University College London (UCL)

Sains Data MSc

Pengajaran dan pembelajaran

Kaedah utama untuk menyampaikan maklumat dan merangsang minat adalah melalui kuliah, yang memberikan anda asas pengetahuan formal yang daripadanya pemahaman anda boleh dikembangkan. Pemahaman tentang bahan kuliah diperkukuh dengan kelas masalah, bengkel komputer dan tutorial berkumpulan, serta pembelajaran kendiri. Pembelajaran berbantukan rakan sebaya, perbincangan dengan pelajar lain dan perbincangan individu dengan kakitangan juga menyokong proses pembelajaran.

Walaupun kuliah menyediakan kenderaan utama untuk mengumpul asas pengetahuan, kemahiran intelektual, akademik dan penyelidikan anda akan dibangunkan terutamanya di luar panggung kuliah, contohnya, dengan menangani dan membincangkan masalah yang ditetapkan secara tetap (biasanya setiap minggu). Sesetengah kerja kursus memerlukan anda mengembangkan pemikiran anda di luar pembelajaran hafalan dan menghubungkan idea antara modul yang berbeza. Anda akan digalakkan untuk membuat alasan secara terbuka melalui perbincangan tentang masalah yang ditetapkan dalam tutorial. Untuk sesetengah modul, bengkel membolehkan anda menyelesaikan masalah secara individu atau berkumpulan, dengan tenaga pengajar/pembantu hadir untuk memberi bantuan. Kakitangan pengajar juga mengadakan "waktu pejabat" tetap di mana anda dialu-alukan untuk datang dan bertanya soalan tentang bahan tersebut dan mendapatkan bantuan dan maklum balas individu (satu-sama-satu).

Kemahiran praktikal dan boleh dipindahkan dibangunkan dengan penyediaan peluang untuk pengalaman praktikal melalui bengkel dan projek biasa. Demonstrasi dan latihan analisis data merupakan komponen penting dalam modul teras dan kebanyakan tuisyen untuk pengkomputeran statistik berlaku dalam bengkel komputer, yang akan membolehkan anda belajar melalui penyertaan aktif. Bengkel tambahan yang dijalankan semasa terma pengajaran menyediakan persediaan untuk projek penyelidikan musim panas dan meliputi komunikasi statistik, contohnya, pembentangan graf dan jadual statistik. Penyelia projek akan memberikan panduan tentang cara mengurus tugas lanjutan dengan berkesan dan anda digalakkan untuk memantau amalan kerja anda sendiri menggunakan soal selidik penilaian kendiri, serta memantau kemajuan anda sendiri dengan menanda sendiri kerja kursus yang tidak dinilai.

Semua penilaian sumatif dianjurkan pada peringkat modular semasa tahun akademik di mana modul tersebut diambil. Kebanyakan modul Sains Statistik dan Sains Komputer menggunakan gabungan peperiksaan bertulis dan kerja kursus akhir tahun untuk menilai pengetahuan khusus subjek dan kemahiran akademik anda, walaupun beberapa modul sepenuhnya berasaskan kerja kursus. Kerja projek analisis data selanjutnya menilai kemahiran intelek, akademik dan penyelidikan anda melalui laporan bertulis yang diproses perkataan dan, dalam kes projek penyelidikan musim panas, pembentangan lisan.

Kerja kursus direka untuk menggalakkan anda mengembangkan pengetahuan dan kemahiran anda semasa setiap modul diteruskan. Walaupun tidak semua kerja kursus menyumbang kepada penilaian formal, ia akan memberi anda peluang untuk menunjukkan kemahiran intelek dan praktikal anda dalam respons bertulis kepada helaian masalah dan dalam respons lisan semasa tutorial, dengan maklum balas terutamanya disampaikan melalui tutorial/kelas masalah/bengkel, dan secara individu atas permintaan.

Secara purata, seorang pelajar dijangka menghabiskan 150 jam belajar untuk setiap modul 15 kredit. Ini termasuk masa mengajar, pengajian persendirian dan kerja kursus. Modul biasanya diajar dalam sesi dua jam mingguan selama 10 minggu setiap penggal.

Untuk pelajar sepenuh masa, waktu hubungan biasa adalah sekitar 12 jam seminggu. Di luar kuliah, seminar, bengkel dan tutorial, pelajar sepenuh masa biasanya belajar setara dengan pekerjaan sepenuh masa, menggunakan baki masa mereka untuk belajar kendiri dan menyiapkan tugasan kerja kursus.

Dalam penggal satu dan dua, pelajar sepenuh masa biasanya boleh menjangkakan antara 10 dan 12 jam hubungan setiap minggu pengajaran melalui campuran kuliah, seminar, bengkel, kritikan dan tutorial. Dalam penggal tiga dan musim panas pelajar akan menyelesaikan projek penyelidikan mereka sendiri, mengekalkan hubungan tetap dengan penyelia mereka.

Modul

Penuh waktu

Metodologi teras disampaikan melalui modul asas (untuk menyemak semula konsep asas dalam kebarangkalian dan statistik) dan modul wajib selanjutnya, dan digambarkan dengan pelbagai aplikasi. Teknik pengaturcaraan diperkenalkan dalam modul teras untuk membolehkan pelajar mengekod kaedah statistik mereka sendiri. Pelajar kemudiannya boleh memberi penekanan khusus pada bidang minat permohonan mereka dengan pilihan modul pilihan yang sesuai.

Projek penyelidikan adalah penyatuan komponen yang diajar MSc. Pelajar biasanya akan menganalisis dan mentafsir data daripada masalah sebenar yang kompleks, menawarkan peluang untuk menghasilkan penyelesaian yang berdaya maju. Topik projek boleh dipilih daripada senarai jabatan, atau pelajar boleh membuat cadangan mereka sendiri. Senarai itu biasanya termasuk beberapa projek kerjasama yang tersedia dengan rakan kongsi industri.

