Utbildningsplan för Applied Data Science masterprogram, 120 högskolepoäng

Transkript

1

2

3 IT-FAKULTETEN Dnr G 2016/183 Utbildningsplan för Applied Data Science masterprogram, 120 högskolepoäng Applied Data Science, Master s programme 120 credits Avancerad nivå/n2ads 1. Fastställande Utbildningsplanen är fastställd av fakultetsstyrelsen för IT-fakulteten Denna utbildningsplan gäller från och med (höstterminen 2017). Institutionen för data- och informationsteknik ansvarar för utbildningsprogrammet. 2. Utbildningsprogrammets syfte Masterprogrammet Applied Data Science vänder sig till studenter från ett brett spektrum av ämnesområden och syftar till att ge specialistkompetens för behandling och analys av stora datamängder (Data Science). Programmet riktar sig till studenter som planerar för en specialistkarriär i Data Science inom industri eller akademisk forskning. Utbildningen ger en detaljerad förståelse för datavetenskapliga och statistiska metoder och kunskap om hur dessa metoder kan användas i olika tillämpningsområden. Studenterna får en bred överblick över relevanta tekniker och teknologier inom Data Science och en förförståelse för när och hur dessa kan tillämpas. I utbildningen tillägnar sig studenterna även praktiska färdigheter runt tillämpningen, samt får ta del av de etiska aspekter som är aktuella när det gäller att hantera storskaliga datamängder. För behörighet till masterprogrammet krävs vissa förkunskaper i programmering, eftersom denna kompetens är grundläggande för utbildningen. 3. Examen som utbildningsprogrammet leder till Efter fullbordat program om 120 hp, varav 67,5 hp med fördjupning inom huvudområdet Data Science utfärdas på begäran av studenten ett examensbevis med benämningen filosofie masterexamen med 1 (7)

4 huvudområdet Data Science. För masterexamen ska studenten inom ramen för kursfordringarna ha fullgjort ett självständigt arbete (examensarbete) omfattande minst 30 hp inom huvudområdet. 4. Huvudområde för utbildningen Utbildningens huvudområde är Data Science. Ansvarig institution är institutionen för data- och informationsteknik. 5. Mål Utbildning på avancerad nivå ska väsentligen bygga på de kunskaper som studenterna får inom utbildning på grundnivå eller motsvarande kunskaper. Utbildning på avancerad nivå skall innebära fördjupning av kunskaper, färdigheter och förmågor i förhållande till utbildning på grundnivå och ska, utöver vad som gäller för utbildning på grundnivå, ytterligare utveckla studenternas förmåga att självständigt integrera och använda kunskaper, utveckla studenternas förmåga att hantera komplexa företeelser, frågeställningar och situationer, och utveckla studenternas förutsättningar för yrkesverksamhet som ställer stora krav på självständighet eller för forsknings- och utvecklingsarbete. (Högskolelagen (SFS 2006:173), 1 kap, 9) Mål för masterexamen enligt högskoleförordningen Kunskap och förståelse För masterexamen ska studenten visa kunskap och förståelse inom huvudområdet för utbildningen, inbegripet såväl brett kunnande inom området som väsentligt fördjupade kunskaper inom vissa delar av området samt fördjupad insikt i aktuellt forsknings- och utvecklingsarbete, och visa fördjupad metodkunskap inom huvudområdet för utbildningen. Färdighet och förmåga För masterexamen ska studenten visa förmåga att kritiskt och systematiskt integrera kunskap och att analysera, bedöma och hantera komplexa företeelser, frågeställningar och situationer även med begränsad information, visa förmåga att kritiskt, självständigt och kreativt identifiera och formulera frågeställningar, att planera och med adekvata metoder genomföra kvalificerade uppgifter inom givna tidsramar och därigenom bidra till kunskapsutvecklingen samt att utvärdera detta arbete, visa förmåga att i såväl nationella som internationella sammanhang muntligt och skriftligt klart redogöra för och diskutera sina slutsatser och den kunskap och de argument som ligger till grund för dessa i dialog med olika grupper, och 2 (7)

