一个EE选手的data science申请总结，抽中彩票我太圆满了！
66838
申请季也快要结束了，除了还有几个waitlist，基本上也大局已定。总的来说我还是很圆满的，毕竟被彩票ucb捞了一把还给了奖，之前真的是把他供在选校list的最顶上，想都没敢想。于是想来地里装模作样的写一点总结，回馈一下地里，希望我的经验对下一届的学弟学妹们有帮助。
在我的申请之路上，我常常是迷茫的，我常常回头看，怀疑自己走的每一步是否有意义，是否稳妥，生怕在如此重要的路上走错一步。可当我到达彼岸，回头看去，发现每一步，每一个脚印，不论是成功还是试错，都注定了我会走向这个轨迹。如果非要用一句话来总结我的申请之路，那就是，四年很短，但人生很长，就不断的去挑战，去挥霍吧。与其纠结迷茫到最后留下遗憾，不如真的去尝试一把，这样你才知道，这件事情是不是你想象的那样，自己到底适不适合。那时候你会发现，拨开云雾，你又会进入新的迷茫（摊手）。
可每一次拨开云雾的瞬间，你都在兜兜转转的循环中不断螺旋式上升，或多或少，你都更了解自己一点。
[align="center"]我为什么想要学data science[/align][align="center"]
[/align]回想起我的大一，真的是把校内校外的活动参加了个遍，一口气报了四个社团，唱歌比赛，演讲比赛，电视台，艺馨杯，乐队，海外志愿者，虽然那时候常常很忙碌，但那确是我四年来最充实的一段时光。那时候的我，在很努力的发掘自己的各种可能，但我也很迷茫，我对太多东西都感兴趣，但每一个都是浅尝辄止，我并不知道，最适合我的那条路到底是什么。
大二的寒假，我抱着本校信通院大佬们的大腿参加了美赛，那一次，我真正感受到了自己和编程高手的差距，我感觉自己根本跟不上的他们的节奏，只能在旁边打杂，帮他们写写论文。虽然最后拿了M，但对我而言，却是无比挫败的经历。那段时间，我焦虑，迷茫而且不自信，想要找到自己的定位的想法更迫切了。我跟很多中介聊，跟学长学姐聊，觉得自己可以尝试做一下产品经理。于是大二的时候我参加了互联网➕，参加了一些创新训练营，虽然没有拿到很好的名次，但我确实是学习到了一些产品思维的，这个经历也为我暑假的产品经理实习做下了铺垫。
大二的暑假，我在TCL做产品经理的过程中，突然发现自己对数据很感兴趣，我喜欢用各种角度，各种方法解释数据，讲出数据背后的故事，我觉得这种从看似杂乱无章的书中提炼出决策的过程很令人着迷。并且我意识到，相比于探索自己的深度，我更希望探索自己的广度，而数据科学它的灵活性和广泛性，决定了任何一个领域都需要数据科学的助力。那么，它就会是一个很好的工具，可以帮助我去探索任何一个我感兴趣的领域。与此同时，那个暑假我们组的大创也在做数据相关的工作，我也开始学习用python去实现一些ml模型。从那时起，我开始重新慢慢整理自己的心情去面对编程，发现它并不像我想象中那么恐怖，对自己的信心也在慢慢的恢复起来。
大三是出国党全力以赴冲刺的时刻，我在稳住gpa，备考语言的同时，也打算去清华再找一份数据相关的科研，那段时间，每天都早出晚归，生活好像失去了色彩。
可到了大三下学期，原本要发的论文还遥遥无期，我决定及时止损，刚好IBM有一份软件开发的实习机会，我决定挑战一下自己。每天晚上7点下班，一个人转两趟地铁一趟公车，才疲惫地回到学校，还要把今天的课补上，把大作业写完，开始复习语言。
我记得当时看着北京的月季在四月的阳光里开到荼蘼，我却觉得自己在另一个季节里，这种错位感让我觉得有一种矛盾的美感，既寒冷，又充满了对明年四月天的期待。但庆幸的是，IBM的前辈们都非常友善，带着我熟悉各种开发流程，我非常感恩。这里想要跟大家一下分享一下，虽然我当时招进来的岗位是软件开发，但是我在跟manager聊天的时候提到我未来想往data science方面走，当时我们组正好有一些machine learning相关的idea在萌芽，所以之后就安排我参与了这些data science的coding工作，还带我参加了一些ibm内部的比赛，这些经历，对于我而言，都非常宝贵。所以我想，在实习和科研的时候，一定要多和老板沟通你的想法，他们都是过来人，可以给你的职业发展提供很有用的建议，也可以提供很多意想不到的机会。
