统计？CS？还是big data 的data science？# JobHunting - 待字闺中
m*a
1 楼
不厚道的说一句，这男女朋友关系，一点都不可靠
这年月谁不是今天跟张三睡，明天跟李四混
别说男女朋友，就是夫妻又能如何
大量金钱来往，该写借据写借据，没啥不好意思的。谁的钱也不是大风刮来的
这年月谁不是今天跟张三睡，明天跟李四混
别说男女朋友，就是夫妻又能如何
大量金钱来往，该写借据写借据，没啥不好意思的。谁的钱也不是大风刮来的
Q*1
2 楼
我本科是应数的，数学课其实也修的不多，离散数学都没学过。计算机的课程也只学了
C语言程序设计，和一门算法与程序设计基础。统计的课程倒是修了不少，多元统计，
回归分析，时间序列分析等。一开始打算申请统计的，但是考虑到统计的就业不好，就
没那个打算了。最近知道了个吵得比较热的叫data science或者叫analytics的专业。
但是怕这个专业会全部被据。那个专业就是数据挖掘学点，数据库sql和nosql学点，统
计学点，分布式计算也会学点，商业智能也会有涉及到。学得比较杂哈，据说是完全以
就业为导向的，相当于职前培训。所以大部分项目的时间都只是一年。这样的话就担心
一年学不到时间太紧，学不到什么东西，而且一年口语都可能还没有练好。而且总感觉
这种data scientist或者data analyst的偏向研究的职位应该比搞程序设计开发的少吧
。所以就想着直接转CS了算了，这个行业的薪水和就业前景很令我们这种烂专业的人眼
红。我背景也很一般T90,GPA84,gre相当于老的1250.这样的背景有希望申请到CS的
master吗？另外补充一下我对写程序还是比较有兴趣的，上次数学建模比赛，用matlab
写了300多行的程序，也没感觉枯燥。听说sjsu地理位置好，录取要求还比较低。还有
没有比较适合我这种转专业屌丝申请的学校啊？
C语言程序设计，和一门算法与程序设计基础。统计的课程倒是修了不少，多元统计，
回归分析，时间序列分析等。一开始打算申请统计的，但是考虑到统计的就业不好，就
没那个打算了。最近知道了个吵得比较热的叫data science或者叫analytics的专业。
但是怕这个专业会全部被据。那个专业就是数据挖掘学点，数据库sql和nosql学点，统
计学点，分布式计算也会学点，商业智能也会有涉及到。学得比较杂哈，据说是完全以
就业为导向的，相当于职前培训。所以大部分项目的时间都只是一年。这样的话就担心
一年学不到时间太紧，学不到什么东西，而且一年口语都可能还没有练好。而且总感觉
这种data scientist或者data analyst的偏向研究的职位应该比搞程序设计开发的少吧
。所以就想着直接转CS了算了，这个行业的薪水和就业前景很令我们这种烂专业的人眼
红。我背景也很一般T90,GPA84,gre相当于老的1250.这样的背景有希望申请到CS的
master吗？另外补充一下我对写程序还是比较有兴趣的，上次数学建模比赛，用matlab
写了300多行的程序，也没感觉枯燥。听说sjsu地理位置好，录取要求还比较低。还有
没有比较适合我这种转专业屌丝申请的学校啊？
s*t
3 楼
无所谓啊，没了就没了，哪里的黄土不埋人
【在 m*******a 的大作中提到】
: 不厚道的说一句，这男女朋友关系，一点都不可靠
: 这年月谁不是今天跟张三睡，明天跟李四混
: 别说男女朋友，就是夫妻又能如何
: 大量金钱来往，该写借据写借据，没啥不好意思的。谁的钱也不是大风刮来的
【在 m*******a 的大作中提到】
: 不厚道的说一句，这男女朋友关系，一点都不可靠
: 这年月谁不是今天跟张三睡，明天跟李四混
: 别说男女朋友，就是夫妻又能如何
: 大量金钱来往，该写借据写借据，没啥不好意思的。谁的钱也不是大风刮来的
s*r
4 楼
应该本着data science和analytic去，托互联网的福，这个方向现在很火，对数学统计
的能力要求很高，一般码农还干不了。
的能力要求很高，一般码农还干不了。
i*l
5 楼
这个难，有点接近不可行
什么叫大量金钱来往？每个人定义不同。
要是这样的话，天天你们都得签“合同”，比那个婚前财产协议更厉害。
什么叫大量金钱来往？每个人定义不同。
要是这样的话，天天你们都得签“合同”，比那个婚前财产协议更厉害。
Q*1
6 楼
意思是说我应该就申请data science专业，没必要转CS是吧。 主要是现在搞data
mining的人太多了，怕到时找不到工作。
【在 s*****r 的大作中提到】
: 应该本着data science和analytic去，托互联网的福，这个方向现在很火，对数学统计
: 的能力要求很高，一般码农还干不了。
mining的人太多了，怕到时找不到工作。
【在 s*****r 的大作中提到】
: 应该本着data science和analytic去，托互联网的福，这个方向现在很火，对数学统计
: 的能力要求很高，一般码农还干不了。
z*e
7 楼
火不怕找不到工作，找不到工作都是不火的领域
【在 Q*******1 的大作中提到】
: 意思是说我应该就申请data science专业，没必要转CS是吧。 主要是现在搞data
: mining的人太多了，怕到时找不到工作。
【在 Q*******1 的大作中提到】
: 意思是说我应该就申请data science专业，没必要转CS是吧。 主要是现在搞data
: mining的人太多了，怕到时找不到工作。
R*n
8 楼
一种所谓的data science就是以前的data analyst或者business analyst派生出来的，
这个CS的人不会去做且待遇也低。还有就是基于CS的machine learning／big data，这
个如果在FLG这个级别公司，不错学校的CS PhD都不容易进去，整体opening非常少
