数据科学专业解析

这几年来，数据的生成和存储有了巨大的增长。生成和存储的数据可以结构化和非结构化，而为了充分发挥数据的潜力，各行各业都召集一组专业数据分析师去使用一系列的技术将数据转变为有价值的信息。大数据分析师在进行数据发掘和展现后，会合理的将数据运用到评估并解决企业现状、竞争环境、风险评判和决策支持上，从而将一份份清晰、精准，并且有数据支撑的报告供予企业决策。大数据带给公司或行业的价值不容小觑，越来越多的组织正在积极的开始使用并依靠着大数据的强大功能，从而增加了数据科学家的需求和价值。和数据打交道的专业包括我们前期说到的商业分析和统计，而它们和数据科学最主要的区别在于侧重点不同。那么数据科学是什么样的一样专业？它和商业分析/统计类专业有什么区别？就业前景怎么样？申请难度高吗？美国哪些学校有数据科学专业？这一期即将为你揭晓。

数据科学专业 数据科学专业就如图下所展现的，是由三个主要课程组成的一个交叉学科专业，而这三个课程分别是数学统计，计算机科学和行业/商业领域知识。数据科学涉及到的领域也很多，包括了统计学、数学、计算机、人工智能、机器学习、数据库、模式识别、可视化技术等多学科的知识，主旨在于培养学生收集、统计、整理、分析和挖掘数据的专业能力，也都立志于培养可以独立分析问题和解决问题的全能型人才。和数据科学一样，商业分析和统计专业都可以帮助学生达到成为数据科学家的目标，那它们之间具体的侧重点区别是什么呢？我们可以先从两大方面去了解它们的不同之处：定义和课程设置. 1. 定义 - Data Science 数据科学主要是通过挖掘数据，处理数据，分析数据，从而获得数据里潜在的有价值信息和技术的一门交叉学科。

- Business Analytics 商业分析是以商业知识为基础，数据分析为手段，从数据分析出发，从而达到以决策优化来创造价值和实现 Big Data 在商业应用的一个新兴学科。- Statistics 统计是通过搜索、整理、分析、描述数据等手段，以达到推断所测对象的本质，甚至预测对象未来的一门综合性科学。可见，数据科学所围绕的主要核心就是数据，怎么挖掘，怎么处理，怎么分析都是数据科学家需要负责的工作内容。商业分析虽然也涉及数据分析，但它主要的核心工作还是利用数据去支持商业上做出的一些决策，分析以前，现在和未来的一些趋势，从而再去确认更佳的一些商业模式和途径。而统计学则更多的是以数据分析为基础去推断和预测市场上的一些现象，比起其他两个专业更注重数学知识和能力。

2. 课程设置 数据科学- 一般开设在工程学院底下，以计算机科学为基础，横跨了工程学，计算机工程和计算机科学领域，也还包括机器学习，云计算和优化等领域的知识。总的来说，数据科学的课程是由 50%计算机科学 + 30% 统计 + 20% 应用组成的。商业分析- 一般开设在商学院底下，以统计为基础，通过统计学底下的应用统计分支发展出来，也包括了一定的数据挖掘和回归分析的课程。商业分析的课程在计算机科学的侧重点不会像数据科学那么多，是由 40% 统计 + 30% 计算机科学 + 30% 商业知识组成的。统计学- 一般开设在文理学院底下，以数学为基础，计算机科学的占比与商业分析差不多，但没有商业分析所涉及到的商业知识，所以主要还是由 70% 统计/数学 + 20% 计算机科学 + 10% 商业知识/机器学习。

就业前景 由于对数据的需求和应用越来越多，数据科学的就业机会可以说是遍布各行各业，就业前景非常的广。这里给大家看一组数据，是哈佛大学的Master’s in Data Science的学生毕业之后的就业去向。我们可以看到哈佛大学数据科学的毕业生去到了不同的行业，包括了科技行业，投资/金融行业，创业公司，教育行业，政府机构，广告市场行业，咨询行业，娱乐行业，也有一些继续生深造攻读博士学位。而这些公司就业的就业职位除了有我们经常听说data scientist, data engineer, software engineer和data analyst, 也有product manager, quantitative strategist的岗位，只要是和数据相关的岗位，数据科学的毕业生基本都可以胜任。

从数据里我们也可以看到数据科学毕业的学生起薪是在80，000-140，000美金之间，是非常可观的一个数目，也是吸引很多学生想要修读数据科学专业的主要原因。申请要求 数据科学的硕士申请可以说是在热门专业里的竞争力较大的，主要因素除了是因为数据科学对于技术要求高之外，也是因为不是每个美国大学都会开设数据科学专业，但申请的人非常多，所以才导致了该项目非常难申请的现象。以下我们将会运用纽约大学的Master’s in Data Science的申请要求详细解说，该项目一系列的申请要求基本适用于所有数据科学硕士项目。申请要求同样的非为两大部分：硬背景 （专业要求，GPA要求，先修课程要求，标化成绩）和软背景 （实习，科研，竞赛，海外交流，校园活动，志愿者活动等）。

