Beste svaret
Jeg har mentorerte studenter som gikk på MS Data Science i Columbia. Så gjorde jeg et grundig QnA-webinar med henne og skrev et detaljert tilbakemeldings- / gjennomgangsinnlegg av dette programmethttp: //scholarstrategy.com/columbia-data-science-review/ (lenke nederst).
- Her er takeawayene mine som er relevante for dette spørsmålet – Data Science-programmer ønsker ikke-CS studenter også velkomne, noe som betyr at det ikke trenger en god eksponering for CS i utgangspunktet. Læreplanen er designet for å håndteres av ikke-CS-folk. I motsetning til dette vil MS CS åpenbart være mer CS-orientert og forvente en viss ferdighet i kjernefagene.
- MS Data Science er et 30 studiepoeng (10 × 3) med 7 kjerne- og 3 valgfag. Kjernekurs inkluderer Machine Learning, Visualization, Statistics and Inference Modeling . Valgfrie kurs kan tas fra hvilken som helst avdeling (Journalistikk, CS, handelshøyskole, ECE). For eksempel vil cloud computing og analytics, Big data, bygghistorie fra data osv. CS-kurs ha mer teoretisk og programmering tung tilnærming og ingen statistikk osv.
- Når det gjelder plasseringer, kan du fortsatt ta Data Science-rolle etter MS i CS avhengig av hvilke kurs du tar.
Jeg tror hva det koker ned to is – DS er mer matematisk tung og CS er mer programmering / AI tung. De vil være nærme. På den gode siden kan du ikke gå galt med noen av dem 🙂
Vi holder på med et QnA-webinar med Marketing Data Scientist 23. april, vil være super informativt. For mer info, bli med oss på MS i USA Praksisplasser og jobber
Svar
Jeg er førsteårsstudent i NYU MS in Data Science-programmet. Jeg synes det er fantastisk av mange forskjellige grunner.
Kursene er omfattende
- Det er mange nyere datavitenskapsprogrammer dukker opp i dag, så det kan være vanskelig å bedømme om visse programmer er legitime eller ikke. Introduksjonskurset ga en veldig god oversikt på høyt nivå av hensynene man må ta mens man nærmer seg datavitenskap i næringslivet og hvordan man på en strukturert måte kan bryte ned tilsynelatende komplekse problemer til kjente mindre problemer. Kurset Statistikk og sannsynlighet var som en lavere grad i statistikk komprimert til ett semester. Jeg tar for øyeblikket Machine Learning-klassen, og det presser deg virkelig til å forstå temaet fra alle perspektiver (teoretisk, matematisk og praktisk).
- Det er mange muligheter for å jobbe med prosjekter du kan snakke om med potensielle arbeidsgivere. Capstone-prosjektet er et obligatorisk kurs på slutten av programmet, men nesten hver klasse har et avsluttende semesterprosjekt. Kravene til prosjektene er veldig åpne – du kan velge nesten hvilket som helst datavitenskapelig problem som interesserer deg, og du kan gå så dypt inn i dem som du vil.
Programmet er veldig fleksibelt med utmerkede valgfag
- Alle klassene er planlagt om natten (min tidligste klasse er klokka 17.00), så hvis du ønsker å fullføre programmet mens du jobber på heltid, er det veldig mulig. Jeg kjenner mange andre studenter som allerede jobber som analytikere som følger denne graden på deltid.
- Hvis du mener at visse klasser er unødvendige gitt dine ferdigheter og erfaring, kan du enkelt velge bort kurs til fordel av mer avanserte kurs. For eksempel kjenner jeg flere studenter som frafalt klassen Statistikk og sannsynlighet.
- Halvparten av det nødvendige kurset er valgfag. Dette betyr at du kan velge å spesialisere graden din med klasser som passer dine personlige karrieremål. Du kan velge å ta kurs på Stern hvis du vil gå inn i økonomi eller virksomhet. Du kan ta kurs i bioinformatikk, nevrovitenskap, psykologi, statsvitenskap og informatikk – det kommer virkelig an på hva du studerer datavitenskap for! En fullstendig liste over forhåndsgodkjente valgfag finner du her: Forhåndsgodkjente valgkurs – NYU Center for Data Science . Det ser ut til å være ganske enkelt å få godkjenning for andre klasser som ikke er på den forhåndsgodkjente listen.
- Datavitenskapene er gode. Mens jeg nettopp nevnte hvordan du kan tilpasse graden din gjennom et bredt spekter av valgfag, ender det med at de fleste studentene selv velger datavitenskapene. Jeg tar for tiden et kurs om Deep Learning fra Yann LeCun, leder for Facebook AI Research. Du kan også ta Natural Language Processing fra Kyunghyun Cho. Carlos Fernandez-Granda og Afonso Bandeira tilbyr også gode kurs i optimalisering.
Ressursene som tilbys er veldig gode
- Den ene ressursen jeg er mest takknemlig for er det store, moderne åpne rommet for studier som blir gitt til Center of Data Science studenter. Da jeg fikk en lavere grad på en stor offentlig skole, var det absolutt ingen garanti for at du kunne gå på biblioteket og finne andre mennesker ved siden av deg som studerte det samme. Vi har to etasjer i 5th Ave med gigantiske vinduer, skrivebord med innebygde stikkontakter, tavler og små kontorlokaler. Mye samarbeid og utveksling av ideer skjer i dette rommet!
- Det er firmainformasjonsmøter og samtaler som arrangeres nesten hver uke. I løpet av innboksen min har det nylig vært samtaler om «Metoder for å oppdage underliggende språklig struktur», «Future State: Big Data og Analytics for Better Governance» og «Data science @Tumblr.» CDS arrangerer også sin egen karrieremesse to ganger i året for selskaper som spesifikt leter etter dataforskere, så du trenger ikke å stå i kø på den enorme karrieremessen på campus. Tidligere selskaper som har kommet til karrieremessen inkluderer: Audible, Ebay, Medidata, iHeartMedia og Capital One Labs. Det er mange nettverksmuligheter, og de gjør det virkelig enkelt for deg å samhandle med mange forskjellige medlemmer av datavitenskapssamfunnet.
Du bør imidlertid også vurdere dette også:
Det er ekstremt streng
- Som det andre svaret nevnt, forventer noen få klasser at du kommer inn med en veldig god forståelse av emnet allerede. Hvis du ikke er sterk innen programmering eller teoretisk matematikk, må du selvstudere for å ta igjen. Lekser tar rundt 60 timer i uken, vanligvis mer. Heldigvis har jeg funnet at de fleste professorer er veldig hjelpsomme og tilgjengelige hvis du virkelig sliter med å forstå materialet. Introduksjonskursene i det første semesteret for datavitenskapsprogrammet er designet for å hjelpe deg med å fange opp disse fagene. Men hvis du er en CS-student og tar disse klassene som valgfag, kan det hende du synes det er veldig utfordrende.
- Hvis du leter etter en mer «enkel» vei til analyse, er dette kanskje ikke for du. Det er veldig tungt for matematikk, statistikk og programmering. En medstudent fortalte meg en gang at de ønsket at de fulgte en Business Analytics-grad i stedet. For å være en vellykket dataforsker må du imidlertid lære matematikken og teorien bak algoritmene!