5 visa sådan färdighet som fordras för att delta i forsknings- och utvecklingsarbete eller för att självständigt arbeta i annan kvalificerad verksamhet. Värderingsförmåga och förhållningssätt För masterexamen ska studenten visa förmåga att inom huvudområdet för utbildningen göra bedömningar med hänsyn till relevanta vetenskapliga, samhälleliga och etiska aspekter samt visa medvetenhet om etiska aspekter på forsknings- och utvecklingsarbete, visa insikt om vetenskapens möjligheter och begränsningar, dess roll i samhället och människors ansvar för hur den används, och visa förmåga att identifiera sitt behov av ytterligare kunskap och att ta ansvar för sin kunskapsutveckling. (Högskoleförordningen, examensordning, bilaga 2) 5.2. Lokala mål Kunskap och förståelse För att erhålla masterexamen inom huvudområdet Data Science ska studenten kunna beskriva och jämföra olika tekniker för analys, modellering och hantering av data. Färdighet och förmåga För att erhålla masterexamen inom huvudområdet Data Science ska studenten kunna använda verktyg och teknologier för att analysera, modellera och hantera data, kunna tillämpa metoder inom data science för att lösa problem i ett antal olika tillämpningsområden, och självständigt, och i samarbete med andra, kunna undersöka och göra relevanta observationer baserat på metoder inom data science. Värderingsförmåga och förhållningssätt För att erhålla masterexamen inom huvudområdet Data Science ska studenten kunna diskutera fördelar och nackdelar med olika tekniker och teknologier för analys, modellering och hantering av data, kunna avgöra hur olika metoder inom data science kan tillämpas i olika situationer, och utifrån etiska aspekter kunna bedöma och argumentera för val av olika tillämpningar. 3 (7)

6 6. Utbildningsprogrammets huvudsakliga innehåll och upplägg Utbildningen består av kurser inom Data Science och angränsande ämnen. Programmet omfattar totalt 120 hp. Av dessa är 67,5 hp obligatoriska kurser inom huvudområdet Data Science, varav 30 hp självständigt arbete (examensarbete) ingår. Kurserna är progressivt ordnade så att de inom ramen för examensmålen bidrar till att var för sig och tillsammans utveckla studentens kompetens och förmåga inom ämnesområdet. Utbildningen ges på helfart. Ett läsår är indelat i två terminer och fyra studieperioder. En termin omfattar två studieperioder om vardera 15 hp. I varje studieperiod läser studenten normalt två kurser parallellt. Utbildningen bedrivs i form av föreläsningar, seminarier, lärarledda övningar, laborationer och handledning samt projekt där studenterna tillämpar och fördjupar sina kunskaper. Undervisningsspråk är engelska. Studiegång Följande obligatoriska kurser på avancerad nivå ingår i huvudområdet Data Science 1 : Introduction to Data Science, 7,5 hp Thinking and Working Mathematically, 7,5 hp Statistical Methods for Applied Data Science, 7,5 hp Applied Machine Learning, 7,5 hp Techniques for Large-scale Data, 7,5 hp Master s Thesis in Data Science, 30 hp Utöver ovanstående obligatoriska kurser på avancerad nivå ska studenterna läsa kursen Databaser (DIT620). Kursen, som ges på grundnivå och ingår i huvudområdet Data Science. Normalt läses denna kurs under läsperiod 2, men kan väljas under läsperiod 3 beroende på studentens val av valfria kurser. Studenterna har möjligheten att läsa valfria kurser på avancerad nivå utanför programmet. Behörighetskrav för valfria kurser måste uppfyllas. Följande valfria kurser ingår i huvudområdet Data Science: Research Methods for Data Science, 7,5 hp Research Mini-project in Data Science, 7,5 hp Kursen Research Mini-project kan läsas under alla läsperioder. Andra året innehåller ett innehåller ett självständigt arbete (examensarbete) om 30 hp. Beroende på hur student väljer att läsa valfria kurser kan examensarbetet utföras antingen på helfart under läsperioderna 3 och 4, eller på halvfart under läsperioderna 2 och 3, och därefter helfart under läsperiod 4. 1 Av de kurser som anges som obligatoriska är många kursplaner preliminära och kommer att fastställas efter hand som programmet fortlöper. 4 (7)

