大數(shù)據(jù)專(zhuān)業(yè)--新時(shí)代的“石油”
數(shù)字時(shí)代瞬息萬(wàn)變，層出不窮的數(shù)字科技正在快速改變我們的生活。如同蒸汽時(shí)代的蒸汽機(jī)、電氣時(shí)代的發(fā)電機(jī)、信息時(shí)代的計(jì)算機(jī)和互聯(lián)網(wǎng)，人工智能正成為推動(dòng)人類(lèi)進(jìn)入智能時(shí)代的決定性力量。
不管是阿爾法狗戰(zhàn)勝人類(lèi)圍棋世界冠軍、無(wú)人超市開(kāi)店，還是自動(dòng)駕駛汽車(chē)不斷“上路”，人工智能已悄然來(lái)到人們身邊。什么是人工智能？創(chuàng)新工場(chǎng)董事長(zhǎng)兼首席執(zhí)行官李開(kāi)復(fù)的著作《人工智能》中給予了精辟的陳述——深度學(xué)習(xí)+大數(shù)據(jù)=AI（人工智能）
就業(yè)前景
據(jù)預(yù)測(cè)，到21世紀(jì)30年代中期，僅在新西蘭就將有24%的工作實(shí)現(xiàn)自動(dòng)化，并將帶來(lái)許多富有開(kāi)創(chuàng)性的新興職業(yè)選擇。
為了應(yīng)對(duì)席卷而來(lái)的數(shù)字化浪潮，新西蘭政府在7月份頒布了The Digital Inclusion Blueprint，旨在促進(jìn)新西蘭全社會(huì)都能夠參與到新西蘭的數(shù)字建設(shè)中去，并且能從新西蘭的數(shù)字科技發(fā)展中獲益。
這也就意味著在新西蘭實(shí)行將所有公民納入數(shù)字化未來(lái)的指導(dǎo)方針下，對(duì)數(shù)據(jù)挖掘、分析與應(yīng)用方面的人才需求將不斷增長(zhǎng)，數(shù)據(jù)科學(xué)專(zhuān)業(yè)的畢業(yè)生將擁有非常不錯(cuò)的職業(yè)前景。
坎特伯雷大學(xué)
Master of Applied Data Science
�。☉�(yīng)用數(shù)據(jù)科學(xué)碩士）
推薦指數(shù) *****
推薦理由
課程設(shè)計(jì)適合來(lái)自不同背景的學(xué)生
課程學(xué)制短1年，費(fèi)用相對(duì)便宜
課程涉及編程、Python，R、SQL，Database...含金量高
暑期的項(xiàng)目或者實(shí)習(xí)經(jīng)驗(yàn)
國(guó)際生學(xué)費(fèi)
2020年
$41,250
立思辰留學(xué)云老師介紹，MADS專(zhuān)業(yè)順應(yīng)時(shí)代需求，非常受歡迎，每年甚至每個(gè)學(xué)期的學(xué)生數(shù)量都在大幅增長(zhǎng)，但是每年學(xué)費(fèi)漲幅穩(wěn)定，相對(duì)其它世界同等級(jí)一流高校學(xué)費(fèi)很有競(jìng)爭(zhēng)力，想要申請(qǐng)同學(xué)的建議盡早準(zhǔn)備。
注意：此學(xué)費(fèi)不包含student levy fee，每年1000刀左右，書(shū)本費(fèi)自理（下文會(huì)詳細(xì)介紹所需要的學(xué)習(xí)資料），如果需要在N年內(nèi)修完所有課程，那么必須支付的費(fèi)用即為學(xué)費(fèi)+（student levy fee*N）。
開(kāi)學(xué)時(shí)間
開(kāi)學(xué)季有兩次，分別為2月和7月
根據(jù)經(jīng)驗(yàn)，學(xué)姐比較建議首選二月份入學(xué)：
原因與學(xué)校課程設(shè)置有關(guān)，如2019年的課程設(shè)置：STAT 448 Big Data這門(mén)課在第一個(gè)學(xué)期并沒(méi)有開(kāi)課，STAT 462 Data Mining在第一學(xué)期有開(kāi)課，而Data Mining的內(nèi)容對(duì)學(xué)習(xí)Big Data有著很大的幫助，因此二月份入學(xué)的學(xué)生會(huì)更加適應(yīng)。但是對(duì)于七月入讀的學(xué)生，建議入學(xué)前多解統(tǒng)計(jì)學(xué)等Data Mining相關(guān)知識(shí)，以便做好充分準(zhǔn)備。
入學(xué)要求
學(xué)術(shù)要求：
本科學(xué)位， 最后2年課程平均分不低于B，即：
國(guó)內(nèi) 985 / 211 院校均分不低于75%
其它院校均分不低于80%
語(yǔ)言要求：