当然还有些两者之间的，比如会接触到data的SDE，这种在G，F等不少，但对人的要求
和其他SDE区别不大
【在 s*****r 的大作中提到】
: 应该本着data science和analytic去，托互联网的福，这个方向现在很火，对数学统计
: 的能力要求很高，一般码农还干不了。
这个CS的人不会去做且待遇也低。还有就是基于CS的machine learning／big data，这
个如果在FLG这个级别公司，不错学校的CS PhD都不容易进去，整体opening非常少
当然还有些两者之间的，比如会接触到data的SDE，这种在G，F等不少，但对人的要求
和其他SDE区别不大
【在 s*****r 的大作中提到】
: 应该本着data science和analytic去，托互联网的福，这个方向现在很火，对数学统计
: 的能力要求很高，一般码农还干不了。
s*r
9 楼
因为人类把越来越多的时间花在网络上，各种数据都需要分析，现在的情况是数据有的
是，但分析力量不足，很多有价值的东西都发现不了。
【在 Q*******1 的大作中提到】
: 意思是说我应该就申请data science专业，没必要转CS是吧。 主要是现在搞data
: mining的人太多了，怕到时找不到工作。
是，但分析力量不足，很多有价值的东西都发现不了。
【在 Q*******1 的大作中提到】
: 意思是说我应该就申请data science专业，没必要转CS是吧。 主要是现在搞data
: mining的人太多了，怕到时找不到工作。
Q*1
10 楼
对对，我就是这种担心。现在big data 是吵得比较火。怕到时这个专业读出来高不成
低不就了。互联网行业是很好，但是如果如果都要求是CS phd或者统计phd的话，就肯
定没戏。那其他行业的话，不管是薪资，就业机会，以及为国际学生办理工签的能力都
差太多了。要不然就直接转专业读cs出来当个码农了算了。
【在 R********n 的大作中提到】
: 一种所谓的data science就是以前的data analyst或者business analyst派生出来的，
: 这个CS的人不会去做且待遇也低。还有就是基于CS的machine learning／big data，这
: 个如果在FLG这个级别公司，不错学校的CS PhD都不容易进去，整体opening非常少
: 当然还有些两者之间的，比如会接触到data的SDE，这种在G，F等不少，但对人的要求
: 和其他SDE区别不大
低不就了。互联网行业是很好，但是如果如果都要求是CS phd或者统计phd的话，就肯
定没戏。那其他行业的话，不管是薪资，就业机会，以及为国际学生办理工签的能力都
差太多了。要不然就直接转专业读cs出来当个码农了算了。
【在 R********n 的大作中提到】
: 一种所谓的data science就是以前的data analyst或者business analyst派生出来的，
: 这个CS的人不会去做且待遇也低。还有就是基于CS的machine learning／big data，这
: 个如果在FLG这个级别公司，不错学校的CS PhD都不容易进去，整体opening非常少
: 当然还有些两者之间的，比如会接触到data的SDE，这种在G，F等不少，但对人的要求
: 和其他SDE区别不大
Q*1
11 楼
有很多人说所谓的big data 只不过是炒作而已，是那些软件公司推销自己的软件？比
如谷歌的hadoop?另外最近看到哪个咨询公司的报告，说是美国到2018年会有18完懂大
数据分析的人才缺口，搞得各个大学顺势都推出了自己的大数据专业。课程就是除了
data mining machine learning的几门课外，其他的统计，business，数据库之类的课
都是自己任意加的。这样的专业还是比较不放心的。
【在 s*****r 的大作中提到】
: 因为人类把越来越多的时间花在网络上，各种数据都需要分析，现在的情况是数据有的
: 是，但分析力量不足，很多有价值的东西都发现不了。
如谷歌的hadoop?另外最近看到哪个咨询公司的报告，说是美国到2018年会有18完懂大
数据分析的人才缺口，搞得各个大学顺势都推出了自己的大数据专业。课程就是除了
data mining machine learning的几门课外，其他的统计，business，数据库之类的课
都是自己任意加的。这样的专业还是比较不放心的。
【在 s*****r 的大作中提到】
: 因为人类把越来越多的时间花在网络上，各种数据都需要分析，现在的情况是数据有的
: 是，但分析力量不足，很多有价值的东西都发现不了。
z*e
12 楼
big data是cs+statistics
google不管hadoop，hadoop是apache的开源项目
背后最大的支持者是yahoo
yahoo这个搜索引擎的loser打算通过开源做个翻身
data mining以前做得其实不怎样
很重要一个原因是同时会cs和stats的人很少
大部分美国人不会stats，会cs的很多在c上浪费了太多时间
而且市场也的确没那么大，没有足够的数据需要去挖掘
不是是个公司就能有海量数据的，而且工具也很少
随着数据量的增长，这些岗位会逐步增多，但是你的担心也有道理
这些岗位的确是很多需要phd，或者说也是prefer相关的phd去做
话说统计其实就业一直都不差，无论是精算还是做本行还是转cs
统计算是进退自如的一个行业，很多人都认为统计是热门专业
比数学物理什么靠谱多了，当年矿工最热时候，也喜欢招统计phd，除了物理phd外
因为这两个都属于应用数学，不象应数和计数，天天搞证明
精算最喜欢的除了精算本科以外就是统计的master，因为这两个上来就能干活