7 Följande scheman visa ordinarie studiegång och ingående obligatoriska valfria kurser fördelade över årets fyra läsperioder. De två varianterna för år 2 visas var för sig. Tabell 1. Följande schema visar studiegången under år 1. År 1 Läsperiod 1 Läsperiod 2 Läsperiod 3 Läsperiod 4 Introduction to Data Science 7,5 hp Statistical Methods for Applied Data Science 7,5 hp Applied Machine Learning 7,5 hp Techniques for Largescale Data 7,5 hp Thinking and Working Mathematically 7,5 hp Databases 7,5 hp eller valfri kurs Databases 7,5 hp eller valfri kurs valfri kurs Tabell 2. Följande schema visar studiegången under år 2. År 2 Läsperiod 1 Läsperiod 2 Läsperiod 3 Läsperiod 4 Research Methods for Data Science 7.5 hp valfri kurs Master's Thesis in Data Science 30 hp valfri kurs valfri kurs 5 (7)

8 Tabell 3. Följande schema visar en alternativ studiegång under år 2. År 2 Läsperiod 1 Läsperiod 2 Läsperiod 3 Läsperiod 4 Research Methods for Data Science 7.5 hp Master's Thesis in Data Science 30 hp valfri kurs valfri kurs valfri kurs 7. Förkunskapskrav Kandidatexamen 180 hp inklusive examensarbete (självständigt arbete) om minst 15 hp eller motsvarande relevanta för studier i Data Science, antingen som en grund för metoder inom Data Science eller som ett område där metoder inom Data Science kan tillämpas. Minst 15 hp programmering eller motsvarande. Engelska 6/ Engelska B eller motsvarande. Särskilda förkunskapskrav för tillträde till kurs inom program Inom programmet gäller särskilda förkunskapskrav för tillträde till kurs. Dessa förkunskapskrav är dokumenterade i respektive kursplan och anger vilka förkunskapskrav som anses nödvändiga för att student ska få registreras på en kurs inom programmet. Urval Urval sker i enlighet med högskoleförordningen och Göteborgs universitets antagningsordning för utbildning på grundnivå och avancerad nivå. 8. Platsgaranti Student har platsgaranti på alla obligatoriska och valfria kurser i programmet under förutsättning att förkunskapskraven är uppfyllda och att student ansöker om kurs inom program inom föreskriven ansökningsperiod. För valfria kurser som inte organiseras i anslutning till programmet gäller lokala antagningsordningar och platsgaranti saknas. 6 (7)

9 9. Övrigt Tillgodoräknande av tidigare utbildning Student har i vissa fall rätt att tillgodoräkna tidigare högskolestudier i enlighet med bestämmelserna i högskoleförordningen. Utvärdering Programmets kurser utvärderas efter avslutad kurs enligt respektive kursplan. Resultatet ska användas inför planering och genomförande av kommande kurser och i sammanfattande form delges studenter vid kursstart. 7 (7)

10 IT FACULTY Reference no. G 2016/183 Programme Syllabus for Applied Data Science, Master s programme 120 credits Applied Data Science masterprogram, 120 högskolepoäng Second Cycle/N2ADS 1. Confirmation The syllabus is confirmed by the IT Faculty Board This syllabus is to be valid from (autumn semester 2017). The Department of Computer Science and Engineering is responsible for the study programme. 2. Purpose of the study programme The aim is to provide students with an appropriate background with advanced knowledge in Data Science, enabling them to pursue a specialist career in industry or academic research. It is intended that the Master's programme in Applied Data Science should be accessible to students with a wide range of Bachelor's degrees. Specifically, the programme does not require a Bachelor's degree in Computer Science or closely related subjects; Master's level education in Applied Data Science will be of benefit to students with backgrounds in many different areas who recognise that being able to work effectively with large data sets will be important in their future careers. Some previous programming experience is required, and the programme will build on this. The programme will give students an overview of the techniques and technologies that are relevant to Data Science, an appreciation of when and how these can be used, and practical skills in their application. Learning outcomes include knowledge and skills related to the computational techniques needed to process and analyse large data sets. On the technical side, this includes detailed understanding of relevant computational and statistical methods. It also includes recognising how these methods are applied in different fields, and the challenges of working with large-scale data. 1 (7)