雅思 總分6.5，單科不低于6.0
PTE 總分58， 單項(xiàng)不低于50
CCEL EAP2 B+
NZCEL 5級(jí)
或同等其他英語(yǔ)要求
專(zhuān)業(yè)背景要求：
取得與數(shù)據(jù)科學(xué)相關(guān)學(xué)位，如生物科學(xué)、計(jì)算機(jī)科學(xué)、數(shù)字人文、經(jīng)濟(jì)學(xué)、環(huán)境科學(xué)、金融學(xué)、地理學(xué)、地質(zhì)學(xué)、數(shù)學(xué)、物理學(xué)、心理學(xué)
具體要求可參見(jiàn)學(xué)校官網(wǎng)，以官網(wǎng)為準(zhǔn)：https://checkwhatyouneed.canterbury.ac.nz/checkrequirements/postgraduate
學(xué)期安排
一般情況下一年分三個(gè)學(xué)期，以2019年為例：
第一個(gè)學(xué)期從2月下旬開(kāi)始，到6月底結(jié)束；
第二個(gè)學(xué)期從7月中旬開(kāi)始，到11月初結(jié)束；
第三個(gè)學(xué)期是暑期，少數(shù)課程以及summer intern多發(fā)生在此階段。
備注：
第1、2學(xué)期分別有兩周的term break。
第3學(xué)期summer intern通常指公司實(shí)習(xí)或是導(dǎo)師研究項(xiàng)目。
畢業(yè)后技能
1. 數(shù)據(jù)科學(xué)領(lǐng)域的前沿知識(shí)；
2. 利用數(shù)據(jù)解決問(wèn)題，給出solution的能力；
3. 設(shè)計(jì)、實(shí)現(xiàn)數(shù)學(xué)建模過(guò)程；
4. 具備編程能力，包括R和Python及其它技術(shù)。
技能包
Python，R， SQL，Database， Spark， Hadoop， MapReduce， Neural Network等等。
就業(yè)方向
商務(wù)分析師
Business analyst
數(shù)據(jù)分析師
Data Analyst
大數(shù)據(jù)解決方案架構(gòu)師
Big data solutions architect
數(shù)據(jù)工程師，大數(shù)據(jù)開(kāi)發(fā)人員
Data engineer, big data developer
數(shù)據(jù)科學(xué)家
Data scientist
技術(shù)/項(xiàng)目分析師
Technical / project analyst
數(shù)據(jù)庫(kù)協(xié)調(diào)/管理員
Database coordinator / administrator
信息情報(bào)顧問(wèn)
Intelligence advisor
專(zhuān)業(yè)內(nèi)容概要
MADS專(zhuān)業(yè)融合了數(shù)學(xué)課程（STAT開(kāi)頭），統(tǒng)計(jì)學(xué)課程（DATA開(kāi)頭），計(jì)算機(jī)課程（COSC開(kāi)頭），信息系統(tǒng)課程（INFO開(kāi)頭），商科課程（MBIS開(kāi)頭），以及生物學(xué)，健康學(xué)等課程。
學(xué)姐認(rèn)為其中數(shù)學(xué)，統(tǒng)計(jì)學(xué)和計(jì)算機(jī)課程是重中之重，如果不會(huì)編程，那么你無(wú)法成為一個(gè)優(yōu)秀的data scientist，如果只會(huì)編程但是不懂?dāng)?shù)學(xué)和統(tǒng)計(jì)學(xué)，那么你永遠(yuǎn)都是一個(gè)碼農(nóng)。
學(xué)習(xí)內(nèi)容主要包括數(shù)據(jù)庫(kù)的知識(shí)掃盲、數(shù)學(xué)建模、如何用R以及Python，以及大數(shù)據(jù)和分布式計(jì)算，包括Hadoop和Spark，mapReduce算法如何在大數(shù)據(jù)framework下實(shí)現(xiàn)。
需要注意的是，老師會(huì)對(duì)coding做一定程度的指導(dǎo)，但是更多情況下，需要自己多加練習(xí)，以及閱讀大量的材料從而提升自己的coding能力。
官網(wǎng)鏈接：
https://www.canterbury.ac.nz/study/qualifications-and-courses/masters-degrees/master-of-applied-data-science