【在 Q*******1 的大作中提到】
: 有很多人说所谓的big data 只不过是炒作而已，是那些软件公司推销自己的软件？比
: 如谷歌的hadoop?另外最近看到哪个咨询公司的报告，说是美国到2018年会有18完懂大
: 数据分析的人才缺口，搞得各个大学顺势都推出了自己的大数据专业。课程就是除了
: data mining machine learning的几门课外，其他的统计，business，数据库之类的课
: 都是自己任意加的。这样的专业还是比较不放心的。
google不管hadoop，hadoop是apache的开源项目
背后最大的支持者是yahoo
yahoo这个搜索引擎的loser打算通过开源做个翻身
data mining以前做得其实不怎样
很重要一个原因是同时会cs和stats的人很少
大部分美国人不会stats，会cs的很多在c上浪费了太多时间
而且市场也的确没那么大，没有足够的数据需要去挖掘
不是是个公司就能有海量数据的，而且工具也很少
随着数据量的增长，这些岗位会逐步增多，但是你的担心也有道理
这些岗位的确是很多需要phd，或者说也是prefer相关的phd去做
话说统计其实就业一直都不差，无论是精算还是做本行还是转cs
统计算是进退自如的一个行业，很多人都认为统计是热门专业
比数学物理什么靠谱多了，当年矿工最热时候，也喜欢招统计phd，除了物理phd外
因为这两个都属于应用数学，不象应数和计数，天天搞证明
精算最喜欢的除了精算本科以外就是统计的master，因为这两个上来就能干活
【在 Q*******1 的大作中提到】
: 有很多人说所谓的big data 只不过是炒作而已，是那些软件公司推销自己的软件？比
: 如谷歌的hadoop?另外最近看到哪个咨询公司的报告，说是美国到2018年会有18完懂大
: 数据分析的人才缺口，搞得各个大学顺势都推出了自己的大数据专业。课程就是除了
: data mining machine learning的几门课外，其他的统计，business，数据库之类的课
: 都是自己任意加的。这样的专业还是比较不放心的。
Q*1
13 楼
统计就业是比mfe，msf之类的好很很多，但是和CS还是差远了吧。而且统计要是没有找
到工作回国就傻逼了。国内统计更加垃圾。还不如读个mfe，msf回国去进金融公司。像
啥读个cs回国至少也能够那个起薪十多万。
【在 z****e 的大作中提到】
: big data是cs+statistics
: google不管hadoop，hadoop是apache的开源项目
: 背后最大的支持者是yahoo
: yahoo这个搜索引擎的loser打算通过开源做个翻身
: data mining以前做得其实不怎样
: 很重要一个原因是同时会cs和stats的人很少
: 大部分美国人不会stats，会cs的很多在c上浪费了太多时间
: 而且市场也的确没那么大，没有足够的数据需要去挖掘
: 不是是个公司就能有海量数据的，而且工具也很少
: 随着数据量的增长，这些岗位会逐步增多，但是你的担心也有道理
到工作回国就傻逼了。国内统计更加垃圾。还不如读个mfe，msf回国去进金融公司。像
啥读个cs回国至少也能够那个起薪十多万。
【在 z****e 的大作中提到】
: big data是cs+statistics
: google不管hadoop，hadoop是apache的开源项目
: 背后最大的支持者是yahoo
: yahoo这个搜索引擎的loser打算通过开源做个翻身
: data mining以前做得其实不怎样
: 很重要一个原因是同时会cs和stats的人很少
: 大部分美国人不会stats，会cs的很多在c上浪费了太多时间
: 而且市场也的确没那么大，没有足够的数据需要去挖掘
: 不是是个公司就能有海量数据的，而且工具也很少
: 随着数据量的增长，这些岗位会逐步增多，但是你的担心也有道理
c*a
14 楼
路过一下, 感觉懂算法就行
2年前，zhaoce大大教唆我从stat坑跳cs.我进了一个超级烂校cs，没regret过.
刚有个还有一年才毕业的朋友bs/ms math拿到google sde....他的算法不错， 不懂
linux, os, sql, database, hadoop, 没听过leetcode. 听他说就是一些算法题. Orz
2年前，zhaoce大大教唆我从stat坑跳cs.我进了一个超级烂校cs，没regret过.
刚有个还有一年才毕业的朋友bs/ms math拿到google sde....他的算法不错， 不懂
linux, os, sql, database, hadoop, 没听过leetcode. 听他说就是一些算法题. Orz
p*i
15 楼
统计的话MS就业就很不行，比CS差很多，但是PHD很不错，不会比CS差的。做统计主要
是不太怕中年危机，资历经验都是比较通用的，而且big data的很多位置确实没统计背
景没法做，不怕被别的专业人抢走。
【在 Q*******1 的大作中提到】
: 统计就业是比mfe，msf之类的好很很多，但是和CS还是差远了吧。而且统计要是没有找
: 到工作回国就傻逼了。国内统计更加垃圾。还不如读个mfe，msf回国去进金融公司。像
: 啥读个cs回国至少也能够那个起薪十多万。
是不太怕中年危机，资历经验都是比较通用的，而且big data的很多位置确实没统计背
景没法做，不怕被别的专业人抢走。
【在 Q*******1 的大作中提到】
: 统计就业是比mfe，msf之类的好很很多，但是和CS还是差远了吧。而且统计要是没有找
: 到工作回国就傻逼了。国内统计更加垃圾。还不如读个mfe，msf回国去进金融公司。像
: 啥读个cs回国至少也能够那个起薪十多万。
e*a
16 楼
all are the same.
