. Formålet med kurset er at studentene skal bli best mulig forberedt til masterprogrammet. Kurset finner sted tidlig i august før ordinær semesterstart.
Universitetet i Stavanger anser det ikke nødvendig å tilby sommerkurs for de studenter som allerede har bestått følgende emner ved Universitetet i Stavanger:
- 10 studiepoeng i programmering og minst 5 studiepoeng i operativsystemer
Studiet inneholder metodeemner som skal utdype og videreføre det matematisk-naturvitenskaplige grunnlaget fra bachelorstudiet, tekniske spesialiseringsemner, valgemner og masteroppgaven. Det toårige masterstudiet i Applied Data Science gir 120 studiepoeng.
Studiet har metodeemner som bygger videre på matematikk, statistikk og grunnleggende programmering fra bachelorstudiet i ingeniør eller realfag. Studiet inneholder videregående statistikkemner og algoritmeemner, maskinlæring og databaser. Studiet ha fordypning i informasjonsgjenfinning, datautvinning og ytterligere fordypning i statistikk.
Læringsutbytte
En kandidat med fullført og bestått 2-årig mastergrad i Applied Data Science skal ha følgende samlede læringsutbytte definert i form av kunnskap, ferdigheter og generell kompetanse:
Kunnskap
K1: Avansert kunnskap innenfor data science, som omfatter databehandling, stordata, maskinlæring, datautvinning, statistikk og typiske programmeringsspråk for området, Python og R.
K2: Spesialisert innsikt i data analyse.
K3: Inngående kunnskap om vitenskapelige teori og metoder i data science.
K4: Anvende kunnskap om algoritmer for statistisk analyse, maskinlæring eller datautvinning på nye områder innenfor data science.
K5: Analysere faglige problemstillinger med utgangspunkt i fjerde vitenskapens paradigme, 4Vene av stordata (volum, velositet, variasjon, variabilitet), data-drevet tilnærming, CRISP-DM (cross-industry standard process for data mining)
Ferdigheter
F1: Analysere og forholde seg kritisk til ulike informasjonskilder, datasett og dataprosesser; og anvende disse til å strukturere og formulere data-drevet resonnement.
F2: Analysere eksisterende teorier, metoder og fortolkninger innenfor fagområdet og arbeide selvstendig med å anvende og evaluere ulike lagrings- og databehandlingsteknologier.
F3: Bruke CRISP-DM og vitenskapelige metoder for å utvikle dataanalyseprogrammer på en selvstendig måte.
F4: Gjennomføre en selvstendig, avgrenset datainnsamling, analyse og evaluering etter etablerte ingeniørprinsipper i tråd med gjeldende forskningsetiske normer.
Generell kompetanse
G1: Analysere relevante etiske problemstillinger som følger av bruk av data og datautvinning.
G2: Anvende sine kunnskaper og ferdigheter på nye områder for å gjennomføre avanserte arbeidsoppgaver og prosjekter relatert til databehandling, dataanalyse og optimalisering.
G3: Formidle resultater av omfattende dataanalyse og utviklingsarbeid, og beherske Data Science-uttrykksformer.
G4: Kommunisere om problemstillinger, analyser og konklusjoner relatert til data-drevet forskning og utvikling, både med spesialister og til allmennheten.
G5: Bidra til nytenking og i innovasjonsprosesser ved å innføre data-drevet tilnærming.
Hva kan du bli?
Med en mastergrad i Applied Data Science er du etterspurt i nærmest alle bransjer, og dette studiet åpner for mange ulike typer jobber. Du kan jobbe i et IT-konsulentselskap, telekommunikasjonsbedrift, energibedrift, helseforetak, i annen offentlig sektor eller i en teknologiutviklingsbedrift som krever kunnskap og innsikt i håndtering og analyse av store datasett. Studiet er svært ettertraktet i framtidens arbeidsmarked, med utvikling av smarte løsninger som for eksempel i smarte byer, med smart energi og digitalisering.
Fullført mastergrad i Applied Data Science gir grunnlag for opptak på PhD-studier innen informasjonsteknologi, matematikk og fysikk.
Emneevaluering
Ordninger for kvalitetssikring og evaluering av studier er fastsatt i kvalitetssystem for utdanning.
Studieplan og emner
Oppstartssemester:
-
Obligatoriske emner
-
APPMAS: Masteroppgave i Applied Data Science
Andre år, semester 3
-
-
3. semester ved UiS eller utveksling
-
Emner ved UiS 3. semester
-
Anbefalte valgemner 3. semester
-
DAT530: Diskret simulering og ytelsesanalyse
Andre år, semester 3
-
DAT640: Informasjonsgjenfinning og tekstutvinning
Andre år, semester 3
-
STA500: Sannsynlighetsregning og statistikk 2
Andre år, semester 3
-
STA530: Statistisk læring
Andre år, semester 3
-
-
Andre valgemner 3. semester
-
DAT510: Sikkerhet og sårbarhet i nettverk
Andre år, semester 3
-
DAT620: Prosjekt i datateknologi
Andre år, semester 3
-
ELE510: Bildebehandling og maskinsyn
Andre år, semester 3
-
ELE680: Dype nevrale nett
Andre år, semester 3
-
-
-
Utveksling 3. semester
-
3. semester utveksling
-
-
-
Obligatoriske emner
-
DAT540: Introduksjon til datavitenskap
Første år, semester 1
-
MOD510: Modeling and Computational Engineering
Første år, semester 1
-
STA510: Statistisk modellering og simulering
Første år, semester 1
-
DAT220: Databaser
Første år, semester 2
-
DAT550: Datautvinning og dyplæring
Første år, semester 2
-
ELE520: Maskinlæring
Første år, semester 2
-
APPMAS: Masteroppgave i Applied Data Science
Andre år, semester 3
-
-
3. semester ved UiS eller utveksling
-
Emner ved UiS 3. semester
-
Anbefalte valgemner 3. semester
-
DAT530: Diskret simulering og ytelsesanalyse
Andre år, semester 3
-
DAT640: Informasjonsgjenfinning og tekstutvinning
Andre år, semester 3
-
STA500: Sannsynlighetsregning og statistikk 2
Andre år, semester 3
-
STA530: Statistisk læring
Andre år, semester 3
-
-
Andre valgemner 3. semester
-
DAT510: Sikkerhet og sårbarhet i nettverk
Andre år, semester 3
-
DAT620: Prosjekt i datateknologi
Andre år, semester 3
-
ELE510: Bildebehandling og maskinsyn
Andre år, semester 3
-
ELE680: Dype nevrale nett
Andre år, semester 3
-
-
-
Utveksling 3. semester
-
3. semester utveksling
-
-