11 3. Higher education qualifications to which the study programme leads After the completion of the programme with 120 credits of which 6 are specialised study in the main field Data Science, on request a degree certificate is issued with the designation Degree of Master of Science (120 credits) with a major in Data Science. For a Degree of Master of Science the student must have accomplished an independent project (degree project) of at least 30 credits within the specialised study in the main field. 4. Main field of study for the programme Main field of study for the programme is Data Science. 5. Learning outcomes Second-cycle courses and study programmes shall be based fundamentally on the knowledge acquired by students during first-cycle courses and study programmes, or its equivalent. Second-cycle courses and study programmes shall involve the acquisition of specialist knowledge, competence and skills in relation to first-cycle courses and study programmes, and in addition to the requirements for first-cycle courses and study programmes shall: further develop the ability of students to integrate and make autonomous use of their knowledge, develop the students' ability to deal with complex phenomena, issues and situations, and develop the students' potential for professional activities that demand considerable autonomy, or for research and development work. (The Swedish Higher Education Act (Ordinance 2006:173), chapter 1, section 9.) 5.1. Learning outcomes for Degree of Master of Science (120 credits) according to the Higher Education Ordinance Knowledge and understanding For a Degree of Master of Science (120 credits) the student shall demonstrate knowledge and understanding in the main field of study, including both broad knowledge of the field and a considerable degree of specialised knowledge in certain areas of the field as well as insight into current research and development work, and demonstrate specialised methodological knowledge in the main field of study. Competence and skills For a Degree of Master of Science (120 credits) the student shall demonstrate the ability to critically and systematically integrate knowledge and analyse, assess and deal with complex phenomena, issues and situations even with limited information, 2 (7)

12 demonstrate the ability to identify and formulate issues critically, autonomously and creatively as well as to plan and, using appropriate methods, undertake advanced tasks within predetermined time frames and so contribute to the formation of knowledge as well as the ability to evaluate this work, demonstrate the ability in speech and writing both nationally and internationally to clearly report and discuss his or her conclusions and the knowledge and arguments on which they are based in dialogue with different audiences, and demonstrate the skills required for participation in research and development work or autonomous employment in some other qualified capacity. Judgement and approach For a Degree of Master of Science (120 credits) the student shall demonstrate the ability to make assessments in the main field of study informed by relevant disciplinary, social and ethical issues and also to demonstrate awareness of ethical aspects of research and development work, demonstrate insight into the possibilities and limitations of research, its role in society and the responsibility of the individual for how it is used, and demonstrate the ability to identify the personal need for further knowledge and take responsibility for his or her ongoing learning. (Higher Education Ordinance, Qualifications Ordinance, Annex 2) 5.2. Local learning outcomes Knowledge and understanding For a Degree of Master of Science (120 credits) with a major in Data Science the student shall describe and compare different techniques for data analysis and management. Competence and skills For a Degree of Master of Science (120 credits) with a major in Data Science the student shall use tools and technologies for data analysis and management, apply data science methods to solving problems in a variety of application areas, and independently, as well as in cooperation with others, investigate and make relevant observations and discoveries based on the methods of data science. Judgement and approach For a Degree of Master of Science (120 credits) with a major in Data Science the student shall discuss advantages and disadvantages of various techniques and technologies for data analysis and management, determine how different data science methods may be applicable in different situations, and 3 (7)

