新南威尔士大学 DATA1001《数据科学与决策导论》：学什么、怎么考、难在哪

UNSW DATA1001 是数据科学入门本科课（6 学分）：统计、经济、计算机三学院联合授课，覆盖概率、回归、机器学习与 R 语言；考核为三份各 15% 的作业加 55% 期末，期末卷面须达 40% 才能过。

课程官网（学校官网）：https://www.handbook.unsw.edu.au/undergraduate/courses/2026/DATA1001

DATA1001 是一门什么课？

一句话：一门课让你把统计、经济、计算机三条数据科学路线各看一遍——它是平台课，负责帮你选路，也负责把地基打好。

这是新南威尔士大学（UNSW Sydney）理学院下属数学与统计学院（School of Mathematics & Statistics）开设的本科课程，课程代码 DATA1001，英文名 Introduction to Data Science and Decisions，中文通常译作「数据科学与决策导论」（通用译名，官网只给了英文课名）。官网标注 6 Units of Credit（6 个学分单位），校区 Sydney，课程属性同时标为 Introductory Course（入门课，通常是后续更进阶课程的先修）和 General Education（通识课，通常修读本专业学习领域之外的课程）。

官网定位是「数据科学的整体概览，作为后续数据科学学习的平台」。内容来自三个领域——数据科学在计算机科学、经济学、数学与统计中的基础应用——列出的主题包括：

• databases（数据库）：存数据的表格系统；
• data analytics（数据分析）：把数据变成结论；
• data mining（数据挖掘）：从大量数据里找规律；
• Bayesian statistics（贝叶斯统计）：先有一个判断，再随新数据修正它；
• statistical software（统计软件）：课程用 R/RStudio；
• econometrics（计量经济学）：用统计方法检验经济问题；
• machine learning（机器学习）：让算法从数据里学规律；
• business forecasting（商业预测）：用历史数据估计未来。

教学形式是每周直播讲座（weekly live lectures），由数学与统计、经济、计算机科学与工程三个学院的老师分别讲授，再用辅导课/工作坊（tutorials/workshops）继续练习。从三份作业的名称（统计/经济/计算机）和到期周（通常第 3、7、10 周）看，课程大致按「统计 → 经济 → 计算机」三段推进，每段由对应学院的老师负责——这是按官网考核安排排出的顺序，不是官方周计划。

和国内「数据科学导论」有什么不同？

和国内课程比，最大的差别是：一门课三个学院轮流上，而且期末有一条 40% 的及格线。

• 国内「概率论与数理统计」偏重公式推导和期末大题；本课概率只占前三周，随后马上进入回归、机器学习，面广而浅。
• 国内「数据科学导论」多由计算机学院一个单位开设；本课由三个学院联合授课，每块内容由对应学科的老师来讲。
• 国内常见「平时作业加闭卷期末」；本课拆成三份个人作业（算题、回归报告、计算机作业）加期末，作业有评分细则表（rubric）和个别评语（官网写明 marked rubric and individualised comments）。
• 国内同类课程用什么软件因学校而异；本课把 R/RStudio 直接写进学习成果，会用 R 做统计计算是明确要求。
• 国内课程很少设「期末单科及格线」；本课官网写明期末卷面至少 40% 才能过——作业再高也救不回来。

考核怎么算？

Statistics Assignment 15% + Economics Assignment 15% + Computer Science Assignment 15% + Final Exam 55%；期末卷面至少要拿到 40% 才能通过整门课。

官网对每一项都写得具体：

• Statistics Assignment（15%，个人）：考查第 1–3 周内容，要求计算概率并用关键理论工具探索随机变量的性质；通常第 3 周截止，截止后给带详细解答的批改报告。
• Economics Assignment（15%，个人）：对真实商业问题做回归分析并使用数据可视化工具，写一篇 1,000 词以内的英文报告；通常第 7 周截止，反馈为评分细则表加个别评语。
• Computer Science Assignment（15%，个人）：延伸课程计算机科学部分的技能，题目「受真实场景启发」；通常第 10 周截止，具体内容学期内公布。
• Final Exam（55%，个人）：通常 2 小时，题型为选择题（multiple choice questions）、短数值题和简答题；覆盖学期所有周的讲座、辅导课和工作坊。

这个结构意味着两件事：

第一，作业合计 45%，但作业得分再高也代替不了期末。官网那句「You need to achieve at least 40% in the final exam to pass the course」是硬门槛：期末卷面低于 40%，整门课不及格——把宝押在平时、期末裸考，是最常见的翻车姿势。

第二，期末是「广度考法」。2 小时里覆盖全学期三大学科的内容，题量大、每题时间短；习惯国内几道大题慢慢推导的同学，要专门练「快而准」。

先修要求是什么？

官网的课程页没有列出先修课或入学条件。

官网只把这门课标为 Introductory Course（入门课）；是否有专业限制或先修建议，以官网给出的课程大纲链接（UNSW course outline）和选课系统为准。