一直到了暑假结束，我认识了IBM的一位做咨询的前辈，了解到consulting也是data science的一个职业发展方向。我们常常说data science有两方面的技能，一个是coding，一个是telling story，consulting偏向的就是后者。在了解自己的过程中，我也发现自己是一个比较外向，比较喜欢与人沟通交流的人，于是我决定在大四上去发掘一下自己在consulting方面的潜力。来来回回面试了一个月，我最终来到了德勤做consultant。做一个consultant，你不仅需要懂技术，还需要知道如何把技术讲给别人听，也需要知道如何去卖出自己的技术。我也发现，其实在德勤做咨询并没有想象中那么风光，常常一周飞两三趟，没有一天不是要加班熬夜的。我的manager甚至都没有时差，因为他没有生物钟，从来都是困了就睡几个小时，起来继续开会。虽然很辛苦很累，但是跟客户battle的那种成就感，常常让我觉得这些辛苦也是值得的。
所以你看，我其实并不是一开始就清楚自己的专业定位的，我也非常迷茫过，但我庆幸的是，在迷茫的时候，我抓住了一个可能性，并且去尝试了。即便那可能不是你最终的方向，但你要相信，没有任何一段经历是完全无用的，它总会在未来的某一天闪着光，告诉你：嘿，你做的事情是有意义的！
[align="center"]选校[/align]
在Data science的选校名单方面，data science的项目一般有两种类别：一种偏CS/EE（比如CMU MCDS, UCB EECS的data science & system track，UCSD ECE 的MLDS等等，总之大部分cs/ee项目下面都有ds track ），另一种偏数学/统计（比如Duke MIDS, Upenn DS, Columbia DS，Brown DS, NWU MSiA）。两种项目的区别方式主要看课程设置，还有看地里往届录取的人的背景。我现在录取的data science项目基本也是偏CS/EE的，后者一般都是面向数学/统计/商科背景的同学转码的，他们的均分很高，实习和海外背景也很多，真的比不过比不过。
在选校策略上，我建议多申请一些cs/ee的ds track，偏数学/统计的那些ds项目可以申几个彩票。同时可以申请一些mis，我理解mis和data science的区别是：mis主要是搞数据库那些东西，以后主要会去做data analytic，consultant，给大公司开发信息管理系统，做一些简单的数据统计，这主要是从数据的表面发现问题。而data science一般是用machine learning去对实际问题建模，这是从数据深层去挖掘潜在的问题。当然现在的mis专业也都会开设很多machine learning的课程，所以他们的区别又慢慢的模糊了一些。
[align="center"] data science未来的职业规划[/align][align="center"]
[/align][align="center"] [/align]在申请ds之前跟很多学长学姐聊过，其实ds在美国没有码农好就业。一个是坑少，另一个data scientist一般还是会招phd的同学，甚至很多data scientist/data engineer的岗位其实更偏向招cs背景的同学。我自己在德勤consulting实习的时候也感觉到，cs背景的同学在面试时比mis背景的同学门槛低很多，码农背景的小哥哥在team里简直是如鱼得水。所以申请偏eecs的data science对大家来说也是只有好处没有坏处的。我目前的想法也是，宏观上抱着data scientist的大愿望，如果能找到实习当然最好，但是眼下也要做好转码的准备，就当给自己补充一点技术加持也好。
