专业概述
数据科学位于统计学、计算机科学和领域专业知识的交汇点。它是将原始数据转化为可操作洞察的学科,从预测客户行为到优化供应链,再到训练AI模型。与纯统计学或纯计算机科学不同,数据科学强调完整的流程:收集数据、清洗数据、分析数据、建立模型,以及向决策者传达结果。
每个行业(从银行和医疗保健到政府和电子商务)都需要能够理解海量数据集的人才。随着AI和机器学习的兴起,这个领域正在迅速发展,使其成为最具活力的学习领域之一。
如果你喜欢寻找规律,对数学和编程都感到自如,并且喜欢用数据解决实际问题,数据科学可能是一个非常好的选择。它将分析的严谨性与创造性的问题解决能力结合在一起,这是很少有其他领域能做到的。
全球多所顶尖大学共同塑造了当今数据科学教育的面貌。加州大学伯克利分校率先开设了独立的本科数据科学学位,其项目隶属于计算、数据科学与社会学部,从第一学期起就强调计算思维、统计推断和真实数据项目。MIT通过数据、系统与社会研究所(IDSS)以及施瓦茨曼计算学院提供跨学科路径,将数据科学与城市规划、基因组学等应用领域深度融合。斯坦福大学将深厚的统计理论与前沿机器学习相结合,学生可在数据科学与AI的交叉领域开展研究。密歇根大学信息学院的数据科学项目以技术严谨性与以人为本的设计之间的平衡著称,学生不仅学习构建模型,还需思考数据如何影响社会群体。伦敦政治经济学院(LSE)则提供了独特的视角,将数据科学植入社会科学研究方法论中,特别适合对政策、经济学或数据的社会应用感兴趣的学生。了解这些不同的侧重点(计算型、统计型、商业导向型或社会科学型)可以帮助家庭找到最匹配学生优势和志向的项目。
全球多所顶尖大学共同塑造了当今数据科学教育的面貌。加州大学伯克利分校率先开设了独立的本科数据科学学位,其项目隶属于计算、数据科学与社会学部,从第一学期起就强调计算思维、统计推断和真实数据项目。MIT通过数据、系统与社会研究所(IDSS)以及施瓦茨曼计算学院提供跨学科路径,将数据科学与城市规划、基因组学等应用领域深度融合。斯坦福大学将深厚的统计理论与前沿机器学习相结合,学生可在数据科学与AI的交叉领域开展研究。密歇根大学信息学院的数据科学项目以技术严谨性与以人为本的设计之间的平衡著称,学生不仅学习构建模型,还需思考数据如何影响社会群体。伦敦政治经济学院(LSE)则提供了独特的视角,将数据科学植入社会科学研究方法论中,特别适合对政策、经济学或数据的社会应用感兴趣的学生。了解这些不同的侧重点(计算型、统计型、商业导向型或社会科学型)可以帮助家庭找到最匹配学生优势和志向的项目。
新加坡
在新加坡数据驱动的经济中,数据科学家是最受追捧的专业人才之一。
职业前景与薪资
我能从事什么工作,收入如何?
美国 $70,000–$110,000 / 英国 £32,000–£52,000 / 澳洲 A$65,000–$95,000
美国 $120,000–$220,000 / 英国 £60,000–£115,000 / 澳洲 A$100,000–$175,000
美国 $200,000–$450,000+(含股权)
需求强劲。世界经济论坛将数据科学和分析列为全球增长最快的十大职业类别之一。虽然市场已过初期炒作阶段趋于成熟,但需求依然旺盛,特别是对具有领域专长或扎实ML工程能力的数据科学家。
行业趋势与展望
这个领域的发展方向是什么?
