南安普敦 SESA1018《数据科学与计算方法》：100% 作品集，大一就要边做边留档

南安普敦 SESA1018《数据科学与计算方法》是大一第一学期 Level 4 模块：100% 作品集定成绩，用 Excel、Python、Matlab 从画图一路做到插值与积分。

课程官网（学校官网）：https://www.southampton.ac.uk/courses/2026-27/modules/sesa1018

SESA1018 是一门什么课？

一句话：这是大一第一学期的数字技能打底课——把「高中会算题」升级成「大一会用工具解题」，用 Excel、Python、Matlab 从数据里得到洞见。

这是南安普敦大学（University of Southampton）的本科模块，课程代码 SESA1018，英文名 Data Science & Computational Methods，中文常译「数据科学与计算方法」。学分 15 CATS / 7.5 ECTS，Level 4（本科第一年），Semester 1 开课，学年 2026-27，模块负责人 Simon Cox。

学校官网的课程概览开篇就引了一句名言：Hamming 的「The purpose of computing is insight, not numbers」——计算的目的是洞见，不是数字。这句话基本就是这门课的态度：工具是手段，理解数据才是目的。

课程承诺三件事：自信地使用一系列数据科学技术；增强数字技能；学会何时、何地、如何用重要的计算工具、技术与平台。用学校官网的话说，这门课帮你掌握整个学位与未来所需的日常与工程数字技能。

大纲有四大块：

一、数据科学

• 可视化与数据处理：画图到 2D/3D/时间序列；统计与不确定性；拟合与插值；函数求解。
• 工具：Excel、Python、Matlab。

二、数字技能·工具与平台

• 工具入门：Excel、Python、Matlab、Arduino IDE。
• Python 建构块：变量与循环 → 函数、异常与测试 → 数据输入输出 → 列表、数组、字典 → 生态（NumPy、Jupyter）→ 健壮工程。

三、数字技能·技术

• 网络安全入门：环境、工具与技术；数据系统安全；风险缓解。
• 更广主题：数据管理、ML/AI/自主系统、伦理关切、数据来源的负责任使用、社会影响。

四、计算方法

• 数据分析一：插值与最小二乘、求根。
• 数据分析二：梯形法、Simpson 法、自适应积分。
• 线性系统：高斯消元与 LU 分解。
• Runge-Kutta 入门；案例。

四块的关系可以概括成一句话：看到 → 画出来 → 算出来 → 做得安全。 可视化建立直觉，Python 是主武器，计算方法给数学根基，网安与伦理教底线。

教学方式上，学校官网的原话是 You learn by doing——以一系列实操计算活动为主，辅以讲授、工作坊、自步学习与辅导；个人反思与同伴互学扮演重要角色。工具要求也很明确：学生要在自己的电脑上安装 Excel、Python 与 Matlab；实验课的师生比要求是 10:1。教材四本，包括 Kiusalaas 的《Numerical Methods in Engineering with Python 3》、VanderPlas 的《Python Data Science Handbook》等。

和国内大一计算机课有什么不同？

最大的差别是「融在一门」与「怎么算分」：国内「计算机基础／程序设计」以一门语言单独开课、以笔试或机考评分；这门课把数据科学、数字技能、网络安全与计算方法四块融在一门大一课里，且 100% 作品集评价。

• 打包方式不同：国内单独开一门语言课；这门课对准工程场景，四块合讲。
• 考核不同：100% 作品集、零考试；国内大一程序设计以笔试或机考为主，过程性评价少。
• 数字技能的定义更宽：明确列出 Arduino IDE 与 Jupyter 生态这些「环境」维度；国内课通常只教一门语言。
• 伦理与安全同列大纲：国内同类课几乎不涉及这些维度。

考核怎么算？

Portfolio（作品集）占 100%。Repeat type 为 Internal & External。作品集的构成与截止安排，学校官网没有提及。

有一条信息很关键：学校官网 Aims and Objectives 里，八条 CEng（工程项目第一部分）学习成果全部标注 "assessed via portfolio"。这八条包含风险管理、技术与非技术受众沟通、选对计算分析技术并认识其局限、识别伦理关切并做有据选择、用第一性原理分析复杂问题、评估环境与社会影响、应用数理与工程原理、采取整体与适度的安全风险缓解。

也就是说：整个学期没有一张卷子，你的作品集就是你的分数，而且它评的不只是「代码跑没跑通」，还包括你怎么选技术、怎么识别局限、怎么谈伦理与风险。

这套结构对不同学生的影响很不一样：

• 对爱动手、愿意边做边记的学生是红利：每次实操都留档，期末只是整理。
• 对「等考前背」的学生是彻底的坏消息：作品集不能突击，补出来的东西没有过程痕迹，评分标准里的反思深度直接为零。
• 反馈渠道是齐的：学校官网写明反馈通过模块沟通渠道、讲授、工作坊、辅导及形成性活动提供，且面向全班、小组与个人分别反馈——这意味着反馈密度很高，前提是你在场、在动手。

