莫纳什 FIT3163《数据科学项目 1》：没有讲授、没有补考，口头演示占 55%

莫纳什 FIT3163《数据科学项目 1》是本科 Level 3 单元：6 学分、无常规讲授、七项考核不设补考，两次口头演示占 55%——成绩八成分落在小组产出上。

课程官网（学校官网）：https://handbook.monash.edu/2026/units/FIT3163

FIT3163 是一门什么课？

一句话：把一个数据科学想法变成一份能通过评审的项目提案——组队、选题、读文献、定方法、写伦理、做答辩，执行留给 FIT3164。

这是莫纳什大学（Monash University）的本科单元，单元代码 FIT3163，英文名 Data science project 1，中文常译「数据科学项目 1」。6 个莫纳什学分点（EFTSL 0.125），开课单位为信息技术学院（Faculty of Information Technology）。

几条身份信息：

• 层级：本科（Undergraduate），Level 3。
• 四个场次，全部面对面：第一学期 Clayton、第一学期 Malaysia、第二学期 Clayton、第二学期 Malaysia。
• 是 12 学分项目序列的立项半场：本课 6 学分，出口是 FIT3164——立项在这门，施工在下一门。
• 可用于交换学习（Yes）。

学校官网的定位是：在一个「非平凡的」数据科学项目中获得研究、设计、开发与评估的实践经验；项目可以覆盖数据科学过程（可视化、分析、算法），也可以以软件为主，或涉及理论研究。

最关键的一条身份是「没有常规讲授」。 学校官网写明本课不设讲座（"There are no lectures in this unit"），改为小组分配导师、定期会面，并要求完整的书面文档。这意味着每周没有课表来推着你走，进度靠小组自己安排。

一条主线是「从想法到提案」：选题→文献→方法（含数据准备与分析技术）→伦理→文档→演示。七项考核全部围绕这条立项链，没有任何一项要求你交出完整系统——那是 FIT3164 的事。

与国内同类课程的差异

国内数据科学专业很少有独立的「立项课」。 项目环节通常塞进毕业设计、课程设计或实习，选题由教师指定或从题库里挑，考核落在最终成品上。这门课把「立项」单独做成半门课：先交提案、先做答辩、先被同侪评审，通过了才进入执行阶段。

第二个差异是考核形态。本课七项考核里既有两次同侪评审、也有视频反思和会议纪要，过程性产出占大头；国内数据科学课程多以编程作业加期末考为主。

第三个差异是先修严格度。本课是先修条件最硬的一类：嵌套的 AND/OR 组合加上 72 学分总门槛，不是「建议先学」而是系统直接拦人。

第四个差异是互斥设计。本课与计算机科学项目线、高级研究项目线互斥——一个学生只能走一条项目线，选错线就没有回头路。

考核怎么算？

七项考核合计 100%，全部无 hurdle（不设单项及格线），不提供补考。

学校官网写明：本单元不提供补充考核（"Supplementary assessment is not available for this unit."）。

七项逐条列清：

三个结构特征值得先说清：

第一，口头表达是最大单项。 终期演示 30% 加期中路演 25%，合计 55%——过半数成绩要靠嘴和临场问答拿下来，这在数据科学方向的课里极为少见。

第二，小组产出占约八成，个人产出占约两成。 小组四项（30%＋25%＋15%＋10%）合计 80%，个人三项（视频反思 10%＋两项评审各 5%）合计 20%。个人分少但不等于不重要：两项评审任务名称相近、编号不同（一项评期中路演、一项评终期演示），是少数完全由你一个人决定的部分。

第三，没有补考这件事改变了风险结构。 多数课程「挂了还有一次」；本课不提供补充考核，一次失手就是结果本身。加上无 hurdle，意味着你不能靠某一项超常发挥兜住全局——均衡交付比单点突击更有用。

两项同侪评审容易被忽略。 它们各占 5%，合计 10%，考的是「你能不能像评审者一样看别人的项目」——这项能力在数据科学团队里就是模型评审与代码评审。评审写得空洞、只夸不批，是最常见的失分方式。

考核细节以 Moodle 为准，学校官网未列出的评分标准不在本文推断范围。

先修要求是什么？

先修分两层：一层是学分总量门槛，一层是具体单元的嵌套组合。

第一层，学分门槛。 学校官网要求：须已完成至少 72 个学分，其中 FIT/MAT 单元至少 60 个学分（"Must have completed at least 72 credit points of study including 60 credit points of FIT/MAT units"）。

