身处数据时代，企业对数据人才的需求越来越大，因此衍生了一门以研究如何挖掘、处理和分析数据的专业学科 – 数据科学Data Science (DS)。
数据科学（DS）
DS属于新兴学科，偏重计算机、统计学、数学等学科，看重数据的综合应用，适合本科阶段就读计算机、数学、统计、工程等理工科的同学申请。
目前，DS专业主要以master项目为主，开设的PhD项目极少。DS本身比较就业导向，因此有志于走学术科研道路、明确将来要读PhD的同学，建议还是选统计、数学等方向深造。
想成为一个合格的DS方向人才，除了要知道怎么获取数据、数据维护、数据处理和分析之外，还需要懂得如何将数据中获取的价值传递给他人。
01 申请要求
基本先修课程要求：
数学（微积分、线性代数）统计（统计学、概率性）计算机（至少一门编程语言）
由于每所学校的要求不尽相同，所以最好尽早了解自己的目标学校项目，保证自己本科阶段的课程既能满足学校的毕业要求，同时又满足研究生项目的先修要求。
申请就业导向型的硕士项目，除了要满足基本的先修课程要求，申请者的职业规划和实践经历也需要考虑到。所以，通过项目、实习等应用型的经历来体现专业能力也是很重要的。
哪些实践经历是符合申请要求的呢？通常我们需要考虑以下的这些要点：项目难度、项目匹配度、岗位相关度、个人参与度。
不管是项目还是实习，对相关知识和技能的掌握都有一定要求。做数据科学相关的实践，需要具备熟练的编程能力，了解机器学习的相关算法，以更好地运用到实际问题中。
02 职业方向
随着互联网的高速发展，数据可被用于科学研究、商务管理、金融活动、政府管理和其他几乎所有相关人类活动的分析中。
根据中国数据分析学习网的统计，数字化分析最大的就职方向是IT/互联网/通信行业，其次是金融/银行/保险行业。随着大数据的火热发展，各行各业均呈现出了数字化转型的要求与趋势，更多行业及其细分领域对数据分析师岗位的需求也在不断增大。
DS硕士项目的最大优势在于课程设置，software system、machine learning、database、optimization、decision science、statistics、business intelligence等所有涉及到的领域知识，硕士期间都会学一些。
所以DS专业的毕业生，除了可以考虑商业分析方向的工作，还可以选择更偏向技术层面的工作，如数据科学家、机器学习工程师等：
03 项目推荐
整体上，美国DS专业的申请难度是比较高的，一方面非常热门，另一方面不少项目开设在顶尖名校，申请要求高，而中间档次的学校相对较少。
除了准备gpa、GRE考试之外，对DS专业的申请者来说，最推荐的实习是数据公司的数据岗，可以直接锻炼和体现自己的数据分析能力。
此外，还可以选择一些统计、量化相关的或计算机相关的实习来培养和提升自己的定量分析能力和编程能力。
Top10大学优质DS项目
1. 斯坦福大学
斯坦福其实有2个DS项目，分别开在ICME（Institutes of Computational and Mathematical Engineering）和统计系，都是数据科学类，课程差距总体不大，但申请难度不一样。
◆ ICME-DS
项目对申请者的数理背景提出了非常高的要求，要求线性代数、数值方法、概率、随机、统计理论、精通C和R编程，而且对这些课的课程成绩很看重，基本要3.9+。
主要录取数学/统计/计算机本科专业的学生，此外也很看重DS相关的科研经历。应届生可以申请，中国学生也不少，但更喜欢top美本/海本。
◆ MS Statistics – DS
Stanford统计系下的MS stats和MS stats-data science也是分开申请的。MS stats-ds track是Terminal degree, 没有论文，时长5 quarters。
申请上注意只接受托福，不接受雅思，平均标化Verbal 97% + Quantitative 97% + Analytical Writing 82%；Average TOEFL: 110 Total。先修课方面要求线代、统计/概率论、随机过程、数值方法、编程（python/C/C++）等等；无面试。
2. 卡内基梅隆大学
◆ Master of Computational Data science
CMU MCDS计算数据科学项目隶属于CMU SCS计算机学院，也是第一梯队的神校神项目。就业导向，可以选择1.5年到2年毕业。这个项目的前身其实是MSIT in Very Large Information Systems（2004），所以也没有特别specialized DS，还是更CS的。
