數(shù)據(jù)科學(xué)和金融工程/科技混申可以嗎?
答案是肯定的~
案例先看過來啦~
圣路易斯華盛頓大學(xué), 數(shù)學(xué)+CS專業(yè)Z同學(xué)
GPA: 3.8+，MAJOR: 3.9+
GRE: 330+, 免TOEFL
實習(xí)4段+校內(nèi)3段相關(guān)實習(xí)/TA
收獲錄?。翰祭蚀髮W(xué)(數(shù)據(jù)科學(xué))、杜克大學(xué)(金融科技)、哥倫比亞大學(xué)(金融工程)
1.1 專業(yè)背景
常見的本科專業(yè)有 Computer Science/Technology; Engineering; Business Management; Finance; Math; Statistics, etc.
各大學(xué)對申請學(xué)生有較為明確而統(tǒng)一的要求，數(shù)學(xué)背景包括微積分、線性代數(shù)、概率論、統(tǒng)計學(xué)、數(shù)學(xué)建模等等;計算機背景包括計算機導(dǎo)論、SQL、Database和編程等。
大多數(shù)項目傾向錄取數(shù)學(xué)、統(tǒng)計等計量學(xué)科背景的學(xué)生，同時希望申請人有軟件編程基礎(chǔ)、會寫程序分析數(shù)據(jù)。僅僅上過高數(shù)、線性代數(shù)和概率統(tǒng)計這三門基礎(chǔ)課是不夠的。如果沒有非常強的數(shù)理基礎(chǔ)，建議申請BA等要求沒有這么強的專業(yè)。
除此之外，希望申請人有比較強的解決問題和交流溝通能力。如果有工作經(jīng)驗，申請時候會是加分項。文書中注意結(jié)合工作體現(xiàn)對這個專業(yè)的理解和看法。如果沒有工作經(jīng)驗，建議文書中設(shè)計相關(guān)內(nèi)容強調(diào)背景和能力可以勝任這個專業(yè)。
1.2 先修課要求
以Harvard的Master of Science in Data Science為例：
Prerequisites we expect from applicants include knowledge of calculus and linear algebra, familiarity with probability and statistical inference, fluency in at least one programming language such as python or R, and an understanding of basic computer science concepts.
Columbia的 Data Science要求：
Prior quantitative coursework (calculus, linear algebra, etc.)
Prior introductory computer programming coursework (Python, Java, R, C++, etc.)
美國大多數(shù)院校的數(shù)據(jù)科學(xué)碩士要求：
1、修過計算機基礎(chǔ)
2、數(shù)學(xué)基礎(chǔ)(比如微積分、線性代數(shù))
3、熟悉概率論、或者統(tǒng)計
4、如果沒有這些先修課程甚至?xí)_始預(yù)科夏季課程給學(xué)生，不計入學(xué)分當中，比如布朗大學(xué)。
如果有轉(zhuǎn)專業(yè)的同學(xué)可以盡可能的修習(xí)以上課程，提升自己的競爭力，通過二學(xué)位、輔修學(xué)位、暑期課程、網(wǎng)課等方式多修課程。或者多參與實踐實習(xí)科研也對申請數(shù)據(jù)科學(xué)有很大幫助。布朗大學(xué)提供的全面的數(shù)據(jù)科學(xué)基礎(chǔ)知識，可以建議學(xué)生自學(xué)https://mathigon.org/data-gymnasia
其他先修課網(wǎng)課路徑
DS專業(yè)和BA 專業(yè)在課程設(shè)置上總體差別不大 ,都以整合大數(shù)據(jù)為導(dǎo)向，Business Analytics更偏Business, Data Science 更偏CS 方向。常見必修課和BA類似，包括數(shù)學(xué)統(tǒng)計，數(shù)據(jù)處理工具語言(Python, R, Excel)數(shù)據(jù)庫和數(shù)據(jù)庫語言(Sql)，另外會學(xué)習(xí)更高深的數(shù)據(jù)挖掘和計算機算法
數(shù)學(xué)統(tǒng)計課：
Ÿ Calculus One — Coursera
Ÿ Linear Algebra - Foundations to Frontiers —Edx
Ÿ Introduction to Linear Models and Matrix Algebra —Edx
Ÿ Statistics with R Specialization — Coursera
Ÿ Introduction to Probability and Data – Coursera
工具及數(shù)據(jù)庫語言：
Ÿ An Introduction to Interactive Programming in Python - Rice, Coursera
Ÿ Introduction to Computer Science and Programming Using Python - MIT, edX
Ÿ R Programming — Coursera
Ÿ Excel to MySQL: Analytic Techniques for Business Specialization— Coursera
Ÿ Managing Big Data with MySQL— Coursera
Ÿ Data Visualization — Coursera
數(shù)據(jù)挖掘及算法：
Ÿ Data Science Specialization - 10 courses —John Hopkins
Ÿ University of Michigan Applied Data Science with Python Specialization – 5 courses - University of Michigan
Ÿ Mining the Massive Datasets - Stanford, Coursera
Ÿ Data Mining Specialization — Coursera
Ÿ Machine Learning - Stanford, Coursera
Ÿ Statistical Learning - Stanford, Stanford Online
Ÿ Introduction to Computational Thinking and Data Science - MIT, edX
1.3 科研實習(xí)建議
建議科研類型：
Ÿ 計算機數(shù)據(jù)挖掘、深度學(xué)習(xí)、人工智能機器學(xué)習(xí)、數(shù)據(jù)分析等專業(yè)方向為主。
Ÿ 可選擇遠程和實地這兩種，以個人時間為主，平時可以參加遠程，假期可參與實地。
建議實習(xí)崗位：
Ÿ 互聯(lián)網(wǎng)公司、電商公司、金融公司、銀行、證券公司等