第二层，嵌套先修组合，四组必须同时满足：

• 职业实践线：FIT1049 或 FIT1055，二者任一。
• 数据技能线：〔（FIT2094 或 FIT3171，任一） 且 FIT2086〕——这一组内部是先「或」再「且」，数据库与编程/统计任选一门，但 FIT2086 是硬性的。
• FIT1043。
• FIT2004。

第三层，禁选两门：FIT3144（Advanced computer science research project）与 FIT3161（Computer science project 1）——三条项目线互斥，你只能走一条。

怎么读这棵树？ 先修的设计逻辑是「双底座」：职业实践（伦理与团队）＋数据技能（数据库、编程、统计）。缺哪一块，立项时就会暴露——没有数据技能线，方法选型写不出依据；没有职业实践线，伦理章节与团队协作无从谈起。

禁选的含义要说透：这不是「学过了就重复」，而是制度性的互斥。计算机科学项目（FIT3161）、高级研究项目（FIT3144）、数据科学项目（FIT3163）三条线各自独立，选了一条就不能再选另一条。想换线要先解决这条限制，别等选课被系统拦住才发现。

学完能做什么？

学完你能独立完成一份有文献、有方法、有伦理考量、经过答辩检验的数据科学项目提案——这是数据科学工作与科研的共同起手式。

学校官网列出的六条学习成果，逐条对应着具体能力：

• 项目管理（含团队协作与人际沟通）——能识别并执行系统开发项目的关键管理要素。
• 方法选型——能评估并选用适合特定项目的研究方法与数据准备、分析技术，并进行伦理与职业实践。
• 文献能力——能搜索、获取并分析研究文献，作为方案开发的一部分。
• 团队运作——能作为开发团队的有效成员工作。
• 沟通——能以书面与口头形式沟通拟交付物，并反思其价值与成功可能性。
• 原型与结果表达——能开发、演示并解释分析结果、软件原型或模型。

去向层面：数据科学家、数据工程师、分析顾问是直接对口；继续修 FIT3164 完成整个项目序列是必修路径；打算读研的学生，文献搜索与方法选型这两条正是科研入门动作。

两项同侪评审的经历额外值钱：数据科学团队里，代码评审与模型评审是日常动作，而大多数本科生没有正式练过「评价别人的方案」——这门课给了两次带分的练习。

面试里「讲讲你的项目」是数据科学岗必考题。 立项阶段练的就是这道题的答案：为什么选这个题、为什么用这个方法、数据从哪来、局限在哪。这些问题在提案答辩里已经被追问过一遍。