先修要求是什么？

学校官网没有提及先修课程要求。作为大一第一学期课，设计上就不设前置——编程从最基础的概念教起，数学到「该用什么方法」时再讲原理。

真正需要的是两样：高中数学基础（函数、微积分初步）和愿意动手的心态。

还有三条硬条件要提前知道：

• 要自备能装软件的电脑：Excel、Python、Matlab 都要装。
• 实验课师生比 10:1：手把手教，但也意味着你必须在场动手，缺席等于放弃这部分指导。
• 教材要跟着用：四本书覆盖数值方法、Python 数据科学与 Python 入门。

适合谁：工程与理科方向的全体大一新生——这是学位数字技能的地基课，越早学扎实越好；动手型学习者——边做边学是设计哲学，光听不练等于没上；零基础但愿意投入的学生——课程从零教起，但节奏不慢，一学期覆盖四块。

不太适合：已系统学过 Python 与数值方法的学生——内容会显得浅，但作品集的过程要求仍需完成。

学完能做什么？

核心是四件事：能把一组工程数据走完「读取—清洗—可视化—拟合—数值求解—报告」全流程、能选对计算分析技术并认识其局限、能把结果讲给技术与非技术受众、能在写代码的同时想到安全与伦理后果。

学校官网的表述是：能选择并应用合适的计算与分析技术来建模复杂问题，并认识到其局限；能自信使用一系列数据科学技术；这门课帮你掌握整个学位与未来所需的日常与工程数字技能。

展开来看：

• 一条贯穿全学位的流程：读取 → 清洗 → 可视化 → 拟合 → 数值求解 → 报告。这条流程后面所有工程课程与毕业设计都会用。
• 三套工具的基本功：同一件事在 Excel、Python、Matlab 里做法不同，「什么场景选什么工具」本身就是考核点。
• 第一份技术作品：大一作品集里最好的那个数据分析小项目，放进简历就是你的第一份作品——比任何自我描述都有说服力。
• 求职起点配置：这是通用基座而非就业直通课，但 Python 加数据加网安意识，是大二暑期找技术实习时的起点配置。

难点与常见挂因

这门课的难点不在内容深度，而在三个「第一次」：第一次写程序、第一次面对近似而非精确的答案、第一次被要求边做边留证据。三个第一次都发生在同一个学期，而且没有考试给你临场补救的机会。

为什么中国学生容易在这里卡？

• 编程零起步是最陡的坡。 变量、循环、函数这些概念对没写过程序的毕业生是全新思维。国内高中有信息课但不写代码，第一周配环境就会卡住一批人；到「模块化设计」（函数与异常）阶段是第一道分水岭——高中「能跑就行」的习惯，在这里第一次暴露为「不会设计」。
• 三套工具的切换会乱。 同一件事在 Excel、Python、Matlab 里做法不同，大一新生容易混乱；作品集里切换是常态，只熟一套就丢另一套的分。而「什么场景选什么工具」本身就是考核点。
• 数学直觉到数值方法的跨越。 「求根」「积分」在高中是精确符号运算，这里变成迭代逼近与误差控制。第一次面对「答案不是精确值而是近似值」时，误差容忍与判断要专门练；「这个近似够不够好」比「算出多少」更常被问。
• 作品集需要持续投入。 八条成果全部以作品集评价，意味着每项实操都要留档与反思。国内大一以考试为主，学生没有「边做边留证据」的习惯；期末补作品集是灾难——补出来的东西没有过程痕迹。
• 多维度素养叠加。 技术之外，伦理、安全、社会影响全进了大纲。十八岁第一次被要求「写代码同时想后果」，认知负荷不小——伦理与安全在作品集里是必答项，不是加分项。
• 英文报错信息读不懂。 Python 官方文档、报错信息、工具教程全是英文，大一新生英语学术阅读还在起步；一个报错读不懂就卡死，不敢往下走。
• 从「标准答案」到「作品集」的评价体系切换。 国内高中一切以对错打分，作品集评的是过程证据与反思；代码跑对了但没写「为什么这么做」「如果重做会怎么改」，分照样低。
• 工作坊里沉默。 工作坊以同伴互学为设计，说话就是学习方式；沉默等别人给答案，就错过了互学环节的锻炼。
• 数学术语的英中映射。 interpolation、quadrature、LU decomposition 在国内大一教材里是中文符号，英文课堂第一次对不上号；听懂了方法但记不住英文名，查资料方向就错。
• 自主学习节奏没人催。 自步学习是课程设计的一部分，大一新生不习惯；前几周「等布置」，后面实操跟不上。
• 伦理讨论表达慢。 有想法但英文表达慢，讨论结束了才想到该说什么。

卡住之后会发生什么？

• 环境配不起来，第二周还没跑通第一个程序，后面每一次实操都在追赶。
• 听课时觉得都懂、上机时写不出，工作坊里靠抄同伴代码，作品集里全是别人的思路。
• 作品集拖到期末，第四周文件夹还是空的，最后只能补出一堆没有过程的东西。
• 只会一套工具，作业里能避开就避开，三套工具的分丢两套。
• 数值方法只背公式，换一组参数结果不对就重头抄，说不出「为什么近似」。
• 反思写成流水账，只记操作步骤不记学到了什么，反思深度分为零。
• 伦理与安全两项在作品集里交白卷——它们是必答项。

