数据科学

选课速读： DATA7002《数据科学》是 昆士兰大学 的公开课程页面。当前可确认的信息包括 2 学分，难度 超难，公开通过率 70%。 页面已整理 13 周教学安排，4 个重点考核，方便你快速判断工作量、考核结构和适配度。 课程简介摘要：Gathering, understanding, interpreting and making decisions based on c。

Gathering, understanding, interpreting and making decisions based on collected data is an invaluable tool for science, business and governments. Concerns about privacy, consent, confidentiality, discrimination, ownership, commercialisation, intellectual property and the importance of fair benefit sharing are known. Being aware of conflicts of interest and the need to ensure equity, reciprocity and respect for cultural diversity are increasingly seen as important. What is less recognised is the nature of the roles of those who access and make decisions about collected linked personal information. The emerging global banked data that has become a key part of contemporary decision-making raises questions about the role of the data scientist. In this course students will critically analyse the ethical and legal foundations of data science governance that are relevant to the technical processes of data collection, storage, exchange and access. Issues covered will include the ethical dimensions of data management, legal and regulatory frameworks in Australia and in relevant jurisdictions, data policy, data privacy, data ownership, legal liabilities regarding analytical decisions, and discrimination. The course will equip students to identify the ethical and legislative requirements that underpin the technical processes of data science and to apply ethical and legal considerations to the core processes of data analytics. It will also introduce algorithms and technical approaches to minimise the risk of data identifiability and disclosure. A range of case studies will be used to explore these issues in applications of data science, including the use of government administrative data for informing social policy, to integrate ethical, legal and technical considerations.

### 📊 课程难度与压力分析 DATA7002（Responsible Data Science）整体难度可归为超难，压力通常在 Week 4-6 开始明显上升。前几周常给人“内容可控”的错觉，但中期后任务会从单点知识转向综合应用，作业、实验和复习节奏容易叠加。与同级课程相比，这门课更强调持续输出和过程质量，而不是只靠一次考试逆转。所谓 Quit Week 往往发生在第一次高权重作业返分后，如果没有及时复盘，后续会持续被动。期末季最痛苦的不是题量本身，而是前期积压导致可用时间被压缩。 ### 🎯 备考重点与高分策略 建议优先掌握 7 个高频点：1）核心定义与适用边界；2）标准题型步骤；3）复杂度或方法选择依据；4）边界条件与异常场景处理；5）结果解释与误差来源；6）跨章节综合题；7）时间分配与答题顺序。HD 与 Pass 的差距常在“解释能力”：高分答案不仅写对，还能说明为什么这样做。备考可采用三段法：先补概念漏洞，再集中刷高错率题型，最后做限时模拟并专门检查表达完整性。每次复习都要保留“错因记录”，避免重复犯错。 ### 📚 学习建议与资源推荐 学习顺序建议是：先看课程目标与评分标准，再看 lecture，再做 tutorial/lab，最后写周复盘。资源方面优先使用官方课件、Course Profile、Ed/讨论区答疑；外部可补充 YouTube 对应专题、MIT OCW/Khan Academy、可视化工具与开源示例。实操上，建议每周至少做一次“旧题重做 + 解法重构”，把能做出来升级成可复现、可讲解、可迁移。不要只收藏资料不落地，关键在固定节奏输出。 ### ⚠️ 作业与 Lab 避坑指南 常见扣分点包括：步骤不完整、边界用例遗漏、复杂度分析没写、格式规范不达标、提交前未做自测。建议采用截止日三段节奏：D-7 完成主体，D-3 完成全量测试与互查，D-1 只做格式与表达校对。若课程使用自动评分系统，必须先本地构建最小回归测试，避免“样例通过但隐藏用例失败”。合作讨论要守住学术诚信边界：可讨论思路，不可共享可提交成品。 ### 💬 过来人经验分享 我最开始把这类课当成“考前冲刺型”，结果一到中后期连续 deadline，整个人被动得很。后来改成固定节奏后明显稳了：周初梳理概念，周中完成第一版，周末只做错题复盘和重构。最有用的习惯是每次作业后写一张“失分清单”，下次开工前先看，能减少很多重复错误。给新同学一句实话：别等完全准备好再开始，先交付可运行第一版，再迭代到高质量，你会轻松很多。

作业形式：三个quiz，演讲，essay

作业信息取自：2021年第二学期

• 三个quiz：每个占比10%。30分钟答题：多选题。
• 演讲：占比30%。每个小组都需要确定与现实数据科学问题相关的关键伦理、法律和技术考虑因素。每个小组将选择他们自己的问题。每个小组将创建一个 15 分钟的在线演示，然后是 5 分钟的小组讨论。演示文稿应包括对现实生活问题的简要介绍、关键伦理、法律和技术问题的确定以及结论。
• 论文：占比40%。识别和应用与现实生活中的数据科学问题、冲突或困境（案例）相关的关键道德、法律和技术问题。