Data Science - master i teknologi/siv.ing., deltid
Dette er studieprogrambeskrivelsen for studieåret 2023-2024
Vekting (stp)
120
Studieprogramkode
M-APPDAT-D
Studienivå
Mastergrad iht §3, 2 år
Fører til grad
Master of Science
Heltid/deltid
Deltid
Varighet
8 Semestre
Grunnstudium
Nei
Undervisningsspråk
Engelsk
Læringsutbytte
Etter fullført toårig mastergrad i Data Science skal kandidaten ha følgende samlede læringsutbytte, definert i form av kunnskap, ferdigheter og generell kompetanse:
Kunnskap
K1: Avansert kunnskap innen Data Science, som inkluderer databehandling, maskinlæring, datautvinning, statistikk og typiske programmeringsspråk for området, inkludert: Python and R.
K2: Spesialisert innsikt i dataanalyse.
K3: Dyp kunnskap om vitenskapelig teori og metoder i Data Science.
K4: Anvende kunnskap om algoritmer for statistisk analyse, maskinlæring eller datautvinning på nye områder innen datavitenskap.
K5: Analyser faglige problemstillinger basert på det fjerde vitenskapsparadigmet, 4Vs av store data (volum, hastighet, variasjon og variasjon), datadrevet tilnærming, CRISP-DM (standardprosess for datautvinning på tvers av industrien).
Ferdigheter
S1: Analysere og forholde seg kritisk til ulike informasjonskilder, datasett og dataprosesser; og anvende disse for å strukturere og formulere slutninger basert på dataene.
S2: Analysere eksisterende teorier, metoder og tolkninger innenfor fagområdet og arbeide selvstendig med å anvende og vurdere ulike lagrings- og databehandlingsteknologier.
S3: Bruk CRISP-DM og vitenskapelige metoder for å utvikle dataanalyseprogrammer på en uavhengig måte.
S4: Gjennomføre uavhengig, begrenset datainnsamling, analyse og evaluering i henhold til etablerte designprinsipper i samsvar med gjeldende forskningsetiske standarder.
Generell kompetanse
G1: Analysere relevante etiske problemer som oppstår gjennom databruk og datagjenoppretting.
G2: Bruke sine kunnskaper og ferdigheter på nye områder for å utføre avanserte oppgaver og prosjekter knyttet til databehandling, dataanalyse og optimalisering.
G3: Formidle resultater av omfattende dataanalyse og utviklingsarbeid, og beherske datavitenskapelige uttrykk.
G4: Kommunisere om faglige problemstillinger, analyser og konklusjoner innenfor fagområdet, både med spesialister og til allmennheten.
G5: Bidra til nye ideer og innovasjonsprosesser ved å introdusere datadrevne tilnærminger, omfattende dataanalyse og utviklingsarbeid, og mestre datavitenskapelige uttrykk.
Hva kan du bli?
Med en mastergrad i datavitenskap kan du få en stilling i nesten alle bransjer. Noen eksempler på virksomheter hvor du kan finne arbeid er IT-konsulentselskaper, virksomheter innen telekommunikasjon, energirelaterte virksomheter, sykehus og andre offentlige etater. Spesialisering i Data Science gir grunnlag for arbeid med dataanalyse og utvikling av databehandlingssystemer for hele datalivssyklusen. Det bygger kunnskap og ferdigheter innen avansert statistikk, datautvinning, maskinlæring og prosessering av store datavolumer.
Studieplan og emner
Oppstartssemester:
-
Obligatoriske emner
-
APPMAS: Masteroppgave i Applied Data Science
Fjerde år, semester 7
-
-
Velg to emner 7. semester
-
DAT510: Sikkerhet og sårbarhet i nettverk
Fjerde år, semester 7
-
DAT620: Prosjekt i datateknologi
Fjerde år, semester 7
-
DAT640: Informasjonsgjenfinning og tekstutvinning
Fjerde år, semester 7
-
STA530: Statistisk læring
Fjerde år, semester 7
-
-
Obligatoriske emner
-
DAT550: Datautvinning og dyplæring
Tredje år, semester 6
-
APPMAS: Masteroppgave i Applied Data Science
Fjerde år, semester 7
-
-
Velg ett emne 5. semester
-
DAT530: Diskret simulering og ytelsesanalyse
Tredje år, semester 5
-
STA500: Sannsynlighetsregning og statistikk 2
Tredje år, semester 5
-
-
Velg to emner 7. semester
-
DAT510: Sikkerhet og sårbarhet i nettverk
Fjerde år, semester 7
-
DAT620: Prosjekt i datateknologi
Fjerde år, semester 7
-
DAT640: Informasjonsgjenfinning og tekstutvinning
Fjerde år, semester 7
-
ELE510: Bildebehandling og maskinsyn
Fjerde år, semester 7
-
STA530: Statistisk læring
Fjerde år, semester 7
-
-
Obligatoriske emner
-
MOD510: Modeling and Computational Engineering
Andre år, semester 3
-
ELE520: Maskinlæring
Andre år, semester 4
-
DAT550: Datautvinning og dyplæring
Tredje år, semester 6
-
APPMAS: Masteroppgave i Applied Data Science
Fjerde år, semester 7
-
-
Velg ett emne 5. semester
-
DAT530: Diskret simulering og ytelsesanalyse
Tredje år, semester 5
-
STA500: Sannsynlighetsregning og statistikk 2
Tredje år, semester 5
-
-
Velg to emner 7. semester
-
DAT510: Sikkerhet og sårbarhet i nettverk
Fjerde år, semester 7
-
DAT620: Prosjekt i datateknologi
Fjerde år, semester 7
-
DAT640: Informasjonsgjenfinning og tekstutvinning
Fjerde år, semester 7
-
ELE510: Bildebehandling og maskinsyn
Fjerde år, semester 7
-
STA530: Statistisk læring
Fjerde år, semester 7
-
-
Obligatoriske emner
-
DAT515: Nettskyteknologier
Første år, semester 1
-
DAT540: Introduksjon til datavitenskap
Første år, semester 1
-
DAT600: Algoritmeteori
Første år, semester 2
-
DAT535: Data-intensive Systems and Algorithms
Andre år, semester 3
-
STA510: Statistisk modellering og simulering
Andre år, semester 3
-
ELE520: Maskinlæring
Andre år, semester 4
-
DAT550: Datautvinning og dyplæring
Tredje år, semester 6
-
DASMAS: Masteroppgave i Data Science
Fjerde år, semester 7
-
-
5. eller 7. semester ved UiS eller utveksling
-
Emner ved UiS 5. og 7. semester
-
Anbefalte valgemner 5. og 7. semester
-
DAT530: Diskret simulering og ytelsesanalyse
Tredje år, semester 5
-
DAT640: Informasjonsgjenfinning og tekstutvinning
Tredje år, semester 5
-
STA500: Sannsynlighetsregning og statistikk 2
Tredje år, semester 5
-
STA530: Statistisk læring
Tredje år, semester 5
-
-
Andre valgemner 5. og 7. semester
-
DAT605: Reinforcement Learning
Tredje år, semester 5
-
DAT620: Prosjekt i datateknologi
Tredje år, semester 5
-
ELE680: Dype nevrale nett
Tredje år, semester 5
-
-
-
Utveksling 5. eller 7. semester
-
Utveksling 5. eller 7. semester
-
-