MDSML 的课程结构设计围绕核心能力与跨学科应用展开。学位要求学生完成五门核心课程，总计20学分，确保具备扎实的理论基础与研究能力。核心课程包括：
- Introduction to Big Data for Industry（DSA5101，4学分）：聚焦大数据在工业场景中的应用，帮助学生理解数据的获取、存储、处理与分析链条，以及在实际工业环境中的挑战与解决思路。
- Optimization Algorithms for Data Modelling（DSA5103，4学分）：讲解用于数据建模的优化算法，涵盖从经典方法到现代优化技术，提升模型的效率与性能。
- Principles of Data Management and Retrieval（DSA5104，4学分）：聚焦数据管理、检索与组织，帮助学生建立高效的数据治理与检索能力，是数据科学工作流的重要基础。
- Principles of Machine Learning（DSA5105，4学分）：系统介绍机器学习的基本原理、常用算法及其应用路径，是进入后续研究与实务的核心技能。
- Deep Learning: Foundations and Techniques（DSA5106，4学分）：深入探讨深度学习的理论基础、网络结构与训练技巧，适用于处理高维和复杂模式识别任务。
在选修课程方面，学生需要再完成五门课程（共20学分），以扩展专业深度和应用广度。课程覆盖多个领域与应用场景，主要分布在数据科学、数学系、以及其他相关系部，示例包括：
- DSML Industry Consulting and Applications Project（DSA5201，4学分）：结合行业案例，锻炼从问题定义到解决方案落地的全过程能力。
- Advanced Topics in Machine Learning（DSA5202，4学分）：前沿主题，帮助学生跟踪最新研究进展并拓展技术视野。
- Visual Data Processing and Interpretation（DSA5203，4学分，SSG subsidised）：处理和解读视觉数据的技术，适用于计算机视觉相关任务。
- Data Science in Quantitative Finance（DSA5205，4学分，SSG subsidised）：数据科学在金融领域的应用，提升在量化金融场景的分析与建模能力。
- Text Processing & Interpretation with Machine Learning（DSA5207，4学分）：面向文本数据的处理与分析，结合机器学习方法的应用。
此外，还有一些来自其他系的课程，如 Natural Language Processing（CS4248，4学分，SSG subsidised）、Cloud Computing（CS5224，4学分）、Knowledge Discovery and Data Mining（CS5228，4学分）、Big-Data Analytics Technology（CS5344，4学分，SSG subsidised）等，进一步丰富了跨领域的知识结构。ST系列课程如 Statistical Foundations of Data Science、Applied Regression Analysis、Statistical Analysis of Networks 等，也为学生提供统计与分析的坚实基础。
更多详情
还有疑问？立即咨询专业顾问
李芳芳
- 10-15年
- 从业年限
- 50人
- 帮助人数
- 15分钟内
- 平均响应
在线咨询
顾问在线解答疑问
电话咨询
电话高效沟通留学问题