课程设置比较成熟了，第一学期是4门DS基础课，第二学期在3个track里选其一：system系统方向（侧重databases, distributed algorithms and storage）、analytics分析方向（这个最前沿DS，侧重ML/NLP等）和Human-Centered DS方向（ds的跨学科应用）
申请方面，项目规模在60+，录取率在3%-5%，中国学生比例高，基本是cs/math背景。gpa3.8+，同时比较看重学生的科研经历。陆本录取一般除了硬件指标之外，基本都有美国暑研经历。
3. 宾夕法尼亚大学
◆ MSE in Data Science
宾夕法尼亚大学数据科学硕士项目一共10节课，时长1年半或者2年，课程涵盖2门Foundations、3门Core以及5门Technical & Depth Area选修课。
基于宾大工学院的优势，课程不仅融合了DS核心知识，还涵盖机器学习、大数据分析和统计学等，更重要的是选课自由度很大，而且提供的选修课DS应用领域的广度也很够，算是DS项目里课程非常全的了。
另外众所周知，宾大的workload非常大！大家申请前还是要做好心理准备的。但有科研兴趣、成绩又好的话，入学后是有机会跟着导师做Thesis/practicum的（但真的要high proficient student）。
申请方面，历年录取率仅在10%左右。具体数据上，21fall有1984个申请，录取195，入学74；20fall，1525个申请里录取了190个，入学仅47个。
宾大工学院的录取特点就是非常看重GPA！几乎都是3.8+/3.9+。GRE 22fall是optional，但参考FAQ平均分（Verbal Reasoning 158 + Quantitative Reasoning 167 + Analytical Writing 4）就知道 ，最好还是带着这样的G去申请。
4. 纽约大学
◆ MS in Data Science
项目隶属于纽约大学数据科学中心CDS，CDS是第一个开设全美DS PhD和本科的学院，可以说是DS领域标杆一样的存在。仰仗NYU Courant在数学和计算机领域的优势，CDS的师资力量和学术资源优势不用多说，还拥有天然的纽约地理位置优势。
项目正常是2年毕业，课程设置非常完善，完全按照Data Scientist的职业方向在培养，数学/统计，计算机/ML算法等基础课和硬核课程都兼而有之，还有细分track的选择。
NYU的NLP很强，还有跨学科的Data Science Physics/ Data Science Biology/ Data Science Biology。需要注意的是，项目还有part time，所以是有夜课的。就业导向的话，还提供了industry concentration，有cpt。
申请的话，属于tier 1的项目，size不算小（150左右）。数学/CS背景比较多，其他专业背景也可，商科/物理/生物/工科等都有。中国学生挺多的，美本多于陆本，都是高三维；有具体的先修课要求。
5.哥伦比亚大学
◆ MS in Data Science
除了交叉学科，哥大也有正统DS项目哦！
哥伦比亚大学的数据科学（DS）项目开设在自己的专设学院（Data ScienceInstitute）下，由文理研究生院统计系、应用科学学院计算机科学系和工业工程与运筹学系联合开设。项目的学制为1.5年，共有3个学期，需修读30学分的课程。
课程领域主要以计算机科学、工程和统计学为主，核心课程包括数据科学机器学习、概率与统计、统计推断和建模等。课程的安排整体非常合理，既能帮助编程基础不足的学生补齐短板，又能提高学生在DS方面的知识水平。选修课也涵盖了众多数据相关领域，且由于项目与计算机学院有所交叉，所以有很多DS学院里的老师都同时是CS专业的授课老师。相对应的，DS项目课程的代码训练含量也远高于哥大的其他类似数据专业。项目size比较大，100+，中国人占大多数，其次是印度人，所以不管是热门课程还是求职资源的分配都非常紧张。因此，哥大DS的毕业生求职并不轻松。申请上建议本科有不错的统计课/编程课背景，3.7+/325+/105+的标化也只是必要不充分条件。哥大也比较看重本科名校背景，陆本基本都是中游985或专业强势的院校（比如北邮）。除了以上这些，还有耶鲁大学的MA in Statistics、CMU的MS in Data Analytics for Science，布朗的Master’s Program in Data Science等项目都非常不错！
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至827202335@qq.com 举报，一经查实，本站将立刻删除。文章链接：https://www.eztwang.com/dongtai/130140.html
微信扫一扫 
