新的申请季已拉开帷幕，为给广大学子们提供清晰的选校选专业思路，院校专业选择的系列线上讲座【热门院校专业训练营】，邀请来自U.S.News TOP30院校的学长学姐和高校大咖教授分享自己的独家经验。
本篇文章小编归纳总结了#8月21日哈佛教授解读数据科学专业内核讲座#的精华内容。
从专业详解、申请准备、就读建议和提问环节四个方向进行归纳总结，想申请美国数据科学方向的小伙伴们快来看看啦~
专业详解
人工智能是现今的大热专业，很多人认为从事人工智能研究是一件又Cool，又充满乐趣的事。从事人工智能相关工作能走在研究和产品开发的最前沿，同时获得高薪。1.书籍自学：推荐 入门-Andrew Glassner < Deep Learning> , 以及<Deep Learning for Coders with fastai&PyTorch> , <Deep Learning with Python>2.加入社群：加入学习社群，互相分享信息，交流并拓展想法3.视频自学：广泛的视频资源可以使用，更详细地解释知识、理论等4.选择课程: GEC课程推荐 ，Fast.ai 课程或读一个硕士学位，比如哈佛的数据科学项目，非常灵活，有多种可选课程。
申请准备
分数虽然不是全部，但成绩单能很好地反应一个人成功的潜力如何。录取时学校也会关注长线的成绩，而非单次成绩。持续优异的成绩会反应你的勤奋程度以及对学业的专注程度。要掌握申请专业需要的一些知识或者先修课程，比如对应数据科学来说，需要学习数学、计算机科学、Stata等1-3年的相关经验。许多中国学生都是本科毕业之后急于申请硕士，这虽然没有问题，但往往会比较缺乏经验，而专业相关的经历会让你成为学校更青睐的有基础的、比较成熟的选择。推荐信不要去找不认识的美国教授写，要去找有接触的、熟悉的老师。信中的内容最好有一些推荐人对你的评价和见解。另外，并不一定要找有声望学校的教授写，如果他们写不出什么内容的话也是没有帮助的。要尽量找到能写出有效推荐信的人，并引导对方以诚实的方式评价自己。
要清晰表明为什么想要读这个项目以及读项目之后的计划，这是个人陈述最重要的两个部分，当然也需要添加一些个人经历，但切忌言过其实。个人陈述不是在评判人们的写作能力，而是了解学生的一种最直接途径。所以最好不要找其他人代写，一定要自己写，遵从内心，做自己。个人陈述只作为参考，并不会对录取起到决定性作用。重要的是面试表现以及从中体现出的个人能力。在个人陈述中不要过分抒情和夸大事实，要谦虚，做自己。尝试说出为什么喜欢这件事，而不是我有多适合这件事（甚至夸张到我就是为这件事所生的）。
就读建议
多与外国同学进行交流，真正参与到项目中，获得充分完全的体验。不要只停留在舒适圈，只和中国的学生进行聊天和交谈。要虚心和耐心，一步登天是不可能的。要踏实下来、专注地从基础开始一点点学习，这样在未来才有可能成为一个优秀的人。在踏实学习基础知识的过程中有些变化会自然而然地发生。你会成为更好的自己，能力也会逐渐增强。所以不要想着自己在做无用功，也不要觉得没必要执着于基础，这些都是必备的东西。
Q1：数据科学与计算机科学、人工智能这几个学科一定要一起学吗？他们的关系是怎样的？
A1：很多人因为马斯克了解人工智能，也总看到公司在招聘数据科学、机器学习相关的人，人们会用不同的关键词去定义，因此学生容易混淆这三个概念。计算机科学主要包括编程、算法、计算，如果说CS是一个基石的话，数学又是另一个基石。在这两个基础之上，会有不同的维度的运用。例如ML（Machine Learning）• 机器学习，是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能），侧重在如何学习。• 人工智能是一种更广泛的ML，还包括对于规则、规律的学习。• 数据科学包括ML和AI，以及一些数据相关的技术，如数据的获取、清理及可视化。因此，数据科学是更庞大的，包括了计算机科学和人工智能。
