Data Science - master i teknologi

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. En prosjektrapport skal leveres inn etter kurset er ferdig. Formålet med kurset er at studentene skal bli best mulig forberedt til masterprogrammet.

Sommerkurset holdes sommeren før oppstart på masterprogrammet i Applied Data Science og består av to deler, hvorav en del er nettbasert og en del på campus. Mer informasjon om sommerkurset, inkludert timeplan, vil bli tilgjengelig på universitetets nettsider i januar 2019.

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

All undervisning foregår på engelsk. Studiet inneholder metodeemner som skal utdype og videreføre det matematisk-naturvitenskaplige grunnlaget fra bachelor-studiet, 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, 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 resonnementer.

F2: Analysere eksisterende teorier, metoder og fortolkninger innenfor fagområdet og arbeide selvstendig med å anvende og evaluerer ulike lagrings- og databehandlingsteknologier.

F3: Bruke CRISP-DM og vitenskapelige metoder for å utvikle dataanalyseprogrammer på en selvstendig måte.

F4: Gjennomføre et 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 omfattende selvstendig dataanalyse og utvikling arbeid og behersker 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?

Emneevaluering