难点与常见挂因

这门课的难点不在技术实现，而在「无讲授＋自主推进＋团队协作」三重自律要求——没人推你，但每一项都算分。

一、选题阶段：数据拿不到，全盘推倒

机制：数据科学项目依赖数据可得性。选了题目但数据拿不到、数据质量不够、或者清洗成本远超预期，中途换题的代价极高——文献、方法、提案全要重写。

为什么卡：国内课程项目的数据多由教师给定，来源与质量都有兜底；这门课要自己找数据、自己判断可用性。学生往往先定题、再找数据，顺序反了。

卡了会怎样：文献综述写不下去（无数据支撑的选题说不清可行性），提案的方法论章节没有落点，终期演示被问「你的数据在哪」时无从回答。

怎么补：选题之前先验证数据。在提案动笔前完成三件事——找到至少一个可获取的数据源、抽样看过字段与规模、确认清洗工作量可接受。数据验证做完再定题，这一步省不得。

二、文献阶段：综述写成摘录堆砌

机制：数据科学文献横跨统计学、机器学习与领域应用，三套术语同时出现。综述如果只是逐篇摘录，方法选型就没有依据。

为什么卡：国内本科阶段正式的文献综述训练很少，学生习惯「读一篇写一段」；而立项提案要求的是综合——从文献里得出「所以我选这个方法和这个数据」。

卡了会怎样：提案 10% 的书面报告拿不到分，更麻烦的是答辩时被追问「为什么用这个方法」答不上来——这直接连到 55% 的两场口头演示。

怎么补：每段综述必须落到一句自己的判断。写作时给自己定规矩：一段文献综述结尾必须有「因此本项目采用……」的句子；写不出这句，说明这段还没读透。

三、无讲授模式：第三周开始掉队

机制：本课不设讲座，只有小组与导师的定期会面。没有每周课表牵引，进度完全靠小组自驱。

为什么卡：国内学生习惯被课表推着走——有作业截止日、有每周上课。这里唯一的节奏是你自己定的例会，一旦某次会没开成，进度就断档。

卡了会怎样：早期信号很明确——第三到第六周没有任何产出。而期中路演在学期中段，25% 的成绩在这里就定了。

怎么补：每周自设三个产出目标并自查，导师会面之前把进度纪要发过去。把例会当正式课程排进日程，而不是「有空再约」。

四、协作阶段：分工不清，纪要断更

机制：15% 的分数直接落在会议纪要与录像上——协作过程本身就是考核对象，不是背景。

为什么卡：分工靠口头约定、执笔人固定一个人、会议纪要拖到下周才写，这些都是常见状态。国内课程的小组作业多以最终成品计分，过程不留痕。

卡了会怎样：15% 里丢分是明面上的；更严重的是导师与评审看不到团队运作的证据，终期演示的团队协作部分也会被质疑。连续两次纪要迟交就是明确的预警信号。

怎么补：固定例会加轮换执笔，纪要当日或次日成文。分工写进团队章程，第一次组会就按六条学习成果逐条认领负责人，之后每周检视分工是否需要调整。

五、演示阶段：超时与念稿

机制：两场口头任务合计 55%，这是全课最大的单项权重。

为什么卡：多数学生的准备方式是「写稿＋背稿」，但路演与答辩考的是叙事线和临场问答，不是背诵。稿子写满、排练时已经超时，是极典型的早期信号。

卡了会怎样：超时被截断、问答环节答非所问，30% 与 25% 两项一起受损。没有补考，这两项就是最终结果。

怎么补：按四段结构写讲稿——问题、方案、证据、计划；每段一句话讲清要点，然后脱稿练三轮，其中至少一轮找人扮演评审提问。排练时就掐时间，超时说明内容要砍，不是语速要快。

六、伦理章节：不知道要写

机制：第二条学习成果明确要求「伦理与职业实践」。数据科学项目涉及数据隐私与算法偏见，这一章不是可选项。

为什么卡：国内学生少有正式写过数据伦理声明，常见的处理是在提案末尾加一句「本研究遵守学术伦理」就算完。这在评审眼里等于没写。

卡了会怎样：提案报告与终期演示的伦理部分同时失分——两项都覆盖这条成果。

怎么补：按「数据来源合法性—隐私保护—算法偏见风险—缓解措施」四段式起草，写满一页，请导师审阅后再定稿，让伦理章节与提案主体同等完整。

七、原型表达：做了但讲不清

机制：第六条学习成果要求「开发、演示并解释」分析结果、软件原型或模型——重点在「解释」，不是「交代码」。

为什么卡：国内课程的原型验收标准通常较浅，跑通即可；这里要讲清为什么选这种方法、结果意味着什么、局限在哪。

卡了会怎样：终期演示被追问即卡壳，评审会认为你不理解自己的工作。

怎么补：给每个结果准备一句「所以呢」的解释——这个指标说明什么、这个局限意味着什么。能用一句话讲清局限的学生，比能多跑两个模型的学生更容易拿分。

留学生特别提醒

中国学生最容易在六处吃亏：学分门槛没自查、跨文化分工被动、无讲授节奏失控、英文答辩临场卡壳、伦理章节交白卷、过程证据不留痕。

• 对照成绩单逐项核对 72 学分与 60 学分 FIT/MAT 两项门槛，缺口先补再选本课；转学分的学生尤其要核，别等选课被系统拦下才发现。
• 第一次组会就按六条学习成果逐条认领负责人并写进团队章程；本地学生习惯主动认领，等分配会错过角色，之后每周检视分工是否需要调整。
• 每周自设三个产出目标并自查，导师会面前把进度纪要发过去；没有课表牵引时，自设节点是唯一防掉队的办法。
• 每次演示按「问题—方案—证据—计划」四段写讲稿，脱稿练三轮，其中一轮找人扮演评审提问；临场问答是 55% 里最容易丢的部分。
• 提案的伦理章节按「数据来源合法性—隐私保护—算法偏见风险—缓解措施」四段写满一页，请导师审阅后再定稿，不要用一句话敷衍过去。
• 文献综述每段结尾写一句「因此本项目采用……」；写不出这句就说明这段还没读透，先回头重读再往下写。