Q2：数据科学统计方向和数据科学专业有什么区别？
• 数据科学专业是由计算机科学系开设的，它更偏重于实践。• 基础数据科学的第一原则是用数据方法进行推论。但大多数的项目都是统计系与计算机系的结合项目,所以大多数的数据科学项目都含有统计学内容。而数据科学统计方向的统计学相关课程更多；计算机数据科学也会学习统计，只是不会太深入。两者并不是专业角度的区别，而是处理模型的区别—概率模型 vs. 判别模型。此外，数据科学不是一个学术界研究出的。数据科学这个概念来自于工业产品中，而相关的学者是配合其展开研究的，研究角度不同，会有不同的解释和应用。
Q3：在接下来的几年中，录取要求会不会更加严格？
A3：不确定，比较意外的是去年在受疫情影响的情况下，哈佛的申请人数却大幅增长，尤其是外国人的申请数量仍然很多。去年，包括哈佛在内的许多大学取消了GRE的要求，所以据我所知，他们并没有提高申请要求。由于疫情，很多大学的招生都受到一定程度影响，因此他们可能会愿意招收更多学生，录取人数可能会略有增加。
Q4：是否建议在申请数据科学之前先学习物理？
A4：“物理学是万物之基”，我认为这是一个比较偏颇的观点。我的经验是，研究物理学的人们是非常严谨细致的。如果你热爱物理学，完全可以学习。但是对于要申请数据科学相关的同学，如果只学习物理而没有学习编程，你可能就会发现自己申请时有劣势。
因此对于要申请数据科学相关专业的同学来说，参加与数据科学有关的先修课是十分重要的。
Q5：在本科学习中参加一些研究项目&暑校有助于申请吗？本科生可以参与研究吗？
A5：当然，如果你有研究经历会更好，但是我们也见到过许多没有研究经验的学生。参与研究会拓宽你的眼界，这些经历也会帮助你之后进行更全面、广泛的研究。出版书籍或者发表论文不是硬指标，像麻省理工等一些大学的某些专业也许会有这些要求。• 如果你没有研究经历，那就需要你在申请和面试中展现出优秀的思维能力，广泛的认知和解决复杂难题的能力。• 如果你有幸参加了一些研究，要确保你做了一些实实在在的研究，而不是只做了助手之类的工作，这样的研究经历才是有意义的。所以最重要的是在遇到难题时知道该怎样做，如何应对。
Q6：对于大学本科生进行背景提升有哪些建议？应该参加一些怎样的竞赛、实习、科研项目？
A6：我认为实习是对所学课程的一个非常好的补充。鼓励大家做优质的，有意义的实习工作，因为这会提高能力，同时提升申请背景。但是同时也要注意，有些同学做了太多的实习，从而忽略了一些同样重要的事情，这样也是不可取的。但参加一些优质的，高质量的实习还是很重要的。
Q7：如果没有参加数据科学竞赛的经历，但是参加了机器学习的课程，类似于Kaggle（机器学习类的竞赛），可以写出一个好的申请文书吗？
A7：这些竞赛都是很棒的，竞赛本身是可以让你投入学习的过程。但是我们不应当只专注参加的竞赛数量，结果和贡献。应当在竞赛中更多关注解决真实问题的过程，学习和获得解决问题的能力。
Q8：如何理解“programming comfort is the key” 这句话呢?
A8：这句话等同于你会编程，有信心且有能力把编程做好。如果不懂编程，攻读数据科学硕士会就会很痛苦。因为数据科学是实用型学科，需要通过编写程序输出数据结果，如果不清楚如何编写优质，高效的代码，会落后于人。在编程过程中，如果编写三行代码都要花费两小时，那么当你完成的时候，可能已经忘记了最初的设想。
更多详情