1. 专业要求 图片里的蓝色框为该项目对于申请者的专业要求，该项目接受来自不同本科背景的学生，包括了统计学，计算机科学，数学，工程，经济学，商科，生物学，物理学和心理学。一般来说，计算机科学相关和理工科背景的学生申请数据科学会占一定的优势，因为他们在本科已经累积了很多相关的知识与技能；如果你是商科背景但有着非常强的量化背景比如说金工，申请数据科学项目也是可以的。2. GPA成绩要求 图片里的红色框为该项目2017年的GPA录取数据，录取学生平均的GPA为3.69分，而他们的成绩单上的分数也只有A和B。该项目也明确说明了如果你本科院校背景是less selective，他们会更加注重于你先修课程的成绩，以确保你有足够在该领域学习的能力。

一般申请前30的数据科学项目GPA成绩建议为3.7以上，前60的则需要至少3.3以上。3. 先修课程要求 图片里的绿色和黄色框为申请该项目的具体先修课程要求，非常明确的说了申请该项目需要有很强的数学能力，编程经验以及计算机科学基础。具体的课程要求如下： · 微积分I：极限，导数，级数，积分等。

· 线性代数 · 计算机科学入门（或等效的“ CS-101”编程课程）：对于语言没有特定的要求，但是通常至少需要具有Python和R的学术和/或专业经验 · 微积分II，概率论，统计学，或者高级物理学，工程学或具有大量数学内容的计量经济学课程的其中之一 该项目也具体说明了他们会优先考虑具有机器学习，计算统计，数据挖掘，大规模科学计算，运筹学（在学术或专业背景下）的申请人，以及优先考虑有超过上诉最低要求数学和/或计算机科学训练的申请人。4. 标化考试成绩 标化考试分为语言考试和GRE考试。该项目对于GRE成绩没有最低要求，但往年的录取数据显示了录取学生都平均有着167.58分的quantitative，157.36分的verbal和3.65分的analytical writing。

想要申请前30的数据科学项目建议托福110+，雅思7.5+ 和GRE 325+/3.5+；5. 软背景 （实习，科研，竞赛，海外交流，校园活动，志愿者活动等） 在所有的软背景中，实习是申请数据科学项目最为重要的一点。就如以下图片所表示，虽然很多录取学生为应届生，但他们也非常欢迎学生展现专业领域相关的工作经验。工作经验/实习经历都是你实际运用所学知识的机会，从工作经历上可以看出你在该专业领域学习和能力，帮助你提高在申请上优势。一般来说在申请之前建议拥有2-3段的相关实习经历。在选择实习机会的时候，一定要明白岗位优先的原则，先选择和申请专业符合的岗位，再来才考虑公司的知名度。

如果你只选择知名公司，但是工作的内容和数据科学完全不符合，这样对你的申请来说是一点好处都没有，所以实习工作的岗位非常重要，不要因为想要让自己的简历看起来高大上或者因为有强公司推荐信而盲目选择没有帮助的实习机会。院校排名 美国大学开设数据科学的院校不多，而和数据分析有关的专业不止数据科学一个，也包括了像商业分析，统计和分析学这些专业。商业分析和统计在前期已经为大家解说过，今天数据科学院校的排名则会结合一些学校的分析学项目。院校介绍 1. 哥伦比亚大学 Mas ter of Science in Data Science 哥伦比亚大学的数据科学硕士项目是由文理学院的统计学院系与工程学院的计算机科学院系和工业工程与运筹学院系联合主办的，旨在培养学生将数据科学技术应用于其感兴趣的领域的能力。

学生在项目中有机会进行一项原创性研究（包括在一个capstone project），并与我们的行业合作伙伴和教职员工互动。学生还可以选择针对企业家精神的选修课程或者哥伦比亚大学八大中心其中之一所覆盖的学科领域。

项目时常：3学期/1.5年 项目要求学分：30分 （21分核心课程，9分选修课程） 项目亮点：有capstone project，美国的top工程院校 申请要求： · 专业背景- 没有具体要求，接受数据科学相关的准备 · GPA- 没有具体要求，但往年的录取数据为平均3.7/4.0 · 先修课程要求- 线性代数，统计/概率论，基础编程课程 （Java, Python, C++） · 语言考试成绩- 没有具体要求，但往年的录取数据为平均106.5分 · GRE考试成绩- 没有具体要求，但往年的录取数据为平均166 (Q), 157 (V), 3.8 (AW) · 工作经验- 不是硬性要求，但录取的大多数学生都有相关的工作经验 2. 宾夕法尼亚大学 Master of Engineering in Data Science 宾夕法尼亚大学的数据科学工程学硕士（MSE）为学生提供了以数据为中心的广泛职业准备，包括了技术和工程，咨询，科学，政策制定还是理解文学，艺术和传播领域。

