政治与数据科学（包括实习年） BSc (Hons)

University of Essex - 埃塞克斯大学

什么是一个好的研究项目？你要考虑社会科学中的科学工作和程序的基本知识，以便了解社会科学调查的哲学和理论，并在整个学位阶段提高你的研究水平。

研究 "西方 "哲学传统中的一些基本文本。我们研究这些文本背后的假设，以及它们对我们今天的影响。我们探讨正义、平等、自由、民主、自由主义、共和主义、性别和劳动的意义以及大众社会和个人等深刻的主题。

什么是 "政治"？在不同的文化背景下，人们是如何看待政治分析、国家、法律、战争和政党的？获得对政治研究中基本概念的理解，并探索使民主成为可能的经济、社会和知识趋势。

本模块的目的是对计算机编程的基本概念进行介绍。在完成本模块后，学生将能够展示对程序设计模型的基本原则和概念的理解，解释并利用支持控制、数据和程序抽象的高级编程语言特征。同时，他们将能够分析和解释包含标准控制结构、参数化函数、数组、结构和I/O.... 的简单程序的行为。

想成为一名Java程序员吗？本模块涉及的主题包括控制结构、类、对象、继承、多态性、接口、文件I/O、事件处理、图形组件等。你将在有监督的实验室课程中发展你的编程技能，如果你需要帮助，你将会得到帮助。

本模块的目的是提供对网络应用程序设计原则的理解，并提供在其建设中使用的技术的实践经验。

本模块在之前获得的通用编程能力的基础上，增加了游戏的具体技术和材料。主题包括基本的游戏类和循环；使用2D图形、图像和声音；碰撞检测、游戏AI、粒子效果、程序性内容生成、物理引擎等等。学生通过设计和实现一个二维视频游戏来展示他们的编程技能和创造性的天赋。

我们应该如何处理不同国家之间的关系？探讨可以看待世界的不同理论视角，包括讨价还价理论、自由主义制度方法和基于情感的国际政治行为的心理学模型.

我们如何利用统计数据回答政治问题？学习如何找到相关的研究设计和问题，以便在政治研究中使用定量方法，协助你在其他模块中的工作并改善你的工作前景。

本模块通过对进一步的Java语言原理和重要的应用编程接口（API）的处理，扩展了学生在面向对象应用编程方面的知识和技能。对Java集合API进行了更详细的探讨，重点是如何利用这些类来达到最佳效果。特别关注的是与数据库的交互（如通过JDBC）和编写安全的应用程序。

本模块介绍了对社会数据科学家有用的基本技术工具。社会科学家在很大程度上是通过分析经验数据来了解社会的。特别是，当我们生活在大数据时代，每天和每秒都有大量的数据产生，并以非常规的方式提供，我们需要新的技术技能，以便能够有效地利用这些数据来了解世界的新方面，而这些方面是最近才开始接触的。

本模块应用数据科学的技术技能来分析社会数据，以提取和测量有意义的概念，最终了解社会现象。为此，首先，本模块将对机器学习中的关键概念和模型进行简要介绍。其次，我们将应用机器学习算法来分析文本数据：包括监督和非监督的。在此过程中，我们将探索学者们分析文本数据的各种方法，以及在什么条件下应用哪种方法。第三，除了提取文本数据的简单测量值外，我们将讨论如何利用产生的测量值来检验理论上的因果假设。讨论将介绍实验和准实验研究设计，它如何适用于文本分析，以及机器学习如何改进传统的经验模型以识别因果效应。在这个模块中，我们将使用R和Python编程语言。希望学生具备R或Python的基本编程技能以及回归分析的基本知识。

该模块使学生能够在外部实习供应商处进行完整的实习年。在实习期间，学生将完成一些评估，使学生能够利用和发展他们在学术课程中发展的知识和技能以及在执行实习任务中发展的基于工作的技能之间的联系。

本模块让你了解标准的IR模型，了解它们的优点和局限性，并教你如何设计和实现一个标准的信息检索系统。发现信息检索的重要基础，并获得最先进的搜索技术的坚实、适用的知识。探索搜索应用的高级概念，如个性化、特征分析和上下文搜索。

准备一篇10,000字的论文，研究你最热衷的政治话题。

作为人类，我们善于理解文本和对话的含义。我们还可以执行一些任务，如总结一组文件以集中于关键信息，根据文本回答问题，以及在使用双语时，将一种语言的文本翻译成另一种语言的流畅文本。自然语言工程（NLE）的目的是创建计算机程序，以类似的熟练程度执行语言任务。本课程为理解自然语言工程中的基本问题提供了坚实的基础，同时也使学生具备了建立小规模自然语言工程系统的实际技能。向学生介绍了NLE的三个核心思想：a）获得对语言核心要素的理解----单词、句子和完整文件的结构和语法，以及NLE问题如何与定义和学习这种结构相关；b）识别语言任务中自然存在的计算复杂性，以及人类容易解决但计算机却难以完成的独特问题；以及c）获得开发能够克服这些挑战的智能计算技术的专业知识.

理解如何使用不同的统计和实验方法来回答有关政治现象的问题。你要评估标准统计测试和线性回归模型的假设，考虑这些假设的替代方案，并学习因果推理.