怎么准备？

准备的关键是三条：先把学分与先修核清、把例会制度建起来、把口头表达的底子垫上。

• 核先修：FIT1049/FIT1055 任一、〔FIT2094 或 FIT3171 任一〕加 FIT2086、FIT1043、FIT2004——四条逐条对照成绩单。
• 核学分：72 学分总量与 60 学分 FIT/MAT 两项都要够，转学分部分单独核。
• 核禁选：确认没有修过 FIT3144 与 FIT3161，避免选课被拦。
• 定例会：开学第一周定下固定例会时间与执笔轮换顺序，写进团队章程。
• 练文献：找三篇同方向论文做一次综合式综述练习，每段落到一句自己的判断。
• 练表达：把过去做过的项目用四段结构讲一遍并录像回看，先解决超时与念稿。
• 备伦理：找一份数据伦理声明的范例，按四段式改写成本项目版本。
• 熟工具：项目编码与实现所需软件在学生机房免费可用，开学先确认工作环境跑得通。
• 看往届：了解同方向的立项提案长什么样，重点看方法与伦理两章怎么写。
• 教材：本课无指定教材，文献即主要材料，按项目主题自建阅读清单。

中英术语速查

• data science project —— 数据科学项目：以数据问题为核心的完整实践项目。
• proposal —— 提案：立项阶段的核心书面产出。
• pitch —— 路演：短时间内在评审面前讲清项目价值与方案。
• presentation —— 演示：项目成果的口头汇报。
• literature review —— 文献综述：对已有研究的综合而非摘录。
• research method —— 研究方法：回答研究问题的系统性路径。
• data preparation —— 数据准备：清洗、整理、转换数据的过程。
• data analysis technique —— 数据分析技术：用于得出结论的具体方法。
• ethics —— 伦理：数据来源、隐私与使用边界的规范考量。
• professional practice —— 职业实践：行业规范与责任要求。
• algorithmic bias —— 算法偏见：模型输出对某些群体的系统性偏差。
• data privacy —— 数据隐私：个人信息的保护与合规使用。
• prototype —— 原型：验证想法的最小可用实现。
• supervisor —— 导师：指导项目方向的教师。
• studio —— 工作室：以项目为中心的学习形式。
• project management —— 项目管理：计划、分工、进度与风险管理。
• teamwork —— 团队协作：共同完成项目的能力与过程。
• interpersonal communication —— 人际沟通：团队内外的信息交换。
• meeting minutes —— 会议纪要：记录讨论与决议的书面材料。
• vlog reflection —— 视频反思：以影像形式记录并反思学习过程。
• peer review —— 同侪评审：评价其他小组的方案与成果。
• critique —— 评析：有依据的批评与建议。
• deliverable —— 交付物：项目要提交的具体成果。
• learning outcome —— 学习成果：课程规定的可验证能力目标。
• credit points —— 学分点：莫纳什的课程计量单位。
• EFTSL —— 等效全日制学生学习负荷：课程体量的官方计量。
• prerequisite —— 先修：选课前必须完成的单元。
• prohibition —— 禁选：与本课互斥、不能同时修的单元。

关于我们

鱼之跃做在读留学生的学业支持，服务分两块，界限很清楚：

辅导＝老师授课：由 QS 前 200 院校的硕博老师把课程的知识点、推导链、作业要求讲透，按对口专业配课；覆盖同步辅导、论文辅导、考前辅导、预习。

护航＝你的学业管家：排计划、理材料、理流程这些杂事都替你打点好，该提前准备的他先想到；你只管学，有事随时找，需要时都在。同地区的留学学姐，熟悉你所在学校的节奏。

学术问题上的申诉，我们做材料梳理与流程陪跑，不代写、不代考、不碰学术诚信边界，也不承诺任何成绩。

课程官网与核对说明

课程官网（学校官网）：https://handbook.monash.edu/2026/units/FIT3163

本文涉及学校、开课单位、单元代码、学分点与 EFTSL、层级（本科 / Level 3）、四个场次（第一学期 Clayton、第一学期 Malaysia、第二学期 Clayton、第二学期 Malaysia，全部面对面）、12 学分项目序列与出口 FIT3164、无常规讲授与导师会面制、交换学习、单元简介与项目可选形态、六项学习成果、七项考核结构（30%＋25%＋15%＋10%＋10%＋5%＋5%、合计 100%、无 hurdle、不提供补充考核、各任务学习成果映射与终期演示未给映射）、先修的两层门槛（72 学分含 60 学分 FIT/MAT）与嵌套组合、禁选 FIT3144 与 FIT3161、无指定教材、技术资源等事实，均来自上述学校官网单元页；核对时间为 2026-10-30。文中「与国内课程差异、先修判断、难点、适合谁、怎么准备、学完能力」等属于基于课程内容的分析与学习建议，不代表学校官方要求。

← 学业指南首页课程库