13 construct arguments and discuss the consequences of actions with respect to different ethical frameworks. 6. The main content and structure of the study programme The programme consists of courses in applied Data Science and related subjects. The programme includes a total of 120 credits. Of these are 6 from compulsory courses in the main field of Data Science, including 30 credits independent project (thesis). The courses are progressively arranged so that they, within the framework of learning outcomes, contribute separately and jointly, with developing the student's skills and abilities in the field. The education is given at full time. An academic year is divided into two semesters and four study periods. A semester includes two study periods, each of 15 credits. Students normally attend two courses in parallel in each study period. The education is conducted in the form of lectures, seminars, teacher-led exercises, and tutoring as well as projects in which students apply and deepen their knowledge. The language of tuition is English. Study process The following compulsory second-cycle courses are included in the main field of Data Science 1 : Introduction to Data Science, Thinking and Working Mathematically, Statistical Methods for Applied Data Science, Applied Machine Learning, Techniques for Large-scale Data, Master s Thesis in Data Science, 30 credits In addition to these compulsory second-cycle courses, students should take first-cycle course Databases (DIT620), which is offered in study period 2 and in study period 3, and is included in the main field of study. Normally this course will be taken in study period 2, but it may be taken in study period 3 if that fits better with the student's chosen optional courses. Students have the possibility to take optional second cycle courses outside the programme, including second cycle courses in the area of their Bachelor s degree. Entry requirements for optional courses must be satisfied. The following optional courses are included in the main field of Data Science: Research Methods for Data Science, Research Mini-project in Data Science, 1 Many compulsory courses mentioned above are still preliminary and will be confirmed during the coming years. 4 (7)

14 Research Mini-project in Data Science may be taken in any study period. The course "Master's Thesis in Data Science" includes an independent project (degree project) of 30 credits. The Master's thesis can be done either full-time in study periods 3 and 4, or half-time during study periods 2 and 3 then full-time in study period 4, depending on the student's choice of optional courses. The following schema shows the ordinary study process with compulsory and optional courses arranged in the four study periods. The two variants for Year 2 are shown. Table 1. The following schema shows the study process during year 1. Year 1 Study Period 1 Study Period 2 Study Period 3 Study Period 4 Introduction to Data Science Statistical Methods for Applied Data Science Applied Machine Learning Techniques for Largescale Data Thinking and Working Mathematically Databases or Optional course Databases or Optional course Optional course Table 2. The following schema shows the study process during year 2. Year 2 Study Period 1 Study Period 2 Study Period 3 Study Period 4 Research Methods for Data Science Optional course Master's Thesis in Data Science 30 credits Optional course Optional course 5 (7)

15 Table 3. The following schema shows an alternative study process during year 2. Year 2 Study Period 1 Study Period 2 Study Period 3 Study Period 4 Research Methods for Data Science Master's Thesis in Data Science 30 credits Optional course Optional course Optional course 7. Entry requirements Bachelor s degree of 180 credits including an independent project (degree project) of at least 15 credits or equivalent in a subject relevant to the study of Data Science, either as a basis for Data Science methods or as an area where Data Science can be applied. At least 15 credits from programming or eqvivalent English 6/English B from Swedish Upper Secondary School or eqvivalent. Specific entry requirements for admission to a course within the study programme Within the study programme there can be specific entry requirements for admission to individual courses. These specific entry requirements are documented in each course syllabus and state which entry requirements are necessary to be registered on a course within the study programme. Selection Selection is according to the Higher Education Ordinance and the University of Gothenburg admission regulations for education on first and second cycle. 8. Guaranteed admission Students who are follow the study programme at the prescribed pace have guaranteed admission to all compulsory and optional courses offered within the programme provided that specific entry requirements are fulfilled and the student applies to the course within the study programme within the prescribed application period. For optional courses outside the study programme local admission regulations are valid and there is no guaranteed admission. 6 (7)

16 9. Additional information Credit transfer of former education In some cases, the student has the right to be given credit for former higher education according to the legislative regulations of the Higher Education Ordinance. Evaluation The courses of the study programme are evaluated according to each course syllabus. The result will be used for planning and implementation of upcoming courses. A summary is given to students at the start of the courses. 7 (7)