不过「无先修」不等于「零准备」。从课程内容看，前几周的概率计算和第 7 周的回归报告是两个集中压力点；数学基础偏弱的同学，入学前最好把基础概率过一遍，同时练一练英文学术写作——Economics Assignment 要用英文写报告，这两项准备都直接对应考核。

学完能做什么？

官网列出 6 条学习成果（CLO1–CLO6），从算概率一路到用神经网络做分类。

逐条对应到能力上：

• 能在给定场景中应用概率规则计算关键量（CLO1），用关键理论工具探索随机变量的性质（CLO2）；
• 能在应用场景中使用统计推断的关键方法（CLO3，statistical inference：用样本数据推断总体情况）；
• 能用 R/RStudio 完成统计计算和模拟（CLO4）；
• 能使用各类数据可视化工具、做回归分析（regression，用一个或几个变量去解释另一个变量的变化）并从数据中做因果推断（CLO5）；
• 能应用基础数据科学技术与工具，包括朴素贝叶斯（Naïve Bayes，按概率给数据分类）、决策树（Decision trees，像问答流程图一步步分类）、K 近邻（K-NN，看离自己最近的 K 个样本属于哪类）、无监督学习（unsupervised learning，数据没有标准答案，让算法自己分组）和神经网络（neural networks，多层相连的计算单元，能学复杂规律）（CLO6）。

去向方面，官网把这门课称为「数据科学进一步学习的平台」——它本身不直接对应某个岗位，而是后续数据科学、统计、经济和计算机课程的入门台阶；同时，一份 1,000 词以内的回归报告加 R 的实操经验，就是你第一段能写进简历的数据分析经历。

适合谁：想进数据科学但还没选定方向的一年级学生——一门课看到统计、经济、计算机三条路的样子，用来判断后续选哪条；商科、经济、理科和工程专业想补数据基础的学生——官网标注了 General Education，可作本专业之外的选修。已有扎实概率统计与机器学习基础的同学会觉得偏浅（每个主题只讲入门层面），更适合直接选更高阶的单科课；数学基础薄弱又不愿写英文报告的同学会吃力。

难点与常见挂因

这门课的难点不在深，在「广」和「换」：每个主题都不深，但三个学科的思维方式来回切换，期末还要一口气全考。

具体难在这些地方：

1. 概率是前三周的硬关卡。 概率与随机变量（random variable，取值带随机性的量，如一次抽样的结果）是抽象的数学对象，CLO1、CLO2 要求算出具体概率值；后面的统计推断、贝叶斯和朴素贝叶斯分类全部建立在它上面——这一关没过，后面节节卡。好消息是官网给了缓冲：Statistics Assignment 截止后发带详细解答的批改报告，第一关卡住的人有官方的补救材料可循。
2. 三个学科要换三套提问方式。 统计关心「不确定性有多大」，经济关心「回归结果在商业问题里意味着什么」，计算机关心「算法怎么跑」；同一学期来回切换，很多同学不是学不会，是没意识到该换脑子。一个实用信号：拿到作业先问「这是哪个学院出的题」——答案定了，你的论证口吻、报告格式、甚至该用图还是该用表，就都定了。
3. 机器学习名词集中轰炸。 CLO6 一次性出现朴素贝叶斯、决策树、K-NN、无监督学习、神经网络；6 学分里每个只能讲浅，但都要求会用，概念特别容易混——「哪个是分类的、哪个是分组的、各自什么时候用」，得自己整理清楚。
4. 相关不等于因果。 回归分析与因果推断（causal inference，判断 A 是否真的导致 B，而不只是同时出现）要求区分两者；数字算对但结论写错，是最常见的失分方式——回归报告里写一句「X 导致了 Y」，可能直接丢掉论证分。
5. R 是全程的工具底座。 学习成果里 R/RStudio 单独成一条，作业里的回归和模拟大概率要靠它完成；环境装不好、语法不熟，每一段学习都会被拖慢。

常见挂科原因，几乎都能对应到上面某一条：

• 期末低于 40%，只靠作业分数撑着。→ 每周把 lecture、tutorial、workshop 的题都做一遍，临近期末按「2 小时选择题加短答」的格式做模拟卷，练手感和速度。
• 前三周概率没学扎实，后面的贝叶斯、朴素贝叶斯和回归全都要用条件概率与随机变量。→ Statistics Assignment 发回后对着详细解答逐题订正，再补做同类题——这份批改报告是官网明说的反馈，别只看分数。
• 会跑 R 但不会解释结果，Economics 报告和期末简答都要求把数字翻译成结论。→ 每跑完一个回归，先用一句话写出系数的含义、再说清能否谈因果，然后才写报告。
• 把计算机部分当边角料——但 CS 作业占 15%，CLO6 也在期末范围内。→ 用小数据集手算一遍 K-NN 和朴素贝叶斯，弄清它们的输入、输出和适用场景。
• 三份作业同学期排队（第 3、7、10 周），节奏被打乱。→ 学期初就把三个截止日写进日历，每份作业提前一周启动。