五处高频卡点

1. 环境与第一行代码：装好、跑通、能保存。
2. 函数与异常：从「能跑」到「会设计」。
3. 三套工具切换：什么场景用什么工具。
4. 近似与误差：答案不精确时怎么判断够不够好。
5. 作品集留档：过程证据与反思。

常见挂因与对应动作

• 环境配不起来就放弃。 机制：第一周 Python 环境报错，没及时求助。早期信号：第二周还没跑通第一个程序。怎么补：第一周内解决环境问题（求助导师或同学），能独立运行并保存一个 .py 文件。
• 看懂了但不动手。 机制：听课时觉得都懂，上机时写不出。早期信号：工作坊靠抄同伴代码。怎么补：每次工作坊独立完成后再对照他人，每道题至少独立敲一遍。
• 作品集拖到期末。 机制：没有过程留档的习惯。早期信号：第四周作品集文件夹还是空的。怎么补：每周固定整理一次（代码加三行反思），到期中自查无空周。
• 只会一套工具。 机制：Python 练熟了就避开 Excel 与 Matlab。早期信号：作业里能避开就避开。怎么补：每周至少一道题用「非主用工具」做一遍，三套各会基础操作。
• 数值方法只背公式。 机制：不理解误差与收敛，变式就懵。早期信号：换一组参数结果不对就重头抄。怎么补：每个方法手算一个小例子并解释「为什么近似」，练五题。
• 反思写成流水账。 机制：只记做了什么，不记学到了什么。早期信号：反思栏全是操作步骤。怎么补：每次反思必含「下次会怎么做不同」一句，期末自查全档。

留学生特别提醒

中国学生最容易在六处吃亏：英文报错读不懂、不会留过程证据、工作坊不开口、数学术语对不上英文、等着被布置、伦理讨论说不出口。

• 把常见报错做成卡：原文、含义、解法三栏；看到新报错能三步定位，才算够。
• 每次实操后固定写三行：做了什么、卡在哪、学到什么；每周整理进作品集并加一个反思标签。
• 每次工作坊带一个具体问题去，能在同伴面前演示一次自己的解法，才算过关。
• 每周把大纲术语做成卡：英文、公式、一句白话；看到英文名能写出公式，才算够。
• 每周固定时段做自步模块，当周清零，连续四周不积压。
• 伦理讨论课前写两行观点，先照稿发言，再练即时反应。
• 别把「作品集」当作业：它是你到期末唯一的凭据，周周留痕比期末加班可靠得多。

怎么准备？

准备的关键是三条：第一周把环境彻底跑通、把「三行反思」变成每次实操的固定动作、把三套工具都摸一遍基础操作。

• 开学前先装好 Python、Excel、Matlab，跑通一个最简单的程序并保存。
• 报错卡：常见十种报错，原文、含义、解法。
• 每周三行反思，周周归档。
• 三套工具各做一道题：同一件小事在 Excel、Python、Matlab 里各做一遍。
• 数值方法手算例：每个方法一个小例子，解释近似来源。
• 术语卡：interpolation、quadrature、LU 这些词英文对公式。
• 工作坊带问题：每次至少一个问题。
• 作品集每周整理一次，不要等到期末。
• 把「为什么近似」写进每份作业：数值方法的题，光给答案不给误差解释，反思深度那一项就没分。
• 提前熟悉 Jupyter：笔记本式环境写起来比纯脚本直观，作业展示也更清楚。

中英术语速查

• data science —— 数据科学：从数据中提取洞见的方法集合。
• computational methods —— 计算方法：用数值手段求解数学问题。
• portfolio —— 作品集：本课唯一的计分考核。
• visualisation —— 可视化：把数据画成图。
• interpolation —— 插值：用已知点估计中间值。
• least squares —— 最小二乘：使误差平方和最小的拟合方法。
• root finding —— 求根：找方程的解。
• quadrature —— 数值积分：用离散近似求积分。
• trapezoidal rule / Simpson's rule —— 梯形法 / Simpson 法：两种数值积分方法。
• adaptive integration —— 自适应积分：按误差自动调整步长。
• Gaussian elimination —— 高斯消元：解线性方程组的方法。
• LU decomposition —— LU 分解：把矩阵分解为下三角与上三角。
• Runge-Kutta —— 龙格-库塔法：解常微分方程的数值方法。
• NumPy —— Python 的数值计算库。
• Jupyter —— 交互式笔记本环境。
• cybersecurity —— 网络安全：保护系统与数据免受攻击。
• risk mitigation —— 风险缓解：降低风险的措施。
• self-paced learning —— 自步学习：按自己的进度推进。

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://www.southampton.ac.uk/courses/2026-27/modules/sesa1018

本文涉及学校、模块代码、学分、层级、学期、学年、课程内容、教学形式、工具与教材要求、考核结构（含重复修读类型）、学习成果与选课要求的事实，均来自上述学校官网模块页；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