課程詳細(xì)介紹
MADS專(zhuān)業(yè)的課程一共分為3個(gè)部分：
背景課程：DATA401 Statistics統(tǒng)計(jì)學(xué)，COSC480 Computer Programming計(jì)算機(jī)編程，以及MBIS 623 Data Management數(shù)據(jù)管理，如果有這些背景課程的學(xué)術(shù)背景或者工作背景，可酌情考慮不選擇背景課程，因人而異；
必修課以及部分選修課：
DATA 420 Scalable Computing
DIGI 405 Texts, Discourses and Data: the Humanities and Data Science
STAT 462 Data Mining
STAT 448 Big Data
項(xiàng)目/實(shí)習(xí)：DATA 601(45個(gè)學(xué)分)
參與現(xiàn)實(shí)生活中的數(shù)據(jù)科學(xué)項(xiàng)目，學(xué)習(xí)和解決問(wèn)題。學(xué)生可以參與學(xué)校導(dǎo)師的項(xiàng)目或者自己可以提供實(shí)習(xí)的機(jī)會(huì)的公司。因?yàn)榛匠侵挥锌泊筇峁⿺?shù)據(jù)科學(xué)專(zhuān)業(yè)，很多公司需要實(shí)習(xí)生都會(huì)聯(lián)系學(xué)校，所以學(xué)校會(huì)有不少的實(shí)習(xí)機(jī)會(huì)推薦。今年暑假，這個(gè)很多學(xué)生順利拿到公司帶薪實(shí)習(xí)。
部分課程詳細(xì)介紹
DATA401 Statistics：統(tǒng)計(jì)學(xué)基礎(chǔ)，包括概率計(jì)算，密度分布等統(tǒng)計(jì)學(xué)基礎(chǔ)知識(shí)，在后續(xù)的必修課程中，比如正態(tài)分布，偏態(tài)分布將會(huì)是處理數(shù)據(jù)的背景，如果缺乏類(lèi)似的數(shù)學(xué)基礎(chǔ)背景，后續(xù)課程會(huì)非常艱難。這門(mén)課是大課，與本科生一起上課，所以作為年齡稍大的研究生學(xué)生，可能會(huì)覺(jué)得老師的講課方式比較偏幼齡化，不過(guò)每次上課都會(huì)有recording，也可以自己去看recording，或者網(wǎng)上找些資料學(xué)習(xí)一下，總體來(lái)講，難度系數(shù)為2顆星。
COSC480 Computer Programming：主要學(xué)習(xí)Python編程，每周有作業(yè)，提交自己的code驗(yàn)證過(guò)關(guān)就好，對(duì)于沒(méi)有任何編程經(jīng)驗(yàn)的學(xué)生，建議還是學(xué)一下這門(mén)課比較好，因?yàn)楹罄m(xù)的DATA 420 Scalable Computing需要使用大量的Python來(lái)完成，如果有Python經(jīng)驗(yàn)則可以略過(guò)這門(mén)課程。
MBIS 623 Data Management：主要學(xué)習(xí)數(shù)據(jù)庫(kù)管理，包括如何設(shè)計(jì)數(shù)據(jù)庫(kù)，如何實(shí)現(xiàn)（授課使用MySql），以及關(guān)系數(shù)據(jù)庫(kù)和非關(guān)系數(shù)據(jù)庫(kù)介紹，這門(mén)課作業(yè)比較anoying，兩次作業(yè)，分別要寫(xiě)4000字和3000字的論文，優(yōu)點(diǎn)是老師講課風(fēng)趣。如果有數(shù)據(jù)庫(kù)經(jīng)驗(yàn)，建議略過(guò)，后續(xù)課程主要用到的是Sql querry。
STAT 462 Data Mining：強(qiáng)烈推薦第一個(gè)學(xué)期選這個(gè)課，2019年上半學(xué)期教這門(mén)課的老師是Blair Roberston，老師課前準(zhǔn)備非常充足，上課條理清晰，數(shù)學(xué)術(shù)語(yǔ)解釋到位，及時(shí)聽(tīng)取學(xué)生反饋意見(jiàn)，課下輔導(dǎo)認(rèn)真負(fù)責(zé)，能夠給出比較專(zhuān)業(yè)的建議，作業(yè)設(shè)置合理，實(shí)驗(yàn)和作業(yè)難度稍高，需要一定的時(shí)間去理解消化，但是總體來(lái)講，學(xué)好這門(mén)課會(huì)對(duì)后續(xù)課程有著非常好的積極的影響，比如后續(xù)的大數(shù)據(jù)課程，某種程度上延續(xù)了此門(mén)課程的某些內(nèi)容，還有一些選修課程比如General Linear Model也是此課程中的一個(gè)小知識(shí)點(diǎn)，只是學(xué)習(xí)深度更深。后續(xù)很多課程都會(huì)有這門(mén)課的影子，所以學(xué)習(xí)好這門(mén)課是小羊?qū)W姐的肺腑之言。難度系數(shù)4顆星。
