CMU Global MISM data方向经验介绍
2165344
快临近毕业了，感慨良多，想到两年前的自己刚拿到offer，看过很多学长学姐写的经验文，非常有用；这次作为过来人，把自己的经历写下来，如果能有所帮助，会很开心。CMU Global MISM的介绍地里不少，但是大多都是sde方面的，data的不多，作为转码大军中坚持找data的，希望这篇文章可以帮助到需要想做data scientist的global mismer。
背景
我本科两年在国内985统计专业，大三交换到美国中部农村学校继续学统计，双修了金融数学。在美国农村大学，统计的数学要求不高，学的也不难，不深。补了一堆历史、物理、艺术等通识课，在理论学习上没有国内的深入，导致我的数学功底日渐萎靡。不过美国学校重视应用，大四和教授做了一个一年的统计分析项目，坚定了我在这条路走下去，在数据中发现有趣的insight，是我的动力。申请的时候就想读data science，然而对这个领域不是很了解，也没有学过机器学习，也不很懂python和sql，用的最多的语言就是R，但也不是现在很火的tidyverse，就是最一般的base R。
申请情况
最后我拿到了哥大统计和cmu global mism ，cmu mism本来申请的是bida，当时我对mis一点了解没有，对cmu也不是很了解，就当彩票申了，在三月底的时候来了offer，被调剂到了21个月，要去澳洲一年，想着也不错，考虑了一天就选择去了。暑假和另一个教授做统计方面的研究，感觉自己不喜欢research，也不是很喜欢传统的统计学研究土壤，环境，所以算是排除了一个可能的方向。
澳洲一年
CMU澳洲校区在阿德莱德，南部一个小城市，不过还是南澳的首府。学校很小，就两层楼，每天两点一线，生活单调乏味。但是双休日可以乘tram去海边休憩，还是非常舒适。校区一共一百来人，主要是global mism，还有global ppm和msit的同学，大家基本都互相认识。
Global mism的最大的好处就是可以在澳洲一年把core上完，但是最大的弊端就是师资力量欠缺。一个教java的老师又可以上data mining，质量可想而知。而且core的用处本来就对data science帮助不大，说实话。对于core就不多介绍了。这里想说的是，能免的课一定要免，比如dmuu，是Riaz上的，Riaz同时还上telecommunication和digital transformation，不得不吐槽一句，能相信一个人什么都可以教嘛？如果项目不重视这些课，为什么又要列为core？telecommunications和digital transformation真的很浪费时间，他们的作用可能就是科普，让我知道了通信一些基本知识，digital transformation除了让我知道long tail，别的我什么都没有记住，当然，我也没有好好学，可能好好学的同学觉得挺有用。回到刚刚说的话题，dmuu一定要免，当时我傻，想着学习excel，就上了，连免学的考试都没有去，真的太蠢了。另外，能够学的美国的远程课尽量选上，比如nosql，linux，uda等等，当时我抱着去美国再上的心，就没选。在美国好课多多了，能上的和data有关的都先学着，不会有坏处。当时我还考虑到想尝试下consulting，就选了strategic planning，发现自己真的不适合management consulting，也算断了自己一个念想。
在澳洲可以上的和data有关的课
Database management：这个是core，学database 设计理论和sql 实践，美国来的老师上，质量不错，而且sql对ds也很重要，很多偏analytics的岗位必考，所以建议好好学。我当时不知道为什么学不进去，sql 的语法对我来说很难理解，所以在美国找工作的时候，pre screen有sql 的我一律放弃了，真的也不喜欢写sql。作业挺烦的，挺费时间，最后两个人一起完成project，有些query还是挺复杂的。
Data mining： Murli教的，非常一般，他就是照ppt念，但是如果自己课外可以跟着学习一些资源，也可以有所收获。课程主要用weka和tableau，当时我在学习python的数据科学用法，所以作业都是用python写的，tableau学学也挺好的。另外，有个小组作业，是参加一个data challenge，挺难的，最后也没拿奖。