数据科学已从小众专业发展为核心组织能力。十年前,「数据科学家」还是个新鲜头衔,如今大多数大型组织都有专门的数据科学团队,该角色也分化为子专业(机器学习工程、分析工程、数据工程和应用研究)。数据分析的总潜在市场预计到2029年将超过6500亿美元,反映了数据驱动决策在商业、医疗、政府和研究中的深度嵌入。
AI的融合(特别是大语言模型和生成式AI)正在重塑数据科学工作流。ChatGPT和GitHub Copilot等工具可以生成代码、总结数据,甚至建议分析方法,但这提升而非削弱了能够提出正确问题、验证结果和在上下文中解读发现的数据科学家的重要性。「AI工程师」(构建基于基础模型的应用的人)这一新兴角色是数据科学技能的自然延伸。同时,非结构化数据(文本、图像、传感器数据)的爆炸式增长正在催生对能够处理传统表格数据以外内容的数据科学家的需求。
对于进入数据科学专业的学生,职业前景依然出色,尽管该领域比五年前更有竞争性。最受欢迎的毕业生将扎实的统计基础、过硬的编程能力和清晰的发现传达能力结合在一起。领域专精(医疗数据科学、金融数据科学、气候数据科学)越来越受重视,因为通用的「全栈数据科学家」角色正让位于更专注的职位。数据科学学位相比自学的关键优势在于严格的统计和数学训练,这很难通过非正式方式获得。
AI与本专业
生成式AI正在改变数据科学工作流,但增加了对熟练从业者的需求。AI工具可以自动化探索性分析和代码生成,但提出正确问题、确保数据质量、负责任地解读结果和向利益相关者传达发现仍是深度依赖人类的技能。最有价值的数据科学家是那些利用AI来放大自身生产力的人。
你将学到什么
这个学位涵盖的核心课题与技能
这个专业适合我吗?
帮你做出判断的真实自我评估
如果你有以下特点...
- ✓从混乱的真实数据中发现隐藏的模式和洞察让你兴奋
- ✓你既喜欢技术面(编程、统计)也喜欢沟通面(可视化、演示、用数据讲故事)
- ✓你对多个领域充满好奇,数据科学让你可以将技能应用于医疗、金融、体育、环境等多个方面
- ✓你能接受模糊性,真实数据很少有明确的答案,你享受探索的过程
- ✓你喜欢自己的工作直接影响决策(从产品功能到公共政策)的感觉
可能不太适合你,如果...
- ●数据清洗和预处理听起来很无聊,但它确实占工作的60%到80%,你至少需要觉得能忍受
- ●你想从零构建系统而非分析数据,数据科学更偏分析而非构建
- ●模糊的、开放式的问题让你沮丧,数据科学很少有单一「正确」答案
- ●你不喜欢展示自己的工作,沟通是角色的核心部分而非附带环节
- ●你更喜欢深入的数学理论而非应用性的实际问题解决
大学生活的一天
一周的真实日常
数据科学大二典型的一周在统计理论和实际数据工作之间取得平衡。周一上午是数理统计课讲极大似然估计,你在学习如何将概率分布拟合到真实数据上,以及为什么选择正确的分布对从保险定价到医学试验的一切都很重要。午饭后是机器学习实验课,用Python从零实现逻辑回归,然后和scikit-learn的优化版本对比结果。自己动手很枯燥但很有启发性,你终于理解了库函数背后到底在做什么。
周二是一门看似简单实则极难的数据整理课。今天你在清洗一个公共卫生机构的真实数据集,缺失值用了五种不同的编码方式,日期格式不一致,还有信息矛盾的重复记录。教授管这叫「数据科学中没人谈论的80%」。周三上午是数据库与分布式计算课(SQL查询优化、大数据Spark入门),接着是毕业项目会议。你的团队在分析网约车数据以预测动态定价模式,这周在讨论该用随机森林还是梯度提升模型。
周四有数据可视化与沟通课,大家互相评价仪表板,学习为什么一个设计精良的图表比一个复杂的模型更有说服力。下午的金融数据分析选修课用股票和加密货币数据介绍时间序列分析。周五灵活安排:做毕业项目、参加一个校友(在科技公司和咨询公司工作)的职业座谈会,并抽时间做一个周日截止的Kaggle竞赛。周末用来完成习题集、迭代毕业项目模型,然后不可避免地发现一个数据清洗错误已经悄悄污染了你过去三周的结果。