Q*1
17 楼
这位大大应该是读的sjsu吧。为什么要跳到cs呢，是因为统计找工很难吗？
【在 p*******i 的大作中提到】
: 统计的话MS就业就很不行，比CS差很多，但是PHD很不错，不会比CS差的。做统计主要
: 是不太怕中年危机，资历经验都是比较通用的，而且big data的很多位置确实没统计背
: 景没法做，不怕被别的专业人抢走。
【在 p*******i 的大作中提到】
: 统计的话MS就业就很不行，比CS差很多，但是PHD很不错，不会比CS差的。做统计主要
: 是不太怕中年危机，资历经验都是比较通用的，而且big data的很多位置确实没统计背
: 景没法做，不怕被别的专业人抢走。
Q*1
18 楼
【在 p*******i 的大作中提到】
: 统计的话MS就业就很不行，比CS差很多，但是PHD很不错，不会比CS差的。做统计主要
: 是不太怕中年危机，资历经验都是比较通用的，而且big data的很多位置确实没统计背
: 景没法做，不怕被别的专业人抢走。
h*h
19 楼
你除了coding弱点其他很适合data science，赶紧学学python，java和map reduce就好
了. 熟悉R和SAS么？
【在 Q*******1 的大作中提到】
: 我本科是应数的，数学课其实也修的不多，离散数学都没学过。计算机的课程也只学了
: C语言程序设计，和一门算法与程序设计基础。统计的课程倒是修了不少，多元统计，
: 回归分析，时间序列分析等。一开始打算申请统计的，但是考虑到统计的就业不好，就
: 没那个打算了。最近知道了个吵得比较热的叫data science或者叫analytics的专业。
: 但是怕这个专业会全部被据。那个专业就是数据挖掘学点，数据库sql和nosql学点，统
: 计学点，分布式计算也会学点，商业智能也会有涉及到。学得比较杂哈，据说是完全以
: 就业为导向的，相当于职前培训。所以大部分项目的时间都只是一年。这样的话就担心
: 一年学不到时间太紧，学不到什么东西，而且一年口语都可能还没有练好。而且总感觉
: 这种data scientist或者data analyst的偏向研究的职位应该比搞程序设计开发的少吧
: 。所以就想着直接转CS了算了，这个行业的薪水和就业前景很令我们这种烂专业的人眼
了. 熟悉R和SAS么？
【在 Q*******1 的大作中提到】
: 我本科是应数的，数学课其实也修的不多，离散数学都没学过。计算机的课程也只学了
: C语言程序设计，和一门算法与程序设计基础。统计的课程倒是修了不少，多元统计，
: 回归分析，时间序列分析等。一开始打算申请统计的，但是考虑到统计的就业不好，就
: 没那个打算了。最近知道了个吵得比较热的叫data science或者叫analytics的专业。
: 但是怕这个专业会全部被据。那个专业就是数据挖掘学点，数据库sql和nosql学点，统
: 计学点，分布式计算也会学点，商业智能也会有涉及到。学得比较杂哈，据说是完全以
: 就业为导向的，相当于职前培训。所以大部分项目的时间都只是一年。这样的话就担心
: 一年学不到时间太紧，学不到什么东西，而且一年口语都可能还没有练好。而且总感觉
: 这种data scientist或者data analyst的偏向研究的职位应该比搞程序设计开发的少吧
: 。所以就想着直接转CS了算了，这个行业的薪水和就业前景很令我们这种烂专业的人眼
Q*1
20 楼
R还行，和matlab以及其他一些语言的语法啥的挺像的。像sas这个语言总感觉不好用啊
，而且也不好学，就没有学了。
，而且也不好学，就没有学了。
Q*1
21 楼
对了，我也知道转data science会好转点，但是问题是读个这种硕士会比读CS好找工吗？
【在 h*h 的大作中提到】
: 你除了coding弱点其他很适合data science，赶紧学学python，java和map reduce就好
: 了. 熟悉R和SAS么？
【在 h*h 的大作中提到】
: 你除了coding弱点其他很适合data science，赶紧学学python，java和map reduce就好
: 了. 熟悉R和SAS么？
h*h
22 楼
够了，要会python或者类似的脚本manipulate data，做parsing。
我们这里有R就可以做POC了，剩下的交给developer写SAS 和 map reduce好了。
不过G家的那边的牲口们好像都是从头到尾自己写。所以人家钱多啊。
【在 Q*******1 的大作中提到】
: R还行，和matlab以及其他一些语言的语法啥的挺像的。像sas这个语言总感觉不好用啊
: ，而且也不好学，就没有学了。
我们这里有R就可以做POC了，剩下的交给developer写SAS 和 map reduce好了。
不过G家的那边的牲口们好像都是从头到尾自己写。所以人家钱多啊。
【在 Q*******1 的大作中提到】
: R还行，和matlab以及其他一些语言的语法啥的挺像的。像sas这个语言总感觉不好用啊
: ，而且也不好学，就没有学了。
h*h
23 楼
不好说，CS的照样可以做data science。我觉得不如老实呆在CS或者统计，然后有针对
性的选课，相关project太重要了。一定不能怕麻烦，要从头到尾把system install,
data cleaning, model building, model tuning, performance optimization 全跟下
来。
吗？
【在 Q*******1 的大作中提到】
: 对了，我也知道转data science会好转点，但是问题是读个这种硕士会比读CS好找工吗？
性的选课，相关project太重要了。一定不能怕麻烦，要从头到尾把system install,
data cleaning, model building, model tuning, performance optimization 全跟下
来。
吗？
【在 Q*******1 的大作中提到】
: 对了，我也知道转data science会好转点，但是问题是读个这种硕士会比读CS好找工吗？
b*h
24 楼
倒过来吧
应该是data mining工作太多招不到人
【在 Q*******1 的大作中提到】
: 意思是说我应该就申请data science专业，没必要转CS是吧。 主要是现在搞data
: mining的人太多了，怕到时找不到工作。
应该是data mining工作太多招不到人
【在 Q*******1 的大作中提到】
: 意思是说我应该就申请data science专业，没必要转CS是吧。 主要是现在搞data
: mining的人太多了，怕到时找不到工作。
Q*1
25 楼
倒过来的意思是应该读CS而不应该读data science吧。话说data science不就是学数据
挖掘之类的课程吗？
【在 b****h 的大作中提到】
: 倒过来吧
: 应该是data mining工作太多招不到人
挖掘之类的课程吗？
【在 b****h 的大作中提到】
: 倒过来吧
: 应该是data mining工作太多招不到人
Q*1
26 楼
有针对性的选课就是指如果是统计就多学点data mining ，ml之类的，如果是计算机就
多学点统计之类的？项目的话我看很多data science的介绍就是说会有很多工业界实用
的project作业。好像还请专门的在IT公司的人来讲课，还拿到谷歌 facebook之类的公
司的数据库权限，让学生使用。
【在 h*h 的大作中提到】
: 不好说，CS的照样可以做data science。我觉得不如老实呆在CS或者统计，然后有针对