[align="center"]关于中介[/align][align="center"]
[/align][align="center"] [/align]中介对你的价值，和你与中介之间的信息差成正比。你最开始找中介的时候，也就是你啥都不懂的那个时候，中介和你的信息差是最大的，这时候中介对你的价值达到了最大化，所以当时你无比的想签下中介，因为你觉得你啥也不懂。我当时也是那么觉得的。可当我关注了一段时间地里的帖子，对自己的专业定位有了一个比较清晰的认识之后，我发现最好的中介其实是你自己。没有中介可以比你自己更负责，没有中介比你更了解你的经历，没有中介能替你决定你未来的方向。我的建议是，在你刚开始接触留学这件事的时候，也就是中介和你的信息差最大的时候，不要盲目签下中介，你可以多找几个中介白嫖一下，一个中介可能跟你聊到一半就给你下套了，这时候你可以找另一个中介继续聊，相信我，聊这么一个学期，你就基本上能找准自己的定位了。
如果你已经有了中介，那么以下这几个方面是你一定要自己做的：选校，文书，推荐信，网申检查（是不是觉得好像也没有什么别的中介可以做的了hhhh）。
选校的时候，除了中介给我的 list，我也自己去学校官网和地里一个个看有没有遗珠，最开始在清单里写下了100+个项目（哭），导致最后筛选的时候真的吐血，熬了两天的夜。选校一定要早开始！早开始！早开始！最开始定选校的时候可以多参观一下地里的定位贴，把和你三围相似的人的选校清单和楼下前辈们的建议用excel表格记下来，然后在地里搜索这些项目的就读体验。然后筛选的时候一定要有自己的判断，当时中介差点建议我全申数统类的ds，还好当时我自己对自己还是有点逼数的，要不真的就全聚德了。而且中介的选校比较模版化，我的两个同学的中介给她们俩选的专业是一模一样的。
本帖隐藏内容需要登录后才能查看。
在我的申请之路上，我常常是迷茫的，我常常回头看，怀疑自己走的每一步是否有意义，是否稳妥，生怕在如此重要的路上走错一步。可当我到达彼岸，回头看去，发现每一步，每一个脚印，不论是成功还是试错，都注定了我会走向这个轨迹。如果非要用一句话来总结我的申请之路，那就是，四年很短，但人生很长，就不断的去挑战，去挥霍吧。与其纠结迷茫到最后留下遗憾，不如真的去尝试一把，这样你才知道，这件事情是不是你想象的那样，自己到底适不适合。那时候你会发现，拨开云雾，你又会进入新的迷茫（摊手）。
可每一次拨开云雾的瞬间，你都在兜兜转转的循环中不断螺旋式上升，或多或少，你都更了解自己一点。
[align="center"]我为什么想要学data science[/align][align="center"]
[/align]回想起我的大一，真的是把校内校外的活动参加了个遍，一口气报了四个社团，唱歌比赛，演讲比赛，电视台，艺馨杯，乐队，海外志愿者，虽然那时候常常很忙碌，但那确是我四年来最充实的一段时光。那时候的我，在很努力的发掘自己的各种可能，但我也很迷茫，我对太多东西都感兴趣，但每一个都是浅尝辄止，我并不知道，最适合我的那条路到底是什么。
大二的寒假，我抱着本校信通院大佬们的大腿参加了美赛，那一次，我真正感受到了自己和编程高手的差距，我感觉自己根本跟不上的他们的节奏，只能在旁边打杂，帮他们写写论文。虽然最后拿了M，但对我而言，却是无比挫败的经历。那段时间，我焦虑，迷茫而且不自信，想要找到自己的定位的想法更迫切了。我跟很多中介聊，跟学长学姐聊，觉得自己可以尝试做一下产品经理。于是大二的时候我参加了互联网➕，参加了一些创新训练营，虽然没有拿到很好的名次，但我确实是学习到了一些产品思维的，这个经历也为我暑假的产品经理实习做下了铺垫。