当时考虑到质量，没有选别的data课，比如远程的nosql，linux，uda等等，现在觉得nosql完全可以在阿德莱德的时候学掉，没有问题。
在澳洲，虽然课程质量不高，但是时间多，自由，可以多积累实践经验，这里指的是part time 实习。到下半学期，career service会发一些part time机会，一般是十周，很多和data相关，一定要把握住机会去做internship。因为在找fulltime面试的时候你会发现，data相关的project对方会很感兴趣，特别当和他们组做的比较接近的时候，所以前期一定要多去实践，可能比多上课要有用很多。阿德莱德创业公司挺多的，ai在澳洲也在起步发展阶段，对这方面的人才需求很大，我有身边的同学去小公司做深度学习方面的实习生，可以自己独立负责一个小项目，或者有mentor带，还是很有好处的。而且这一年是试错的阶段，我们可以去尝试不同的职业方向，比如consulting，比如data也有很多领域，多去接触项目和公司，探索自己到底想要做什么，想去什么样的公司，比窝在学校里学习要有意义多。当时我在一个做property management的创业公司做cv和object detection，也是我第一次接触深度学习和cv相关，学到了很多知识，开发了很多以前不会的技术。
另外，虽然在澳洲的师资力量一般，但是这并不妨碍我们获取知识。现在网络课程如此丰富，完全可以自学。第一学期我跟了一门网课系统学习了python，第二学期又上了一门网课学了python做data science，学data mining同时又跟了网课补充ml知识。我才发现我本科学的太少了，对data science领域了解太少，所以一点点补充。
澳洲的自然风光很好，假期出去玩真的很开心，这也是加分项，毕竟人生还是要有享受的。现在有时候我还是会怀念澳洲的阳光，沙滩，大海，周五下午热闹的酒吧。。。
暑假实习
暑假实习大家大都回国了，很多大厂offer。当时我是满世界找实习，坚定着要找data相关的。三月拿到了加拿大一个小公司的offer，cto一开始自信满满签证没问题，后来发现复杂，不愿意sponsor就收回了，四月还拿到一个新加坡公司的口头offer，后来又被放了鸽子。回国后很巧的是，简历被一家软件外企manager挑出来，一轮phone和一轮onsite就拿了offer，因为对方也急着招人，看我也不那么差，就要我了。这个实我要从头到尾负责一个数据分析项目，从数据清洗开始，到最后的presentation，分析用户使用软件的情况，很锻炼我的能。这个实习也坚定了我要做data scientist的目标，同时我也觉得这种一个人做项目其实也很有局限性，没有人一起讨论模型，处理方法，学到的很少，自学能力进一步提高的同时，很容易走弯路，我就觉得今后找工作一定要找有data 团队的。另外，我觉得自己不是很喜欢在软件公司做分析，比较枯燥，毕竟软件是不会变的，收集到的features可能每年也不会有大变化，所以做的事情多样性小，这也是为什么我后来特别想去咨询公司做ds。我觉得在什么行业做data scientist和什么公司也非常重要，毕竟我希望每天去公司都可以很开心。
第二年-匹兹堡
到了匹兹堡，自然而然面对了找工作的压力，当然选课选择也丰富多了，这时候core基本完成了，可以选很多外院的选修课，选择很多，我一一介绍我学过的。
Intro to ML （10601）：非常popular的cs的课，ml入门课。当时roni教半学期，一个年轻老师zack教半学期，不得不说roni真的教的很好啊，微风细雨就把知识点给讲出来了，特别通俗易懂，也可以深入理解。他好像特别喜欢info theory，讲了两周吧，半学期才讲到了decision tree。后半段的zack真的教学水平一般，感觉被坑了，还是特别重要的内容，dl，rl，gpm等。作业都是build from scratch，觉得可以深入理解一个算法，有挑战，但是理解了就不难。考试是理解为主。10601有两个section，另一个section是郭美丽，好像workload会大一些，学的也很多，各有利弊吧。后来才感觉自己应该学701的，有个小组projec。
Data science for product managers：heinz的课，教授david很厉害，在咨询公司做过，又是教授。主要过一遍ds在product analysis的应用，但是很浅，学完了也不能应付product sense的面试，就当了解为主吧。