: 性的选课，相关project太重要了。一定不能怕麻烦，要从头到尾把system install,
: data cleaning, model building, model tuning, performance optimization 全跟下
: 来。
:
: 吗？
多学点统计之类的？项目的话我看很多data science的介绍就是说会有很多工业界实用
的project作业。好像还请专门的在IT公司的人来讲课，还拿到谷歌 facebook之类的公
司的数据库权限，让学生使用。
【在 h*h 的大作中提到】
: 不好说，CS的照样可以做data science。我觉得不如老实呆在CS或者统计，然后有针对
: 性的选课，相关project太重要了。一定不能怕麻烦，要从头到尾把system install,
: data cleaning, model building, model tuning, performance optimization 全跟下
: 来。
:
: 吗？
Q*1
27 楼
F是指脸谱，G是指谷歌，所以flg泛指一切大型互联网公司喽。那SDE是指小型的IT公司
？这些小型的互联网公司会对人的要求小点，所以找这种公司的工作会好点哈。
【在 R********n 的大作中提到】
: 一种所谓的data science就是以前的data analyst或者business analyst派生出来的，
: 这个CS的人不会去做且待遇也低。还有就是基于CS的machine learning／big data，这
: 个如果在FLG这个级别公司，不错学校的CS PhD都不容易进去，整体opening非常少
: 当然还有些两者之间的，比如会接触到data的SDE，这种在G，F等不少，但对人的要求
: 和其他SDE区别不大
？这些小型的互联网公司会对人的要求小点，所以找这种公司的工作会好点哈。
【在 R********n 的大作中提到】
: 一种所谓的data science就是以前的data analyst或者business analyst派生出来的，
: 这个CS的人不会去做且待遇也低。还有就是基于CS的machine learning／big data，这
: 个如果在FLG这个级别公司，不错学校的CS PhD都不容易进去，整体opening非常少
: 当然还有些两者之间的，比如会接触到data的SDE，这种在G，F等不少，但对人的要求
: 和其他SDE区别不大
l*k
28 楼
只要一招鲜就够了。有两招更好。
CS强的, 好歹还能招到。
Stats强的，做statistician, data scientist, quantitative analyst，想招都招不
到。
CS和Stats都强的，那是工作招你，还都是FLG级别的工作在找你。
学Data science之类的新专业关键在于别被学校忽悠了。如果只是做BI，还不如去学统
计或CS。
CS强的, 好歹还能招到。
Stats强的，做statistician, data scientist, quantitative analyst，想招都招不
到。
CS和Stats都强的，那是工作招你，还都是FLG级别的工作在找你。
学Data science之类的新专业关键在于别被学校忽悠了。如果只是做BI，还不如去学统
计或CS。
h*h
29 楼
同意，其实CS满大街，我们招data engineer当然找CS，但是本科足矣。我们招DS更喜
欢懂电脑的统计专业的人。
如果还在统计系最好就不要转，注意下time series, data mining, bayesian
statistics这些东西，自己学学脚本，学学编程。
【在 l*****k 的大作中提到】
: 只要一招鲜就够了。有两招更好。
: CS强的, 好歹还能招到。
: Stats强的，做statistician, data scientist, quantitative analyst，想招都招不
: 到。
: CS和Stats都强的，那是工作招你，还都是FLG级别的工作在找你。
: 学Data science之类的新专业关键在于别被学校忽悠了。如果只是做BI，还不如去学统
: 计或CS。
欢懂电脑的统计专业的人。
如果还在统计系最好就不要转，注意下time series, data mining, bayesian
statistics这些东西，自己学学脚本，学学编程。
【在 l*****k 的大作中提到】
: 只要一招鲜就够了。有两招更好。
: CS强的, 好歹还能招到。
: Stats强的，做statistician, data scientist, quantitative analyst，想招都招不
: 到。
: CS和Stats都强的，那是工作招你，还都是FLG级别的工作在找你。
: 学Data science之类的新专业关键在于别被学校忽悠了。如果只是做BI，还不如去学统
: 计或CS。
j*l
30 楼
前几天遇到一个本科数学硕士金融统计的小硕。毕业在投行干了几个月觉得不爽，跳到
一个big data 公司去了，做data analysis, 天天上班用eclipse.
因为他是stanford的，google一开始联系他不乐意，还非得去现在的这个公司。
他是法国人，在瑞士长了八年，美国读的本硕。问他为什么不回瑞士，说在瑞士大家都
从事金融行业，但是大家工资差不多。在美国更有机会发财。
哎，投行也不如big data啊这年头。
一个big data 公司去了，做data analysis, 天天上班用eclipse.
因为他是stanford的，google一开始联系他不乐意，还非得去现在的这个公司。
他是法国人，在瑞士长了八年，美国读的本硕。问他为什么不回瑞士，说在瑞士大家都
从事金融行业，但是大家工资差不多。在美国更有机会发财。
哎，投行也不如big data啊这年头。
Q*1
31 楼
照这么看的话，统计的就业也不是太差啊。怎么听别人都说读统计的金融公司好多金融
公司直接不要F1的，进药厂最近几年药厂很不景气到处在裁员也不好进。
【在 h*h 的大作中提到】
: 同意，其实CS满大街，我们招data engineer当然找CS，但是本科足矣。我们招DS更喜
: 欢懂电脑的统计专业的人。
: 如果还在统计系最好就不要转，注意下time series, data mining, bayesian
: statistics这些东西，自己学学脚本，学学编程。
公司直接不要F1的，进药厂最近几年药厂很不景气到处在裁员也不好进。
【在 h*h 的大作中提到】
: 同意，其实CS满大街，我们招data engineer当然找CS，但是本科足矣。我们招DS更喜
: 欢懂电脑的统计专业的人。
: 如果还在统计系最好就不要转，注意下time series, data mining, bayesian
: statistics这些东西，自己学学脚本，学学编程。
z*e
32 楼
你确定你说的不是生物统计吗？
【在 Q*******1 的大作中提到】
: 照这么看的话，统计的就业也不是太差啊。怎么听别人都说读统计的金融公司好多金融
: 公司直接不要F1的，进药厂最近几年药厂很不景气到处在裁员也不好进。
【在 Q*******1 的大作中提到】
: 照这么看的话，统计的就业也不是太差啊。怎么听别人都说读统计的金融公司好多金融
: 公司直接不要F1的，进药厂最近几年药厂很不景气到处在裁员也不好进。
Q*1
33 楼
各个行业都有牛人，我这种普通人自然不能够比。
【在 j*****l 的大作中提到】
: 前几天遇到一个本科数学硕士金融统计的小硕。毕业在投行干了几个月觉得不爽，跳到
: 一个big data 公司去了，做data analysis, 天天上班用eclipse.