该项目将机器学习，大数据分析和统计等核心主题中的前沿课程与各种选修课融合在一起，学生也有机会将这些所学习到的技术应用于他们之后可以选择的深度领域上（depth area- specialization），而每一个depth area都有各自基础的预备课程和一项thesis或者practicum。

项目时常：1.5-2年 项目课程设置：两门基础课程，三门核心课程，五门技术和深度领域选修课程 项目亮点：有thesis或者practicum，有可以自由选择的depth area美国知名大学 申请要求： · 专业背景- 没有具体要求 · GPA- 没有具体要求 · 先修课程要求- 要求具有强大数学和统计能力以及一定编程经验的背景 · 语言考试成绩- 托福至少100分，雅思至少7.5分 · GRE考试成绩- 没有具体要求，但往年录取数据为平均158 (V), 167 (Q), 4.0 (AW) · 工作经验- 不是硬性要求，但希望通过申请者的课程中的项目或工作/实习获得数据科学方面的实践经验，特别强调申请者的兴趣与数据科学项目之间的契合度。

3. 康奈尔大学 ORIE Master of Engineering- Data Science Concentration 康奈尔大学ORIE工程硕士课程的数据分析专注于做出基于事实和由数据驱动的决策所需的理论和工具。作为康奈尔大学研究生项目的一部分，Data Analytics Concentration项目能帮助学生扩展知识，职业联系和机会。该项目也旨在培养学生的实践能力，通过M.Eng project累积实际应用和设计经验，也能根据自己特定的目标和兴趣设计自己的课程和学习计划。

项目时常：1年 项目要求学分：30学分 项目亮点：选课自由度大，常春藤盟校 申请要求： · 专业背景- 往年的学生都来自运筹学，信息工程，工程类，数学，物理，化学和数学经济背景 · GPA- 没有具体要求 · 先修课程要求- 至少四个学期的大学微积分课程 （多变量函数），微积分为基础的概率论与统计，第二级的计算机课程 （C, C++, Java） · 语言考试成绩- 托福至少100分 （写20分，听15分，读20分，说22分），雅思至少7.0分 · GRE考试成绩- 没有具体要求 · 工作经验- 没有具体要求 4. 卡耐基梅隆大学 Master of Computational Data Science 该计算数据科学硕士课程为旨在提供学生开发下一代大规模信息系统部署所涉及的技术和分析这些系统生成的数据所需的技能和知识。

该项目成立于2004年，培养专业硕士生在超大型信息系统的设计，工程和部署的各个方面的技术和能力。在该项目中，学生将深入研究数据库，分布式算法和存储，机器学习，语言技术，软件工程，人机交互和设计等主题。通过核心课程和选修课，学生会对大型信息系统有更统一的认知，而其中包括的实习和capstone project可以确保学生拥有在职业生涯上成功所需的知识和经验。项目时常：Professional Preparation (16个月)；

Research Preparation (20个月) 项目要求学分：需要完成最少144 units的课程才能毕业 项目专业细分方向：系统，分析，Human-Centered数据科学 项目亮点：有实习和capstone project，美国排名前列的计算机科学高校 申请要求： · 专业背景- 偏向计算机科学相关的本科背景，如果是其他背景则需要非常强的数学和计算机科学背景才会被考虑 · GPA- 3.0以上 · 先修课程要求- 要求具有强大数学和计算机科学背景 · 语言考试成绩- 托福至少100分 （听读写小分25分，说小分23分）；

美本学生也需要提交语言成绩 （可以提交当年申请本科的托福成绩单） · GRE考试成绩- 没有具体要求 · 工作经验- 不是硬性要求，但也高度重视相关的工作经验 5. 南加州大学 Master of Science in Applied Data Science 该项目的目标为培训来自各种背景的学生成为熟练的数据科学家。完成此学位的学生将掌握作为数据科学家工作所需的技能，包括对数据科学技术的基本了解，使用Python编写数据科学程序的能力，使用数据库和大数据基础架构的知识，经验和技能，应用机器学习和数据挖掘技术的能力，以及如何将这些技能应用于实际问题的知识。

项目要求学分：32学分 项目亮点：有春季入学，对转专业友好 申请要求： · 专业背景- 不限 · GPA- 没有具体要求 · 先修课程要求- 要求具有一定的数理学背景 · 语言考试成绩- 托福至少90分 （小分不低于20分）；雅思至少6.5分（小分不低于6.0分） · GRE考试成绩- 没有具体要求 · 工作经验- 没有具体要求