數(shù)據(jù)科學和金融工程/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, 數(shù)學+CS專業(yè)Z同學
GPA: 3.8+，MAJOR: 3.9+
GRE: 330+, 免TOEFL
實習4段+校內3段相關實習/TA
收獲錄?。翰祭蚀髮W(數(shù)據(jù)科學)、杜克大學(金融科技)、哥倫比亞大學(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.
各大學對申請學生有較為明確而統(tǒng)一的要求，數(shù)學背景包括微積分、線性代數(shù)、概率論、統(tǒng)計學、數(shù)學建模等等;計算機背景包括計算機導論、SQL、Database和編程等。
大多數(shù)項目傾向錄取數(shù)學、統(tǒng)計等計量學科背景的學生，同時希望申請人有軟件編程基礎、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)計這三門基礎課是不夠的。如果沒有非常強的數(shù)理基礎，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，建議文書中設計相關內容強調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)科學碩士要求：
1、修過計算機基礎
2、數(shù)學基礎(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會開始預科夏季課程給學生，不計入學分當中，比如布朗大學。
如果有轉專業(yè)的同學可以盡可能的修習以上課程，提升自己的競爭力，通過二學位、輔修學位、暑期課程、網(wǎng)課等方式多修課程?；蛘叨鄥⑴c實踐實習科研也對申請數(shù)據(jù)科學有很大幫助。布朗大學提供的全面的數(shù)據(jù)科學基礎知識，可以建議學生自學https://mathigon.org/data-gymnasia
其他先修課網(wǎng)課路徑
DS專業(yè)和BA 專業(yè)在課程設置上總體差別不大 ,都以整合大數(shù)據(jù)為導向，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)，另外會學習更高深的數(shù)據(jù)挖掘和計算機算法
數(shù)學統(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 科研實習建議
建議科研類型：
Ÿ 計算機數(shù)據(jù)挖掘、深度學習、人工智能機器學習、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