A/B Testing：和网上听到的abtesting不太一样，主要讲regression下的abt，偏向于社会调查一类的，不是互联网公司关心的那种，也没讲metric，具体怎么做。最后完成小组作业，也比较划水，要求不是很高。这些6分的课都只上半学期，真的不可能完全理解一个东西，而且都要求project，一般不怎么学就开始上手做project了。
NoSQL：比较high level对key value，document，graph和column family四种NoSQL database介绍，最后要写一篇论文，lab是对四种db做一些基本操作，可以了解基本的知识。
Deep Learning 11785: 四次作业，每次两个part，一个from stratch，一个在kaggle上打比赛，每周一个quiz，最后四人一组做一个project，workload很大的一门课，但是可以深入了解各种神经网络，也会有机会手写网络，用aws/gc。
Big data computing：学spark，挺浅的，五次作业，可以对spark有基本的了解。同样6分的课只是让我们大致有个了解。
Capstone：18学分的大课，4个人合作完成，在第一学期会自己选感兴趣的topic然后分配到一个项目，因为把healthcare排在了第二位，所以接到了医疗相关的项目，因为队友都很靠谱，所以也学到了很多，体验不错。
R for data science：非常水，但是也可以了解很多r的语言，给了很多自由。
Data structure for application programmers: terry lee 的 ，非常有名。上这门课是觉得作为ds要学习点数据结构，作业还好，但是有时候卡在了bug里就很久。最后考试对我来说很难，但是听sde的同学说就是leetcode的感觉。
Heinz很多6分的小学期的课，就8周的课时，不要指望能学习到很多，只能说带你入门，深入的了解还是要靠工作实践和课外的补充。
找工作
找工作方面，我从九月份开始小规模投简历，去了career fair，一个回应都没有。但是heinz还是挺好的，至少一些大公司会专门来院里招人，不过ds机会很少。在不忙的时候就会复习下统计知识，sql和ml知识，但是我越来越觉得data是一个很大的领域，要真正完全掌握太难了。在第二学期，机会渐渐多了起来，不过也是因为有些公司扩招所以机会多，所以时机很重要。去了career fair，依旧没有用，可能还是打开方式不对。大公司对new graduate真的要求很高，没有很多的机会。这里我想说的是，找几个志同道合的伙伴一起准备面试，分享机会很重。找工作是长久战，很考验耐心，要有共赢思维，多交流也可以减缓自己的焦虑情绪。
关于Heinz学院
Heinz的相关data课还是很多的，而且选课没有限制，想做modeling，在ml，dl深入的话可以选修cs学院的课，想在analytics方向多学习的heinz可以满足了，想学business sense就可以选择tepper的课。
Data science本身就是一个多学科交融的学科，工业界不同的data scientist也做着不同的方向的事情，所以搞清楚自己到底喜欢什么挺重要的，前期的internship或者课堂的project就大致自己会有个感觉。最后拿了一个healthcare相关小公司的offer，可能也和我的经历有关系。这个机会也是很巧，对方在linkedin上reach out，约了几次interview就发offer了。
最后
我觉得来cmu还是很好的决定，cmu的光环能让我拿到一些机会，而且cmu让我见识到了天外有天，厉害的人，聪明的，努力的大神比比皆是。我只能做好自己，做自己喜欢的事情就好，多和大神学习。
找工作的话，如果坚信自己喜欢data，想做data，那就早做准备，实习、知识，很多都在于积累，我很不喜欢为了一场面试去穷心竭力，我相信水到渠成和顺其自然，不过也是因为目前太弱，接受知识速度太慢，无法逼迫自己去学不是很感兴趣的东西。我一直觉得找工作其实又是双向的过程，公司在选择你，我们也在选择未来的道路。与其看重公司大小和名气，我可能更看重我会做什么。
一直被教育说data science中communication和合作很重要，要让别人懂你在做什么，用平实的语言讲一个数据的故事有时候比fancy的mode更重要。选课里的Project就提供了这些可能，遇到靠谱的队友，特别是有工作经验的印度人，可以学习下他们说话的艺术。。。