: 因为他是stanford的，google一开始联系他不乐意，还非得去现在的这个公司。
: 他是法国人，在瑞士长了八年，美国读的本硕。问他为什么不回瑞士，说在瑞士大家都
: 从事金融行业，但是大家工资差不多。在美国更有机会发财。
: 哎，投行也不如big data啊这年头。
【在 j*****l 的大作中提到】
: 前几天遇到一个本科数学硕士金融统计的小硕。毕业在投行干了几个月觉得不爽，跳到
: 一个big data 公司去了，做data analysis, 天天上班用eclipse.
: 因为他是stanford的，google一开始联系他不乐意，还非得去现在的这个公司。
: 他是法国人，在瑞士长了八年，美国读的本硕。问他为什么不回瑞士，说在瑞士大家都
: 从事金融行业，但是大家工资差不多。在美国更有机会发财。
: 哎，投行也不如big data啊这年头。
Q*1
34 楼
我当然说的不是生物统计，生物统计就业更加受限。统计的可以找生物统计的工作啊。
【在 z****e 的大作中提到】
: 你确定你说的不是生物统计吗？
【在 z****e 的大作中提到】
: 你确定你说的不是生物统计吗？
Q*1
35 楼
怎么确定是否被学校坑了。给你看一个学校的课程表，你看看会不会被坑呢。
%%%%%%%%%%%%%%%这个是bgsu的课程设置
Fall
MSA 5020 Regression Analysis
MSA 5400 Database Management
MSA 5470 Exploratory Data Analysis
MSA 6010 Decision Optimization
MSA 6701 Analytics Project I
Spring
MSA 5160 Time-Series Analysis and Forecasting
MSA 5600 Business Intelligence
MSA 6440 Data Mining
MSA 6500 Big Data Analytics
MSA 6702 Analytics Project II
Summer
MSA 6450 Advanced Data Analytics
MSA 6600 Project Management
MSA 6703 Analytics Project III
%%%%%%%%%%%%%这个是SIT的
BI&A CORE (30 credits)
Organizational Context
MGT 615 Financial Decision Making
Database and Data Warehousing
Show MIS 630 Data Management
This course focuses on data and database management, with an emphasis on
modeling and design, and their application to decision support. The course
is organized around the following general themes: Strategic Data Planning,
Data Governance, Enterprise Data Integration, Data Management Approaches,
Data Design for Transaction Processing vs. Decision Support, Data Management
Functions, Abstraction and Modeling, Data© and Information Modeling (
ER, Object©oriented), Database Schemas (Conceptual Schema), Database
Design (Functional Dependencies and Normalization), Query languages (SQL,
DDL, QBE), Metadata Development and Application, Data Quality Approaches,
Master and Reference Data Management (e.g., Customer and Product Data), Data
, Analytics, and Business Performance, Introduction to Data Warehousing,
OLAP, OLTP, and Data Mining, Strategic Data Policies and Guidelines (e.g.
Enterprise Data and Integration, Governance, Markets, Customers, and
Competitors, Leadership, Analysts and Knowledge Worker Skills and Training,
Communities of Analysts). There are numerous case studies and modeling
projects throughout the course.
Show MIS 636 Data Warehousing and Business Intelligence
This course focuses on the design and management of data warehouse (DW) and
business intelligence (BI) systems. The course is organized around the
following general themes: Analytics & Competitive Advantage (Internal and
External Processes, Customer and Competitor Intelligence), Business
Intelligence and Industry Value Chains, BI Systems life©cycle,
Enterprise Planning, Project Management, Business Requirements, Architecture
, Tool Selection, Data Design (Star©schema, Surrogate Keys, ODS, Real
169;time, Partitioned Tablespaces, Aggregations, MDDB (Cube Design),
Conformed Dimensions), Methods for Tracking History, Implementation (ETL,
Data Staging, and Physical Design), Data Visualization Techniques and
Applications, BI Application Development (includes Portal and Dashboard
Design), Complex Query Design, Deployment, Maintenance and Growth, and
Emerging Issues. There are numerous case studies, class exercises, homeworks
, and an end©to©end BI design project.
Optimization and Risk Analysis
Show BIA 650 Process Analytics and Optimization
This course covers basic concepts in optimization and heuristic search with
an emphasis on process improvement and optimization. The focus will be on
the development of modeling skills rather than on the mathematics of
optimization algorithms. While the skills developed in this course can be
applied to a very broad range of business problems, the practice examples
and student exercises will focus on the following areas: transportation,
logistics and supply chain optimization, capital budgeting, asset management
, portfolio analysis. Most of the student exercise will involve the use of
Microsoft Excel¡ˉs ¡°Solver¡± add©on package. A final
module of the course covers the analysis of workflow logs and the
fundamentals of process data mining.
Show BIA 670 Risk Management: Methods and Applications
Provides an overview of risk management theory and practice. The
relationship between probability and risk will be discussed with an
introduction to the concept of Value At Risk (VAR). Coverage includes
decision trees and their application to project evaluations. Examples are
provided in the areas of Market Risk, Operations Risk, Credit Risk, and
Management Incentive risk and the Agency problem.