高中阶段准备
大学前应该学什么、做什么
技能培养
- •学习Python数据分析,通过Kaggle免费数据科学微型课程学习pandas、numpy和matplotlib
- •完成一个你感兴趣的入门数据分析项目(体育统计、气候数据、音乐趋势),并在GitHub上发布
- •通过Khan Academy或Seeing Theory(布朗大学)学习统计基础,理解分布、假设检验和相关性是根本
- •学习SQL基础,它是最通用的数据工具,而且学起来出奇地快
课外活动
- •参加Kaggle入门竞赛(Titanic、Housing Prices),练习完整的数据科学工作流
- •创建数据博客或作品集网站,用可视化和洞察来记录你的分析过程
- •参加数学竞赛或统计奥赛,磨练定量推理能力
- •在学校加入或创建数据科学社团,一起做小组分析项目
- •探索公开数据集(世界银行、Gapminder、政府开放数据),向学校展示你的发现
QS世界排名 2026
Data Science and Artificial Intelligence
| # | 大学 |
|---|---|
| 1 | 🇺🇸Massachusetts Institute of Technology (MIT) |
| 2 | 🇺🇸Stanford University |
| 3 | 🇸🇬National University of Singapore (NUS) |
| 4 | 🇸🇬Nanyang Technological University, Singapore (NTU Singapore) |
| 5 | 🇺🇸Carnegie Mellon University |
与相似专业的对比
与相关专业逐一比较
录取指南
这个专业竞争多激烈,如何脱颖而出
顶尖大学的数据科学本科课程竞争激烈,但略低于纯CS。伯克利的DS课程是美国最早开设的之一,录取非常有选择性。密歇根大学、帝国理工和苏黎世联邦理工都有竞争激烈的DS录取。A-Level学生通常需要A*AA且包含数学,IB学生需要38分以上且HL数学6或7分。
什么能增强你的申请
- 1优秀的数学成绩,尤其是统计学、微积分和代数
- 2编程经验,如Python项目、Kaggle笔记本或GitHub上的数据分析作品
- 3展示完整管线的数据分析项目:提问、数据收集、分析、可视化、结论
- 4统计竞赛成绩或数学奥赛参与经历
- 5展示将数据应用于特定领域的兴趣(体育分析、环境数据、公共卫生)
常见错误
- ●强调工具(我会Python、Tableau、SQL)而不展示分析思维或统计理解
- ●混淆数据科学和数据录入或基础Excel工作,要展示对这个学科实际涉及内容的了解
- ●忽视数学基础,数据科学建立在统计和概率之上,不只是编程
面试与入学考试
部分课程会要求申请者讨论一个做过的数据集或分析。准备好解释你的推理、方法论,以及如果有更多数据或时间你会怎么做。
通用准备
以下建议涵盖新加坡各大学的通用准备要求。各具体课程的要求可能不同,详细的课程特定要求即将推出。
IB Diploma
- •数学AA HL(必修)
- •计算机科学HL(有帮助)
- •物理或经济学HL(有助于领域知识)
A-Level
- •H2数学(必修)
- •H2高等数学(有优势)
- •H2计算机(有帮助)
- •H2经济学或物理(有用)
AP
- •AP统计学(必修)
- •AP微积分BC
- •AP计算机科学A
- •AP宏观经济学(有帮助)
IGCSE
- •附加数学(必修)
- •计算机科学
- •物理或经济学
- •英语(优秀)
技能与能力
国大IB / A-Level入学要求:国大招生需求
南大IB / A-Level入学要求:南大招生需求
新大入学要求:新大招生需求