以上经验也是我一个人单方面的感受，肯定不能和大牛们比，希望可以给大家提供一个参考。毕业后还是要继续努力，成为一个优秀的ds。
关于global mism的问题我都可以回答，也欢迎在/想做data多多交流。请加米呀，谢谢！
背景
我本科两年在国内985统计专业，大三交换到美国中部农村学校继续学统计，双修了金融数学。在美国农村大学，统计的数学要求不高，学的也不难，不深。补了一堆历史、物理、艺术等通识课，在理论学习上没有国内的深入，导致我的数学功底日渐萎靡。不过美国学校重视应用，大四和教授做了一个一年的统计分析项目，坚定了我在这条路走下去，在数据中发现有趣的insight，是我的动力。申请的时候就想读data science，然而对这个领域不是很了解，也没有学过机器学习，也不很懂python和sql，用的最多的语言就是R，但也不是现在很火的tidyverse，就是最一般的base R。
申请情况
最后我拿到了哥大统计和cmu global mism ，cmu mism本来申请的是bida，当时我对mis一点了解没有，对cmu也不是很了解，就当彩票申了，在三月底的时候来了offer，被调剂到了21个月，要去澳洲一年，想着也不错，考虑了一天就选择去了。暑假和另一个教授做统计方面的研究，感觉自己不喜欢research，也不是很喜欢传统的统计学研究土壤，环境，所以算是排除了一个可能的方向。
澳洲一年
CMU澳洲校区在阿德莱德，南部一个小城市，不过还是南澳的首府。学校很小，就两层楼，每天两点一线，生活单调乏味。但是双休日可以乘tram去海边休憩，还是非常舒适。校区一共一百来人，主要是global mism，还有global ppm和msit的同学，大家基本都互相认识。
Global mism的最大的好处就是可以在澳洲一年把core上完，但是最大的弊端就是师资力量欠缺。一个教java的老师又可以上data mining，质量可想而知。而且core的用处本来就对data science帮助不大，说实话。对于core就不多介绍了。这里想说的是，能免的课一定要免，比如dmuu，是Riaz上的，Riaz同时还上telecommunication和digital transformation，不得不吐槽一句，能相信一个人什么都可以教嘛？如果项目不重视这些课，为什么又要列为core？telecommunications和digital transformation真的很浪费时间，他们的作用可能就是科普，让我知道了通信一些基本知识，digital transformation除了让我知道long tail，别的我什么都没有记住，当然，我也没有好好学，可能好好学的同学觉得挺有用。回到刚刚说的话题，dmuu一定要免，当时我傻，想着学习excel，就上了，连免学的考试都没有去，真的太蠢了。另外，能够学的美国的远程课尽量选上，比如nosql，linux，uda等等，当时我抱着去美国再上的心，就没选。在美国好课多多了，能上的和data有关的都先学着，不会有坏处。当时我还考虑到想尝试下consulting，就选了strategic planning，发现自己真的不适合management consulting，也算断了自己一个念想。
在澳洲可以上的和data有关的课
Database management：这个是core，学database 设计理论和sql 实践，美国来的老师上，质量不错，而且sql对ds也很重要，很多偏analytics的岗位必考，所以建议好好学。我当时不知道为什么学不进去，sql 的语法对我来说很难理解，所以在美国找工作的时候，pre screen有sql 的我一律放弃了，真的也不喜欢写sql。作业挺烦的，挺费时间，最后两个人一起完成project，有些query还是挺复杂的。
Data mining： Murli教的，非常一般，他就是照ppt念，但是如果自己课外可以跟着学习一些资源，也可以有所收获。课程主要用weka和tableau，当时我在学习python的数据科学用法，所以作业都是用python写的，tableau学学也挺好的。另外，有个小组作业，是参加一个data challenge，挺难的，最后也没拿奖。
当时考虑到质量，没有选别的data课，比如远程的nosql，linux，uda等等，现在觉得nosql完全可以在阿德莱德的时候学掉，没有问题。