Statistics
Show BIA 652 Multivariate Data Analytics
This course focuses on understanding the basic methods underlying
multivariate analysis through computer applications using R. Multivariate
analysis is concerned with datasets that have more than one response
variable for each observational or experimental unit. Topics covered include
principal components analysis, factor analysis, structural equation
modeling, multidimensional scaling, correspondence analysis, cluster
analysis, multivariate analysis of variance, discriminant function analysis,
logistic regression, and other methods used for dimension reduction,
pattern recognition, classification, and forecasting. Through class
exercises and a project, students apply these methods to real data and learn
to think critically about data analysis and research findings.
Show BIA 654 Experimental Design
This course covers fundamental topics in experimentation including
hypothesis development, operational definitions, reliability and validity,
measurement and variables, as well as design methods, such as sampling,
randomization, and counterbalancing. The course also introduces the analysis
associated with various experiments because designing good experiments
involves thinking about how to analyze the obtained data. Experiments test
cause©effect relationships; this course has very broad applications
across all the natural and social sciences. At the end of the course,
students present a project, which consists of designing an experiment,
collecting data, and trying to answer a research question.
Data Mining and Machine Learning
Show MIS 637 Knowledge Discovery in Databases
This course focuses on data mining and knowledge discovery methods, models,
and algorithms, and their applications in solving real world business and
operation problems. We concentrate on demonstrating how discovering the
hidden knowledge in databases will help managers make near real©time
intelligent business and operation decisions. The course is organized around
the following general themes: End©to©End System Approach to Data
Mining and Knowledge Discovery, Data Preprocessing (advanced), Linear
Regression, Logistic Regression, Business and Operations Applications, Data
Preprocessing (advanced), Min©Max Normalization, Z©Score
Standardization, Linear Regression, Logistic Regression, Association
Analysis, k©Nearest Neighbor Algorithm, k© Means Clustering
Algorithm, Model Evaluation Techniques, and case studies.
Show BIA 656 Statistical Learning & Analytics
This course introduces the most relevant algorithms of generative and
discriminative estimation. Main topics include autoregressive and moving
average models, seasonality, long memory ARMA and unit root test, volatility
modeling, linear methods for classification, kernel methods, support vector
machines, Bayesian and Markovian graphical models, EM algorithm, inference,
sampling methods, latent variables, hidden Markov models, linear dynamical
systems, reinforcement learning, and ensemble methods (boosting, bagging and
random forests.) The course will also explore applications of the learning
algorithms to finance, marketing, and operations.
Social Network Analytics
Show BIA 658 Social Network Analytics
In this course, students will learn how to analyze social network data and
apply the analyses to develop marketing strategies. The course focuses on
network concepts, including graph©theoretic fundamentals, centrality,
cohesion, affiliations, equivalence, and roles, as well as design issues,
including data sampling and hypothesis testing. Theoretical areas covered
include embeddedness, social capital, homophily, and network growth. Another
focus of this course is on marketing applications of social network
analysis, in particular the use of knowledge about network properties and
behavior, such as hubs and paths, the robustness of the network, and
information cascades, to better broadcast products and search targets After
taking this course, students should be able to statistically analyze and
describe large scale networks, model the evolution of networks, and apply
the network analyses to marketing research.
Show BIA 660 Web Analytics
In this course, students will learn through hands©on experience how to
extract data from the web and analyze web©scale data using distributed
computing. Students will learn different analysis methods that are widely
used across the range of internet companies, from start©ups to online
giants like Amazon or Google. At the end of the course, students will apply
these methods to answer a real scientific question or to create a useful web
application.
Industry Practicum
Show BIA 686 Applied Analytics in a World of Big Data
Business intelligence and analytics is key to enabling successful
competition in today¡ˉs world of ¡°big data¡±. This course
focuses on helping students to not only understand how best to leverage
business intelligence and analytics to become more effective decision makers
, making smarter decisions and generating better results for their
organizations. Students have an opportunity to apply the concepts,
principles, and methods associated with four areas of analytics (text,
descriptive, predictive, and prescriptive) to real problems in an
application domain associated with their area of interest.
BI&A ELECTIVE COURSES (6 credits)
Choose 2 courses with the approval of a faculty advisor:
Show BIA 656 Statistical Learning & Analytics
This course introduces the most relevant algorithms of generative and
discriminative estimation. Main topics include autoregressive and moving
average models, seasonality, long memory ARMA and unit root test, volatility
modeling, linear methods for classification, kernel methods, support vector
machines, Bayesian and Markovian graphical models, EM algorithm, inference,
sampling methods, latent variables, hidden Markov models, linear dynamical
systems, reinforcement learning, and ensemble methods (boosting, bagging and
random forests.) The course will also explore applications of the learning
algorithms to finance, marketing, and operations.
Show BIA 672 Marketing Analytics
Covers marketing analytics techniques such as segmentation, positioning, and
forecasting, which form the cornerstone of marketing strategy in industry.
Students will work on cases and data from real companies, analyze the data,
and learn to present their conclusions and make strategic recommendations.
Show BIA 674 Supply Chain Analytics
Introduces the tactical and strategic issues surrounding the design and
operation of supply chains, to develop supply chain analytical skills for
solving real life problems. Topics covered include: supplier analytics,
capacity planning, demand-supply matching, sales and operations planning,
location analysis and network management, inventory management and sourcing.
Show BIA 676 The Internet of Things
Somewhere between 2008 and 2009, the number of ¡°things¡±
connected to the Internet exceeded the number of people connected. By 2020,
several tens of billions of devices are predicted to be connected. A simple
definition of the Internet of Things (IoT) is that it is a self-configuring
wireless network of sensors whose purpose is to interconnect ¡°all
161;± things, including everyday and industrial objects. This course will
overview IoT architectures, enabling technologies, and management and
commercial applications.
Show BIA 678 Big Data Seminar
Classes will cover Big Data from the point of view of technology,
applications, and governance. Invited industry speakers will discuss the
latest technology advances. Requirements include semester-long, team project
using Big Data technology (such as Hadoop) and a large data set to be
selected.