Paruh waktu

Program ini juga ditawarkan secara sambilan selama dua tahun. Modul yang diajar dibahagikan antara tahun pertama dan kedua, tetapi dalam setiap tahun, kelas untuk modul tertentu adalah sama yang dihadiri oleh pelajar sepenuh masa (iaitu masa pengajaran khas tidak ditawarkan untuk program separuh masa).

Modul asas diambil pada awal tahun pertama. Adalah disyorkan bahawa pelajar juga mengambil modul wajib Pengenalan kepada Sains Data Statistik (STAT0032) pada tahun pertama, dan prasyarat modul perlu dipenuhi, tetapi sebaliknya, terdapat beberapa kelonggaran dalam susunan bahawa modul yang diajar yang selebihnya boleh dipelajari. Pelajar sambilan menghantar projek mereka pada akhir tahun kedua. Adalah mungkin untuk mengatur dengan penyelia projek untuk mula mengusahakan projek itu lebih awal daripada pelajar sepenuh masa, tetapi pelajar separuh masa tidak berhak mendapat jumlah penyeliaan yang lebih tinggi secara keseluruhan.

• Modul wajib
• Pengenalan kepada Pembelajaran Mesin
• Foundation Dua Minggu
• Reka Bentuk Penyiasatan Statistik
• Pengkomputeran Statistik
• Pengenalan kepada Sains Data Statistik
• Projek penyelidikan
• Modul pilihan
• Sistem Stokastik
• Ramalan
• Keputusan dan Risiko
• Kaedah Stochastic dalam Kewangan
• Kaedah Stokastik dalam Kewangan II
• Pemodelan Kuantitatif Risiko Operasi dan Analitis Insurans
• Kaedah Bayesian Gunaan
• Inferens pada Skala
• Model Grafik
• Pembelajaran Mesin Gunaan
• Pencarian Maklumat dan Perlombongan Data
• Pemprosesan Bahasa Semula Jadi Statistik
• Pemelajaran Deep Applied

Sila ambil perhatian bahawa senarai modul yang diberikan di sini adalah petunjuk. Maklumat ini diterbitkan lama sebelum pendaftaran dan kandungan modul serta ketersediaan tertakluk kepada perubahan.

Pelajar menjalankan modul dengan nilai 180 kredit. Setelah berjaya menyelesaikan 180 kredit, anda akan dianugerahkan MSc dalam Sains Data.

Apa yang kursus ini akan berikan kepada anda

• Sains Statistik UCL mempunyai pelbagai minat penyelidikan yang luas, tetapi mempunyai kekuatan khusus dalam bidang statistik pengiraan dan dalam antara muka antara statistik dan sains komputer.
• Pusat Perangkaan Pengiraan dan Pembelajaran Mesin UCL , di mana ramai ahli jabatan aktif, mempunyai program seminar, kelas induk dan acara lain.
• UCL ialah salah seorang ahli pengasas Institut Alan Turing, dan kedua-dua Sains Statistik UCL dan Sains Komputer UCL akan memainkan peranan utama dalam pembangunan baharu yang menarik ini yang akan menjadikan London tumpuan utama untuk penyelidikan data besar.
• Kedudukan ke-5 di UK oleh QS World University Rankings mengikut Subjek 2024 untuk Statistik dan Penyelidikan Operasi, kami menawarkan anda pendidikan yang cemerlang dengan standard pengajaran yang tinggi.

Asas kerjaya anda

Profesional sains data mungkin semakin dicari kerana penyepaduan alat analisis statistik dan pengiraan menjadi penting dalam semua jenis organisasi dan perusahaan. Pemahaman yang menyeluruh tentang asas-asas adalah diharapkan daripada pengamal terbaik. Sebagai contoh, dalam aplikasi dalam pemasaran, industri penjagaan kesihatan dan perbankan, kemahiran pengiraan harus disertakan dengan kepakaran statistik di peringkat siswazah. Saintis data memerlukan pengetahuan latar belakang yang luas supaya mereka dapat menyesuaikan diri dengan cabaran yang berkembang pesat.

Kebolehkerjaan
Graduan dari Sains Statistik UCL biasanya memasuki pekerjaan profesional merentasi pelbagai sektor industri atau melanjutkan pengajian akademik lanjut.

Bidang pekerjaan termasuk IT, Teknologi dan Telekom, serta Perakaunan dan Perkhidmatan Kewangan dengan graduan memperoleh jawatan dengan pelbagai majikan termasuk Deloitte dan Huawei.

Rangkaian
Jabatan ini menawarkan kepakaran bertaraf dunia bersama-sama dengan pautan yang kuat kepada pengamal, dan kedudukannya dalam UCL menyediakan pelajar dengan keluasan pengetahuan (contohnya Institut UCL untuk Sains Matematik dan Statistik, Pusat UCL untuk Statistik Pengiraan dan Pembelajaran Mesin dan Institut Alan Turing). Ahli kakitangan juga bekerjasama secara langsung dengan hospital, syarikat kuasa, pengawal selia kerajaan dan sektor kewangan. Akibatnya, pelajar pasca siswazah mempunyai peluang untuk melibatkan diri dengan institusi luar. Terdapat kemungkinan organisasi luar menyampaikan syarahan dan seminar teknikal manakala senarai projek penyelidikan MS biasanya termasuk beberapa projek kerjasama dengan syarikat farmaseutikal dan rakan kongsi industri yang lain.

Akreditasi
Program MSc ini diakreditasi oleh Royal Statistical Society. Tempoh akreditasi semasa meliputi pelajar yang pertama kali mendaftar antara September 2023 dan September 2028.