PROGRAMME PROFILE
项目速览
- 主办 / 项目归属
- Wharton Global Youth / University of Pennsylvania
- 国家 / 地区
- 美国
- 形式与时长
- 线下 · 3 weeks
- 年龄 / 阶段
- Grade 10–11
- 项目类型
- 大学学术课程
- 资料年份
- 2027
资料核查：2026-11-10 · 官方事实与编辑建议分别标注
学习内容与方式
- 数据清洗与可视化
- 统计推断和模型评估
- 机器学习与负责任的数据使用
课程与学术内容解读
Data Science Academy 从数据整理、可视化、概率统计和回归分类逐步走向机器学习。当前官网说明以 R 为主要语言，在深度学习与大语言模型等部分选择性使用 Python。课程强调模型评估、偏差、公平性和结果沟通，因此重点并非只会调用一个工具，而是理解数据与结论之间的关系。
课堂、任务与学习节奏
公开课程结构包含短讲、示范、引导式练习、真实数据任务、助教辅导和团队 Capstone，并通过展示交流结果。当前资格说明面向 10–11 年级，强调较强数学与编程基础，统计经验有帮助。完成者获得完成证书；课程内容会随着方法与案例更新，不能把某个工具名称当作永久不变的课纲。
申请资格与国际学生路径
面向当前 10 或 11 年级学生，需有较强数学与编程基础；统计学经历有帮助。全球学生可以申请，具体材料及年度条件以官网为准。
申请时间与费用
时间安排
当前年度日期待官方公布或进一步核实。
费用说明
当前年度完整费用待核实。请确认课程、住宿、餐饮、保险与交通的包含项。
适合谁，怎样准备
适合对数据问题有兴趣、愿意同时学习数学和代码的学生。可先尝试一个小型公开数据分析，并练习说明数据的局限。
申请材料与准备路径
建议先完成一个小型数据分析：提出问题，说明数据来源，处理缺失值，画图，再解释模型能回答与不能回答什么。能够读懂并调试自己的代码，比单纯堆积模型名词更重要。申请表达可突出数学学习、编程练习和从数据中发现误差的经历，不需要虚构高水平 AI 研究。
选择判断与成果复盘
适合想把数学与编程用于解释真实问题、并愿意反复检查结果的学生。若希望从零学习电脑操作或只做工具体验，可能需要先补基础。结课后可保留可复现代码、数据说明、模型评估和贡献记录；对涉及个人信息的数据，应遵守课程的数据使用规则。
常见问题
只学 Python、不学统计可以吗？
不能这样理解。课程强调数学与统计基础，当前教学还以 R 为主要语言。
是否需要提前掌握大语言模型？
官方列出的现代 AI 主题不等于每个申请人都必须预先掌握。应优先核对数学、编程与统计基础。
最终项目如何体现自己的工作？
记录承担的数据处理、分析与解释任务，保留修订和反馈，不把团队全部成果写成个人成果。
官方来源与核查
- 课程介绍 ↗globalyouth.wharton.upenn.edu
- 申请资格与年度信息 ↗globalyouth.wharton.upenn.edu
费用、资格与班期以对应年度官方说明为准。图片优先采用项目或院校官方资料，其他来源单独署名；配图用于展示项目或校园背景，不代表当前年度具体课程现场。