大二的暑假，我在TCL做产品经理的过程中，突然发现自己对数据很感兴趣，我喜欢用各种角度，各种方法解释数据，讲出数据背后的故事，我觉得这种从看似杂乱无章的书中提炼出决策的过程很令人着迷。并且我意识到，相比于探索自己的深度，我更希望探索自己的广度，而数据科学它的灵活性和广泛性，决定了任何一个领域都需要数据科学的助力。那么，它就会是一个很好的工具，可以帮助我去探索任何一个我感兴趣的领域。与此同时，那个暑假我们组的大创也在做数据相关的工作，我也开始学习用python去实现一些ml模型。从那时起，我开始重新慢慢整理自己的心情去面对编程，发现它并不像我想象中那么恐怖，对自己的信心也在慢慢的恢复起来。
大三是出国党全力以赴冲刺的时刻，我在稳住gpa，备考语言的同时，也打算去清华再找一份数据相关的科研，那段时间，每天都早出晚归，生活好像失去了色彩。
可到了大三下学期，原本要发的论文还遥遥无期，我决定及时止损，刚好IBM有一份软件开发的实习机会，我决定挑战一下自己。每天晚上7点下班，一个人转两趟地铁一趟公车，才疲惫地回到学校，还要把今天的课补上，把大作业写完，开始复习语言。
我记得当时看着北京的月季在四月的阳光里开到荼蘼，我却觉得自己在另一个季节里，这种错位感让我觉得有一种矛盾的美感，既寒冷，又充满了对明年四月天的期待。但庆幸的是，IBM的前辈们都非常友善，带着我熟悉各种开发流程，我非常感恩。这里想要跟大家一下分享一下，虽然我当时招进来的岗位是软件开发，但是我在跟manager聊天的时候提到我未来想往data science方面走，当时我们组正好有一些machine learning相关的idea在萌芽，所以之后就安排我参与了这些data science的coding工作，还带我参加了一些ibm内部的比赛，这些经历，对于我而言，都非常宝贵。所以我想，在实习和科研的时候，一定要多和老板沟通你的想法，他们都是过来人，可以给你的职业发展提供很有用的建议，也可以提供很多意想不到的机会。
一直到了暑假结束，我认识了IBM的一位做咨询的前辈，了解到consulting也是data science的一个职业发展方向。我们常常说data science有两方面的技能，一个是coding，一个是telling story，consulting偏向的就是后者。在了解自己的过程中，我也发现自己是一个比较外向，比较喜欢与人沟通交流的人，于是我决定在大四上去发掘一下自己在consulting方面的潜力。来来回回面试了一个月，我最终来到了德勤做consultant。做一个consultant，你不仅需要懂技术，还需要知道如何把技术讲给别人听，也需要知道如何去卖出自己的技术。我也发现，其实在德勤做咨询并没有想象中那么风光，常常一周飞两三趟，没有一天不是要加班熬夜的。我的manager甚至都没有时差，因为他没有生物钟，从来都是困了就睡几个小时，起来继续开会。虽然很辛苦很累，但是跟客户battle的那种成就感，常常让我觉得这些辛苦也是值得的。
所以你看，我其实并不是一开始就清楚自己的专业定位的，我也非常迷茫过，但我庆幸的是，在迷茫的时候，我抓住了一个可能性，并且去尝试了。即便那可能不是你最终的方向，但你要相信，没有任何一段经历是完全无用的，它总会在未来的某一天闪着光，告诉你：嘿，你做的事情是有意义的！
[align="center"]选校[/align]
在Data science的选校名单方面，data science的项目一般有两种类别：一种偏CS/EE（比如CMU MCDS, UCB EECS的data science & system track，UCSD ECE 的MLDS等等，总之大部分cs/ee项目下面都有ds track ），另一种偏数学/统计（比如Duke MIDS, Upenn DS, Columbia DS，Brown DS, NWU MSiA）。两种项目的区别方式主要看课程设置，还有看地里往届录取的人的背景。我现在录取的data science项目基本也是偏CS/EE的，后者一般都是面向数学/统计/商科背景的同学转码的，他们的均分很高，实习和海外背景也很多，真的比不过比不过。