在澳洲，虽然课程质量不高，但是时间多，自由，可以多积累实践经验，这里指的是part time 实习。到下半学期，career service会发一些part time机会，一般是十周，很多和data相关，一定要把握住机会去做internship。因为在找fulltime面试的时候你会发现，data相关的project对方会很感兴趣，特别当和他们组做的比较接近的时候，所以前期一定要多去实践，可能比多上课要有用很多。阿德莱德创业公司挺多的，ai在澳洲也在起步发展阶段，对这方面的人才需求很大，我有身边的同学去小公司做深度学习方面的实习生，可以自己独立负责一个小项目，或者有mentor带，还是很有好处的。而且这一年是试错的阶段，我们可以去尝试不同的职业方向，比如consulting，比如data也有很多领域，多去接触项目和公司，探索自己到底想要做什么，想去什么样的公司，比窝在学校里学习要有意义多。当时我在一个做property management的创业公司做cv和object detection，也是我第一次接触深度学习和cv相关，学到了很多知识，开发了很多以前不会的技术。
另外，虽然在澳洲的师资力量一般，但是这并不妨碍我们获取知识。现在网络课程如此丰富，完全可以自学。第一学期我跟了一门网课系统学习了python，第二学期又上了一门网课学了python做data science，学data mining同时又跟了网课补充ml知识。我才发现我本科学的太少了，对data science领域了解太少，所以一点点补充。
澳洲的自然风光很好，假期出去玩真的很开心，这也是加分项，毕竟人生还是要有享受的。现在有时候我还是会怀念澳洲的阳光，沙滩，大海，周五下午热闹的酒吧。。。
暑假实习
暑假实习大家大都回国了，很多大厂offer。当时我是满世界找实习，坚定着要找data相关的。三月拿到了加拿大一个小公司的offer，cto一开始自信满满签证没问题，后来发现复杂，不愿意sponsor就收回了，四月还拿到一个新加坡公司的口头offer，后来又被放了鸽子。回国后很巧的是，简历被一家软件外企manager挑出来，一轮phone和一轮onsite就拿了offer，因为对方也急着招人，看我也不那么差，就要我了。这个实我要从头到尾负责一个数据分析项目，从数据清洗开始，到最后的presentation，分析用户使用软件的情况，很锻炼我的能。这个实习也坚定了我要做data scientist的目标，同时我也觉得这种一个人做项目其实也很有局限性，没有人一起讨论模型，处理方法，学到的很少，自学能力进一步提高的同时，很容易走弯路，我就觉得今后找工作一定要找有data 团队的。另外，我觉得自己不是很喜欢在软件公司做分析，比较枯燥，毕竟软件是不会变的，收集到的features可能每年也不会有大变化，所以做的事情多样性小，这也是为什么我后来特别想去咨询公司做ds。我觉得在什么行业做data scientist和什么公司也非常重要，毕竟我希望每天去公司都可以很开心。
第二年-匹兹堡
到了匹兹堡，自然而然面对了找工作的压力，当然选课选择也丰富多了，这时候core基本完成了，可以选很多外院的选修课，选择很多，我一一介绍我学过的。
Intro to ML （10601）：非常popular的cs的课，ml入门课。当时roni教半学期，一个年轻老师zack教半学期，不得不说roni真的教的很好啊，微风细雨就把知识点给讲出来了，特别通俗易懂，也可以深入理解。他好像特别喜欢info theory，讲了两周吧，半学期才讲到了decision tree。后半段的zack真的教学水平一般，感觉被坑了，还是特别重要的内容，dl，rl，gpm等。作业都是build from scratch，觉得可以深入理解一个算法，有挑战，但是理解了就不难。考试是理解为主。10601有两个section，另一个section是郭美丽，好像workload会大一些，学的也很多，各有利弊吧。后来才感觉自己应该学701的，有个小组projec。
Data science for product managers：heinz的课，教授david很厉害，在咨询公司做过，又是教授。主要过一遍ds在product analysis的应用，但是很浅，学完了也不能应付product sense的面试，就当了解为主吧。
A/B Testing：和网上听到的abtesting不太一样，主要讲regression下的abt，偏向于社会调查一类的，不是互联网公司关心的那种，也没讲metric，具体怎么做。最后完成小组作业，也比较划水，要求不是很高。这些6分的课都只上半学期，真的不可能完全理解一个东西，而且都要求project，一般不怎么学就开始上手做project了。
