Bästa svaret
Jag har mentorerade studenter som gick för att delta i MS Data Science i Columbia. Sedan gjorde jag ett djupgående QnA-webinar med henne och skrev en detaljerad feedback / recension av detta program http://scholarstrategy.com/columbia-data-science-review/ (länk längst ner).
- Här är mina takeaways som är relevanta för denna fråga – Data Science-program välkomnar studenter som inte är CS-studenter också, vilket innebär att det inte behöver en bra exponering för CS i första hand. Läroplanen är utformad för att hanteras av personer som inte är CS. Däremot kommer MS CS uppenbarligen att vara mer CS-orienterat och förväntar sig en viss kunskap i kärnämnen.
- MS Data Science är en 30 studiepoäng (10 × 3) med 7 kärnkurser och 3 valbara kurser. Kärnkurser inkluderar Machine Learning, Visualization, Statistics and Inference Modeling . Valbara kurser kan tas från alla institutioner (journalistik, CS, handelshögskola, ECE). Till exempel kommer cloud computing och analytics, Big data, bygga historia från data etc. CS-kursen kommer att ha mer teoretisk och programmering tung strategi och ingen statistik etc.
- När det gäller placeringar kan du fortfarande ta Data Science-roll efter MS i CS beroende på vilka kurser du tar.
Jag tror vad det kokar ner to is – DS är mer matematisk och CS är mer programmering / AI tung. De kommer att vara nära. På den goda sidan kan du inte gå fel med någon av dem 🙂
Vi gör ett QnA-webinar med Marketing Data Scientist den 23 april, kommer att vara super informativt. För mer info, gå med oss på MS i USA Praktikplatser och jobb
Svar
Jag är förstaårsstudent i NYU MS in Data Science-programmet. Jag tycker att det är fantastiskt av olika skäl.
Kurserna är omfattande
- Det finns många nyare datavetenskapsprogram dyker upp nuförtiden, så det kan vara svårt att bedöma om vissa program är legitima eller inte. Introduktionskursen gav en mycket bra översikt på hög nivå av de överväganden man måste göra när man närmar sig datavetenskap i näringslivet och hur man på strukturerat sätt bryter ner till synes komplexa problem till välkända mindre problem. Kursen Statistik och sannolikhet var som en grundexamen i statistik komprimerad till en termin. Jag går för närvarande i maskininlärningskursen, och det driver dig verkligen att förstå ämnet ur alla perspektiv (teoretiskt, matematiskt och praktiskt).
- Det finns många möjligheter att arbeta med projekt som du kan prata om med potentiella arbetsgivare. Capstone-projektet är en obligatorisk kurs i slutet av programmet, men nästan varje klass har ett slutprojekt som krävs. Kraven på projekten är väldigt öppna – du kan välja nästan vilket datavetenskapligt problem som helst som intresserar dig och du kan gå så djupt in i dem som du vill.
Programmet är mycket flexibelt med utmärkta valmöjligheter
- Alla lektioner är schemalagda på natten (min tidigaste klass är klockan 17.00), så om du vill slutföra programmet medan du arbetar på heltid, det är mycket möjligt. Jag känner till många andra studenter som redan arbetar som analytiker som bedriver denna examen på deltid.
- Om du tror att vissa klasser är onödiga med tanke på dina kunskaper och erfarenheter kan du enkelt välja bort kurser till förmån av mer avancerade kurser. Jag känner till exempel till flera studenter som har avstått från klassen Statistik och sannolikhet.
- Hälften av de kurser som krävs är valfria. Det betyder att du kan välja att specialisera din examen med klasser som passar dina personliga karriärmål. Du kan välja att ta lektioner på Stern om du vill gå till ekonomi eller affärer. Du kan ta lektioner i bioinformatik, neurovetenskap, psykologi, statsvetenskap och datavetenskap – det beror verkligen på vad du studerar datavetenskap för! En fullständig lista över de förut godkända valbara kurserna finns här: Förutbestämda valfria kurser – NYU Center for Data Science . Det verkar vara ganska enkelt att få godkännande för andra klasser som inte finns på den förut godkända listan.
- Datavetenskapliga val är bra. Medan jag just nämnde hur du kan anpassa din examen genom ett brett utbud av valfria, väljer de flesta studenter själva datavetenskapliga val. Jag går för närvarande på en kurs om Deep Learning från Yann LeCun, chefen för Facebook AI Research. Du kan också ta Natural Language Processing från Kyunghyun Cho. Carlos Fernandez-Granda och Afonso Bandeira erbjuder också utmärkta kurser i optimering.
De resurser som tillhandahålls är mycket bra
- Den enda resursen jag är mycket tacksam för för är det stora, moderna öppna utrymmet för studier som ges till Center of Data Science-studenter. När jag tog min grundexamen på en stor offentlig skola fanns det absolut ingen garanti för att du kunde gå till biblioteket och hitta andra människor bredvid dig som studerade samma sak. Vi har två våningar på 5th Ave med gigantiska fönster, skrivbord med inbyggda eluttag, whiteboards och små kontorsutrymmen. Mycket samarbete och idéutbyte sker i detta utrymme!
- Det finns företagsinformationssessioner och samtal som hålls nästan varje vecka. Tittar igenom min inkorg har nyligen diskuterats om ”Metoder för att upptäcka underliggande språkstruktur”, ”Future State: Big Data och Analytics for Better Governance” och ”Data science @Tumblr.” CDS är också värd för sin egen karriärmässa två gånger per år för företag som specifikt söker efter dataforskare, så du behöver inte gå i kö på den enorma campusomfattande karriärmässan. Tidigare företag som har kommit till karriärmässan inkluderar: Audible, Ebay, Medidata, iHeartMedia och Capital One Labs. Det finns gott om nätverksmöjligheter och de gör det verkligen lätt för dig att interagera med många olika medlemmar i datavetenskapssamhället.
Du bör dock också överväga detta:
Det är extremt rigoröst
- Som det andra svaret nämnde förväntar sig några klasser att du kommer in med en mycket god förståelse för ämnet redan. Om du inte är stark i programmering eller teoretisk matematik måste du självstudera för att komma ikapp. Läxor tar cirka 60 timmar i veckan, vanligtvis mer. Lyckligtvis har jag funnit att de flesta professorer är mycket hjälpsamma och tillgängliga om du verkligen kämpar för att förstå materialet. Introduktionskurserna under den första terminen för datavetenskapsprogrammet är utformade för att hjälpa dig att komma ikapp med dessa ämnen. Men om du är en CS-student och tar dessa lektioner som valbara val kan det hända att du tycker det är mycket utmanande.
- Om du letar efter en mer enkel och lättare väg till analys, kanske det inte är för du. Det är väldigt tungt för matematik, statistik och programmering. En medstudent sa en gång till mig att de önskade att de följde en Business Analytics-examen istället. För att bli en framgångsrik datavetare måste du dock lära dig matematiken och teorin bakom algoritmerna!