Applied Data Science, master i teknologi/siv.ing., deltid
Dette er studieprogrambeskrivelsen for studieåret 2022-2023
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
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 masterprogrammet i Applied Data Science, deltid over 4 år, 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 bachelor-studiet, tekniske spesialiseringsemner, valgemner og masteroppgaven. Masterstudiet i Applied Data Science, deltid over 4 år, 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.
Dette deltidsstudiet kan tas i kombinasjon med jobb eller andre aktiviteter for de som bor i regionen og kan følge undervisningsopplegget som gis. Man tar emner sammen med fulltidsstudenter som gjør dette på to år, men færre emner per semester fordelt på fire år. Deltidsstudiet foregår på dagtid og de fleste emnet baserer seg på laboratoriearbeid og prosjektarbeid i grupper med obligatorisk oppmøte. Forelesninger streames som regel ikke, men bøker og andre materialer dekker pensum. Du må regne med at du trenger 1-2 dager per uke (avhengig av semester) for å følge obligatoriske aktiviteter.
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, i.a.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?
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
-
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
-
STA510: Statistisk modellering og simulering
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
-
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
-
DAT540: Introduksjon til datavitenskap
Første år, semester 1
-
STA510: Statistisk modellering og simulering
Første år, semester 1
-
DAT220: Databaser
Første år, semester 2
-
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
-