NoSQL：比较high level对key value，document，graph和column family四种NoSQL database介绍，最后要写一篇论文，lab是对四种db做一些基本操作，可以了解基本的知识。
Deep Learning 11785: 四次作业，每次两个part，一个from stratch，一个在kaggle上打比赛，每周一个quiz，最后四人一组做一个project，workload很大的一门课，但是可以深入了解各种神经网络，也会有机会手写网络，用aws/gc。
Big data computing：学spark，挺浅的，五次作业，可以对spark有基本的了解。同样6分的课只是让我们大致有个了解。
Capstone：18学分的大课，4个人合作完成，在第一学期会自己选感兴趣的topic然后分配到一个项目，因为把healthcare排在了第二位，所以接到了医疗相关的项目，因为队友都很靠谱，所以也学到了很多，体验不错。
R for data science：非常水，但是也可以了解很多r的语言，给了很多自由。
Data structure for application programmers: terry lee 的 ，非常有名。上这门课是觉得作为ds要学习点数据结构，作业还好，但是有时候卡在了bug里就很久。最后考试对我来说很难，但是听sde的同学说就是leetcode的感觉。
Heinz很多6分的小学期的课，就8周的课时，不要指望能学习到很多，只能说带你入门，深入的了解还是要靠工作实践和课外的补充。
找工作
找工作方面，我从九月份开始小规模投简历，去了career fair，一个回应都没有。但是heinz还是挺好的，至少一些大公司会专门来院里招人，不过ds机会很少。在不忙的时候就会复习下统计知识，sql和ml知识，但是我越来越觉得data是一个很大的领域，要真正完全掌握太难了。在第二学期，机会渐渐多了起来，不过也是因为有些公司扩招所以机会多，所以时机很重要。去了career fair，依旧没有用，可能还是打开方式不对。大公司对new graduate真的要求很高，没有很多的机会。这里我想说的是，找几个志同道合的伙伴一起准备面试，分享机会很重。找工作是长久战，很考验耐心，要有共赢思维，多交流也可以减缓自己的焦虑情绪。
关于Heinz学院
Heinz的相关data课还是很多的，而且选课没有限制，想做modeling，在ml，dl深入的话可以选修cs学院的课，想在analytics方向多学习的heinz可以满足了，想学business sense就可以选择tepper的课。
Data science本身就是一个多学科交融的学科，工业界不同的data scientist也做着不同的方向的事情，所以搞清楚自己到底喜欢什么挺重要的，前期的internship或者课堂的project就大致自己会有个感觉。最后拿了一个healthcare相关小公司的offer，可能也和我的经历有关系。这个机会也是很巧，对方在linkedin上reach out，约了几次interview就发offer了。
最后
我觉得来cmu还是很好的决定，cmu的光环能让我拿到一些机会，而且cmu让我见识到了天外有天，厉害的人，聪明的，努力的大神比比皆是。我只能做好自己，做自己喜欢的事情就好，多和大神学习。
找工作的话，如果坚信自己喜欢data，想做data，那就早做准备，实习、知识，很多都在于积累，我很不喜欢为了一场面试去穷心竭力，我相信水到渠成和顺其自然，不过也是因为目前太弱，接受知识速度太慢，无法逼迫自己去学不是很感兴趣的东西。我一直觉得找工作其实又是双向的过程，公司在选择你，我们也在选择未来的道路。与其看重公司大小和名气，我可能更看重我会做什么。
一直被教育说data science中communication和合作很重要，要让别人懂你在做什么，用平实的语言讲一个数据的故事有时候比fancy的mode更重要。选课里的Project就提供了这些可能，遇到靠谱的队友，特别是有工作经验的印度人，可以学习下他们说话的艺术。。。
以上经验也是我一个人单方面的感受，肯定不能和大牛们比，希望可以给大家提供一个参考。毕业后还是要继续努力，成为一个优秀的ds。
关于global mism的问题我都可以回答，也欢迎在/想做data多多交流。请加米呀，谢谢！
- 108