這門(mén)課的主要內(nèi)容有：Linear Regression, Logistic Regression, Cross Validation, Bootstrap, Random Forest, K-means clustering, Association Rules等等。
DATA 420 Scalable Computing：主要講分布式計(jì)算，包括Haddop和Spark的Framework以及關(guān)鍵算法MapReduce的實(shí)現(xiàn)，每周都有作業(yè)和實(shí)驗(yàn)，老師給出一些code examples，根據(jù)這些code examples來(lái)實(shí)現(xiàn)其它功能。需要閱讀大量的參考資料，課程里面會(huì)講概念比較多，所以理解起來(lái)有一定的難度，而且因?yàn)榻Y(jié)合了編程、hadoop、spark、MapReduce算法、python、甚至JAVA、bash script、pig等多種技術(shù)，難度較高，但是老師是有著實(shí)際經(jīng)驗(yàn)的公司老板（老師自己有一個(gè)咨詢(xún)公司），所以會(huì)給出比較專(zhuān)業(yè)的行業(yè)經(jīng)驗(yàn)，提供多種視角，而且老師很樂(lè)意課后答疑，會(huì)積極回復(fù)學(xué)生的郵件，非常干練的一個(gè)老師。
選修課程DATA 422 Data Wrangling： 主要是講數(shù)據(jù)清洗這個(gè)領(lǐng)域，作為data mining的pre-step，其中一個(gè)授課老師Tomas澳國(guó)立畢業(yè)，來(lái)UC教書(shū)，因?yàn)槟贻p比較好溝通，人也很熱心，華人面孔但是不會(huì)講中文，老師技術(shù)很好，自己的研究方向是Neural Netowrk，學(xué)術(shù)內(nèi)的前沿消息可以找這個(gè)老師去打聽(tīng)。
其它的選修課程可到學(xué)校官網(wǎng)搜索，鏈接：https://www.canterbury.ac.nz/study/qualifications-and-courses/masters-degrees/master-of-applied-data-science
關(guān)于書(shū)本
大部分的課程其實(shí)不大需要買(mǎi)教材，原因如下：
老師上課會(huì)提供課件以及推薦閱讀資料，所有的推薦材料老師都會(huì)在UC Learn上post出來(lái)，除了課件，實(shí)驗(yàn)課所需要的實(shí)驗(yàn)指南以及各種信息也都可以在UC Learn上找到，類(lèi)似于國(guó)內(nèi)的校內(nèi)網(wǎng)，但是匯聚了所有老師想要分享的資源；
推薦的閱讀資料分為幾大類(lèi)：學(xué)術(shù)期刊，專(zhuān)業(yè)書(shū)籍，網(wǎng)上一些有用的鏈接，其中學(xué)術(shù)期刊以及專(zhuān)業(yè)書(shū)籍可以在學(xué)校圖書(shū)館找到，學(xué)校圖書(shū)館有著非常豐富的藏書(shū)資源，包括紙質(zhì)書(shū)和電子書(shū)，如果找不到的話(huà)，可以提出申請(qǐng)，要求圖書(shū)館出資購(gòu)買(mǎi)，申請(qǐng)很簡(jiǎn)單，只需要填寫(xiě)想要購(gòu)買(mǎi)的書(shū)籍信息即可，圖書(shū)館一般會(huì)非常迅速地買(mǎi)好，并通知申請(qǐng)人；
有些教材是免費(fèi)給學(xué)生使用的，老師上課的時(shí)候會(huì)提供給學(xué)生這些免費(fèi)的教材資源，比如Data Mining的教材是由作者為斯坦福大學(xué)，南加州大學(xué)的教授們寫(xiě)的一本名為“An Introduction to Statisticla Learning”的書(shū)，這本書(shū)售價(jià)100多刀，但是可以免費(fèi)作為學(xué)術(shù)交流使用。