留学生特别提醒

对留学生来说，这门课的坎集中在「英文报告」和「多教师轮讲」：计算不是问题，把结论写成英文论述才是。

• 1,000 词英文报告是很多同学的第一份。 Economics Assignment 要用英文解释回归结果和图表；不少中国学生计算没问题，卡在把统计结论写成完整的英文论述。对策是先搭固定骨架（背景一句、方法一句、图表说明、系数含义、结论与局限），每段先写中文再翻，第二次起直接英文。
• 区分相关和因果的英文表达要练。 "is associated with" 和 "causes" 的差别，既是统计概念也是语言习惯；报告里默认只写 association，除非有明确理由谈因果。
• R/RStudio 环境要自己装、自己调。 国内统计课常用手算、Excel 或 SPSS 的同学，需要额外时间适应写代码跑分析；开学前装好环境、跑通一个示例，能省掉第一周的慌乱。
• 三位老师、三种口音、三种讲法。 三个学院的老师轮流讲直播课，英语听力偏弱的同学容易「换人就跟不上」；对策是课后当周整理术语表、对照教材补缺口，别让欠账滚到下一位老师开讲。同一概念在不同老师那里可能叫不同名字，术语表里多记一列「又叫什么」，复习时会省下很多困惑。
• 期末广度大，突击无效。 期末覆盖全学期、卷面 40% 是硬及格线；习惯考前两周冲刺的同学，这门课的风险结构不一样——每周清账才是安全线。选择题加短答的题型也决定了它考「认得出、说得出」，而不是「推得出」，靠理解的积累多于临场的推导。
• 作业反馈要用起来。 Statistics Assignment 有带详细解答的批改报告，Economics 有评分细则表和个别评语；这些都是官网写明的反馈渠道，逐条对照修改，等于每份作业多做了一遍。而且三份作业正对应期末的三大板块，第一份的漏洞补上了，期末就少丢一块。

怎么准备？

最划算的准备，是提前把概率基础和 R 环境准备好，再把「英文写结论」练成习惯。

• 入学前补一遍基础概率。 条件概率、期望、常见分布过一遍；前三周的节奏快，这一块有底，Statistics Assignment 就稳了。
• 提前装好 R 和 RStudio。 跑通一个小示例（读数据、画图、算均值），第一周就不用在环境上耗时间。
• 练一次「三句话结论」。 拿任何一组数据，用英文写「图表显示了什么、系数是什么含义、能不能谈因果」；这三句话就是 Economics 报告和期末简答的基本单位。
• 把三个截止日写进日历。 第 3、7、10 周各一份作业，学期初就排好各自提前一周启动的时间。
• 每次直播课后当天整理术语表。 三位老师的用词不同，当周对齐，别拖到期末统一猜。
• 手算一遍机器学习算法。 用十几个样本手算 K-NN 和朴素贝叶斯，弄清输入输出；CLO6 的名词轰炸最好的解法是「亲手算一次」。
• 按期末格式做模拟。 临近考试用「选择题 + 短数值 + 简答」的格式限时练，适应广度考法的节奏。
• 反馈逐条吃干。 每份作业的批改报告和评语都逐条对照修改；第二份作业的进步空间，就藏在第一份的评语里。

中英术语速查

• probability / random variable —— 概率 / 随机变量：事件发生的可能性 / 取值带随机性的量。
• statistical inference —— 统计推断：用样本数据推断总体情况。
• Bayesian statistics —— 贝叶斯统计：先有判断，再随新数据修正。
• regression —— 回归分析：用一个或几个变量去解释另一个变量的变化。
• causal inference —— 因果推断：判断 A 是否真的导致 B，而不只是同时出现。
• data visualisation —— 数据可视化：把数据画成图帮助理解和沟通。
• Naïve Bayes —— 朴素贝叶斯：按概率给数据分类的方法。
• Decision trees —— 决策树：像问答流程图一样一步步分类。
• K-NN（K 近邻） —— 看离自己最近的 K 个样本属于哪类来分类。
• unsupervised learning —— 无监督学习：数据没有标准答案，让算法自己分组。
• neural networks —— 神经网络：多层相连的计算单元，能学复杂规律。
• data mining —— 数据挖掘：从大量数据里找规律。
• econometrics —— 计量经济学：用统计方法检验经济问题。
• business forecasting —— 商业预测：用历史数据估计未来。
• R/RStudio —— 统计编程软件与其界面环境，本课的指定工具。
• rubric —— 评分细则表：按维度给分的评价标准，本课经济作业的反馈形式之一。

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.handbook.unsw.edu.au/undergraduate/courses/2026/DATA1001

本文涉及学校、学院、课程代码、课程名称、学分、课程属性、课程内容、教学形式、学习成果（CLO1–CLO6）、考核构成（三份作业各 15%、期末 55%、期末卷面 40% 及格线与通常 2 小时的考试时长）的事实，均来自上述学校官网课程页；核对时间为 2026-10-29。官网未列出先修课程，三段推进的顺序为按官网考核安排的分析判断；文中「与国内课程差异、难点、适合谁、怎么准备」等属于基于课程结构的分析与学习建议，不代表学校官方要求。

← 学业指南首页课程库