奥克兰大学Data science硕士课程旨在让学生了解如何使用可衡量的数据驱动的见解做出决策。通过完成计算机科学和统计学的核心课程，学生将获得一系列数据科学技能，并能够有效地理解、处理和管理数据，以从中提取价值。作为该专业的新生，提前进行课程预习可以为后续的学习减轻很多负担。以下是建议新生预习的基础课程的主要内容，有需要的同学不妨了解一下。

一、算法基础

本课程提供了研究生水平的算法设计和分析的全面介绍。课程涵盖了算法的设计，如贪婪算法，分治和动态规划。探索了有助于实现算法的数据结构。教授了分析算法的基本工具，例如空间和时间的最坏情况和平均情况分析。

二、数据库系统高级主题

本课程介绍了数据库系统的基础，目的是使学生能够构建高效的数据库应用程序。课程分为两部分：第一部分教学生如何设计和使用数据库应用程序，第二部分介绍事务，并深入探讨如何构建数据库系统以在当前不断变化的环境中工作。课程涵盖了关系模型、关系代数、关系演算、SQL、SQL和编程语言、实体关系模型、标准化、查询处理和查询优化、ACID事务、事务隔离级别、数据库恢复、数据库安全、数据库和XML。

三、机器学习基础

这门课程将提供机器学习的基础。通过本课程，学生将学习基本的算法原理和挑战，包括让计算机从数据中学习，以及发展解决不同学习问题的实用技能和批判性评估建模结果的能力。这将有助于学生进一步专攻数据科学、机器学习或人工智能的高级领域。本课程提供了机器学习的广泛介绍。学生将掌握基本的数学技能、统计分析和概念的基础、良好的编程技能(课程的首选编程语言是python，或者可能是R)，以及对算法设计和计算复杂性的良好理解。

四、统计学计算导论

这门课程是对统计学和数据分析的系统介绍，面向具有一些计算经验的其他学科的研究生。课程涵盖了统计数据分析的基本工具以及统计推断概念的介绍，涉及频率主义和贝叶斯。

五、数据科学回归

本课程对拟合线性和广义线性模型的实际方面进行了研究，涉及估计、诊断和推理。提出了线性模型的几何解释，以增强学生对这些模型的理解。讨论了回归模型的两个主要用途，即预测和解释。讨论了与预测模型相关的问题，例如估计预测误差的方法、模型选择的标准、模型建立和预测建模的道德。探讨了与解释模型相关的问题，例如混杂，因果推理和因果图的模型选择。此外还介绍了其他现代回归方法，如lasso和分位数回归。

六、数据科学的统计学习

这是一门使用真实数据进行预测建模的课程。课程涵盖的预测技术包括线性回归和判别、基于树的模型和神经网络。同时，课程还涵盖了为分析准备真实世界数据所需的清理和操作，以及使用自动预测模型所引发的一些道德问题。除了能够使用R应用建模技术之外，课程还强调了对建模技术的理解。课程中开发的技能对那些希望从事数据科学和预测建模相关职业的学生特别有用，这些领域需求量很大。

七、统计计算

本课程将教授R、数值计算和图形学中的高级统计程序设计，这是进行统计研究和为R统计系统创建扩展包所必需的技能。课程的前半部分涵盖了基本概念、控制流程和功能、矩阵、数值计算和统计数据。后半部分涉及到图形，S3和S4系统，使用多重继承，安装和创建软件包，效率考虑因素和范围。

以上就是奥克兰大学Data science硕士学位的基础课程。新生如果能提前预习好上述几门课程，就可以为后续一系列课程的学习打下坚实的基础。