1.1 专业简介
数据科学是一门涉及到统计,数据分析及其相关方法的科学，借用数据去“理解和分析实际现象”。数据科学使用到数学、统计、信息科学和计算机科学等各个学科的技术和理论，特别是以下分支：机器学习, 分类, 聚类分析，数据挖掘，数据库和可视化。大多数院校的Data Science属于STEM学科。
数据科学可以应用在哪些领域？--以哥大的数据科学所的研究领域为例：
Ÿ Financial and Business Analytics 金融与商业分析（例如数据科学帮助解决诈骗邮件的问题；数据科学帮助优化解决量化交易收益的问题；数据科学在大规模商业银行中的应用）
Ÿ Health Analytics 健康分析（哥伦比亚大学数据健康分析中心的研究员和教授来自医学、生物、公共卫生、生物信息、计算机、应用数学与统计专业。目标是通过数据驱动的方法和对健康过程的理解来改善个人健康和医疗系统。案例： Real-time Monitoring and Data Visualization for the Management of Intracranial Hypertension in the Intensive Care Unit 重症监护病房颅内高压管理的实时监测和数据可视化）
Ÿ Smart Cities 智慧城市(哥大智慧城市研究中心的研究涵盖面很广，例如检测和消除城市基础设施老化的问题，提高智能电网技术，计算和沟通交通拥挤时的更优化交通路线等)
Ÿ Computational Social Science 计算社会科学（哥伦比亚大学计算社会科学研究中心，帮助缺少编程和技术背景的研究人员，解决社会科学的问题。例如利用移动电话和卫星数据绘制贫困地图，解决贫困问题（孟加拉地区））
Ÿ Cybersecurity 网络安全（我们致力于开发在整个生命周期内保持数据安全和私有性的能力。该中心与计算机科学和电气工程系，以及商学院合作研究。）
数据科学主要研究内容有以下三类：
1. Predictive Analytics：分析数据来预测未来可能发生的事情。
2. Descriptive Analytics：分析数据找出过去事件的特征和正在发生事件的趋势。
3. Prescriptive Analytics：分析数据来找出合适的措施、取得优化的结果。
常见的专业名称有Data Science，Data Analytics，Big Data
Computer Science/Statistics/Analytics (with concentration in Data Science)
数据科学和商业分析的区别：
很多学生会选择同时申请两个专业，但是实际上，两个专业还是有区别的：
· DS一般在工学院或者文理学院， BA一般在商学院
· DS的课程设置一般偏向于计算机和数学， BA的课程一般还有商科
· 应用的技能不一样
· 职业岗位不一样
数据科学和统计的比较：
统计学和数据科学这两个专业都要求一定的数学和计算机能力。部分DS专业开设在统计或者数学系下面。但是两个专业也有一定区别。
先修课：统计专业要求学过除了线性代数、微积分、概率论等等基础课外，还要求掌握统计的高阶课程，比如回归分析、多元统计、时间序列等。而数据科学对计算机背景和技能要求更高，同时要有数学背景，先修课程包括计算机导论，SQL数据库，C++等，数学要求微积分、数学建模、线性代数、概率论等等以及最好有一定工作经验。
从申请角度，统计学大多有自己独立的院系，而DS多数没有，多数在工学院或计算机学院，少数在统计学院。
从深入学习角度，统计学比较偏科研，也设有博士学位；而DS则应用导向，如果要读博士一般转到CS。
从就业上差别也不小，统计学家侧重统计和分析数据，进行统计推断。研究重点是对统计方法进行研究和改良，用在计算机建模之后对数据进行描述和解释。而数据科学家则是通过科学的方法，用数据挖掘工具寻找新的数据。数据科学家要求掌握数据库、软件开发等等，对于程序语言R, Python、C++，SQL和Hadoop等都要了解，对技能要求更综合。
1.2 项目设置
数据科学项目主要是面向职业培训、侧重工业界需求，所以设置博士学位的学校比较少。为了符合工业界需求，专门的数据科学项目课程都很实际，侧重培养学生分析数据、解决问题的实际动手能力，课程一般不涉及理论知识。
如果要读博士，申请统计和生物统计专业最对口，其次是计算机或者电子工程做机器学习数据挖掘这些相关方向的。另外数学、IEOR、经济等专业也有少数博士生做的方向可以转到数据科学上。
1.3 课程设置
核心课程有 （以哥伦比亚大学数据科学项目为例）：
统计和计算机课程
l Introduction to Data Science
l Computer Systems for Data Science
l Machine Learning for Data Science
l Algorithms for Data Science
l Probability Theory
l Probability Theory
l Exploratory Data Analysis & Visualization
l Statistical Inference & Modeling
选修课
可选范围比较广泛，包括
l Translational Bioinformatics
l Topics in Computer Science: Applied Machine Learning
l Topics in Computer Science: Causal Inference for Data Science
l Topics in Computer Science: Elements of Data Science: A First Course
l NLP: Computational Models of Social Meaning
l Topics in Computer Science: Projects in Data Science: A First Course
l Topics in Information Processing: Big Data Analytics
申请要求
1.1 专业背景
常见的本科专业有 Computer Science/Technology; Engineering; Business Management; Finance; Math; Statistics, etc.
各大学对申请学生有较为明确而统一的要求，数学背景包括微积分、线性代数、概率论、统计学、数学建模等等；计算机背景包括计算机导论、SQL、Database和编程等。
大多数项目倾向录取数学、统计等计量学科背景的学生，同时希望申请人有软件编程基础、会写程序分析数据。仅仅上过高数、线性代数和概率统计这三门基础课是不够的。如果没有非常强的数理基础，建议申请BA等要求没有这么强的专业。
除此之外，希望申请人有比较强的解决问题和交流沟通能力。如果有工作经验，申请时候会是加分项。文书中注意结合工作体现对这个专业的理解和看法。如果没有工作经验，建议文书中设计相关内容强调背景和能力可以胜任这个专业。
1.2 先修课要求
以Harvard的Master of Science in Data Science为例：
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.)
美国大多数院校的数据科学硕士要求：
1、修过计算机基础
2、数学基础（比如微积分、线性代数）
3、熟悉概率论、或者统计
4、如果没有这些先修课程甚至会开始预科夏季课程给学生，不计入学分当中，比如布朗大学。
其他先修课网课路径
DS专业和BA 专业在课程设置上总体差别不大 ,都以整合大数据为导向，Business Analytics更偏Business, Data Science 更偏CS 方向。常见必修课和BA类似，包括数学统计，数据处理工具语言（Python, R, Excel）数据库和数据库语言（Sql），另外会学习更高深的数据挖掘和计算机算法
数学统计课：
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
工具及数据库语言：
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
数据挖掘及算法：
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 科研实习建议
建议科研类型：
l 计算机数据挖掘、深度学习、人工智能机器学习、数据分析等专业方向为主。
l 可选择远程和实地这两种，以个人时间为主，平时可以参加远程，假期可参与实地。
l 新东方的特色项目，CMU、哈佛、伯克利的项目，可一对一、一对三。背景提升产品
建议实习岗位：
l 互联网公司、电商公司、金融公司、银行、证券公司等