在选校策略上，我建议多申请一些cs/ee的ds track，偏数学/统计的那些ds项目可以申几个彩票。同时可以申请一些mis，我理解mis和data science的区别是：mis主要是搞数据库那些东西，以后主要会去做data analytic，consultant，给大公司开发信息管理系统，做一些简单的数据统计，这主要是从数据的表面发现问题。而data science一般是用machine learning去对实际问题建模，这是从数据深层去挖掘潜在的问题。当然现在的mis专业也都会开设很多machine learning的课程，所以他们的区别又慢慢的模糊了一些。
[align="center"] data science未来的职业规划[/align][align="center"]
[/align][align="center"] [/align]在申请ds之前跟很多学长学姐聊过，其实ds在美国没有码农好就业。一个是坑少，另一个data scientist一般还是会招phd的同学，甚至很多data scientist/data engineer的岗位其实更偏向招cs背景的同学。我自己在德勤consulting实习的时候也感觉到，cs背景的同学在面试时比mis背景的同学门槛低很多，码农背景的小哥哥在team里简直是如鱼得水。所以申请偏eecs的data science对大家来说也是只有好处没有坏处的。我目前的想法也是，宏观上抱着data scientist的大愿望，如果能找到实习当然最好，但是眼下也要做好转码的准备，就当给自己补充一点技术加持也好。
[align="center"]关于中介[/align][align="center"]
[/align][align="center"] [/align]中介对你的价值，和你与中介之间的信息差成正比。你最开始找中介的时候，也就是你啥都不懂的那个时候，中介和你的信息差是最大的，这时候中介对你的价值达到了最大化，所以当时你无比的想签下中介，因为你觉得你啥也不懂。我当时也是那么觉得的。可当我关注了一段时间地里的帖子，对自己的专业定位有了一个比较清晰的认识之后，我发现最好的中介其实是你自己。没有中介可以比你自己更负责，没有中介比你更了解你的经历，没有中介能替你决定你未来的方向。我的建议是，在你刚开始接触留学这件事的时候，也就是中介和你的信息差最大的时候，不要盲目签下中介，你可以多找几个中介白嫖一下，一个中介可能跟你聊到一半就给你下套了，这时候你可以找另一个中介继续聊，相信我，聊这么一个学期，你就基本上能找准自己的定位了。
如果你已经有了中介，那么以下这几个方面是你一定要自己做的：选校，文书，推荐信，网申检查（是不是觉得好像也没有什么别的中介可以做的了hhhh）。
选校的时候，除了中介给我的 list，我也自己去学校官网和地里一个个看有没有遗珠，最开始在清单里写下了100+个项目（哭），导致最后筛选的时候真的吐血，熬了两天的夜。选校一定要早开始！早开始！早开始！最开始定选校的时候可以多参观一下地里的定位贴，把和你三围相似的人的选校清单和楼下前辈们的建议用excel表格记下来，然后在地里搜索这些项目的就读体验。然后筛选的时候一定要有自己的判断，当时中介差点建议我全申数统类的ds，还好当时我自己对自己还是有点逼数的，要不真的就全聚德了。而且中介的选校比较模版化，我的两个同学的中介给她们俩选的专业是一模一样的。
本帖隐藏内容需要登录后才能查看。
- 74
8条回复