Show BIA 702 Curriculum Practical Training
This course involves an educationally relevant practical assignment that
augments the academic content of the student¡ˉs program. Students
engage in a project in a company project related to the focus of their
academic program. The project is conducted under the supervision of a
faculty advisor and an industry mentor. During the semester, the student
must submit written progress reports and at the end of the semester, a
detailed written report that describes his/her activities and knowledge
gained during that semester. This is a one-credit course that may be
repeated up to a total of three credits.
【在 l*****k 的大作中提到】
: 只要一招鲜就够了。有两招更好。
: CS强的, 好歹还能招到。
: Stats强的，做statistician, data scientist, quantitative analyst，想招都招不
: 到。
: CS和Stats都强的，那是工作招你，还都是FLG级别的工作在找你。
: 学Data science之类的新专业关键在于别被学校忽悠了。如果只是做BI，还不如去学统
: 计或CS。
%%%%%%%%%%%%%%%这个是bgsu的课程设置
Fall
MSA 5020 Regression Analysis
MSA 5400 Database Management
MSA 5470 Exploratory Data Analysis
MSA 6010 Decision Optimization
MSA 6701 Analytics Project I
Spring
MSA 5160 Time-Series Analysis and Forecasting
MSA 5600 Business Intelligence
MSA 6440 Data Mining
MSA 6500 Big Data Analytics
MSA 6702 Analytics Project II
Summer
MSA 6450 Advanced Data Analytics
MSA 6600 Project Management
MSA 6703 Analytics Project III
%%%%%%%%%%%%%这个是SIT的
BI&A CORE (30 credits)
Organizational Context
MGT 615 Financial Decision Making
Database and Data Warehousing
Show MIS 630 Data Management
This course focuses on data and database management, with an emphasis on
modeling and design, and their application to decision support. The course
is organized around the following general themes: Strategic Data Planning,
Data Governance, Enterprise Data Integration, Data Management Approaches,
Data Design for Transaction Processing vs. Decision Support, Data Management
Functions, Abstraction and Modeling, Data© and Information Modeling (
ER, Object©oriented), Database Schemas (Conceptual Schema), Database
Design (Functional Dependencies and Normalization), Query languages (SQL,
DDL, QBE), Metadata Development and Application, Data Quality Approaches,
Master and Reference Data Management (e.g., Customer and Product Data), Data
, Analytics, and Business Performance, Introduction to Data Warehousing,
OLAP, OLTP, and Data Mining, Strategic Data Policies and Guidelines (e.g.
Enterprise Data and Integration, Governance, Markets, Customers, and
Competitors, Leadership, Analysts and Knowledge Worker Skills and Training,
Communities of Analysts). There are numerous case studies and modeling
projects throughout the course.
Show MIS 636 Data Warehousing and Business Intelligence
This course focuses on the design and management of data warehouse (DW) and
business intelligence (BI) systems. The course is organized around the
following general themes: Analytics & Competitive Advantage (Internal and
External Processes, Customer and Competitor Intelligence), Business
Intelligence and Industry Value Chains, BI Systems life©cycle,
Enterprise Planning, Project Management, Business Requirements, Architecture
, Tool Selection, Data Design (Star©schema, Surrogate Keys, ODS, Real
169;time, Partitioned Tablespaces, Aggregations, MDDB (Cube Design),
Conformed Dimensions), Methods for Tracking History, Implementation (ETL,
Data Staging, and Physical Design), Data Visualization Techniques and
Applications, BI Application Development (includes Portal and Dashboard
Design), Complex Query Design, Deployment, Maintenance and Growth, and
Emerging Issues. There are numerous case studies, class exercises, homeworks
, and an end©to©end BI design project.
Optimization and Risk Analysis
Show BIA 650 Process Analytics and Optimization
This course covers basic concepts in optimization and heuristic search with
an emphasis on process improvement and optimization. The focus will be on
the development of modeling skills rather than on the mathematics of
optimization algorithms. While the skills developed in this course can be
applied to a very broad range of business problems, the practice examples
and student exercises will focus on the following areas: transportation,
logistics and supply chain optimization, capital budgeting, asset management
, portfolio analysis. Most of the student exercise will involve the use of
Microsoft Excel¡ˉs ¡°Solver¡± add©on package. A final
module of the course covers the analysis of workflow logs and the
fundamentals of process data mining.
Show BIA 670 Risk Management: Methods and Applications
Provides an overview of risk management theory and practice. The
relationship between probability and risk will be discussed with an
introduction to the concept of Value At Risk (VAR). Coverage includes
decision trees and their application to project evaluations. Examples are
provided in the areas of Market Risk, Operations Risk, Credit Risk, and
Management Incentive risk and the Agency problem.
Statistics
Show BIA 652 Multivariate Data Analytics
This course focuses on understanding the basic methods underlying
multivariate analysis through computer applications using R. Multivariate
analysis is concerned with datasets that have more than one response
variable for each observational or experimental unit. Topics covered include
principal components analysis, factor analysis, structural equation
modeling, multidimensional scaling, correspondence analysis, cluster
analysis, multivariate analysis of variance, discriminant function analysis,
logistic regression, and other methods used for dimension reduction,
pattern recognition, classification, and forecasting. Through class
exercises and a project, students apply these methods to real data and learn
to think critically about data analysis and research findings.
Show BIA 654 Experimental Design
This course covers fundamental topics in experimentation including
hypothesis development, operational definitions, reliability and validity,
measurement and variables, as well as design methods, such as sampling,
randomization, and counterbalancing. The course also introduces the analysis
associated with various experiments because designing good experiments
involves thinking about how to analyze the obtained data. Experiments test
cause©effect relationships; this course has very broad applications
across all the natural and social sciences. At the end of the course,
students present a project, which consists of designing an experiment,
collecting data, and trying to answer a research question.
Data Mining and Machine Learning
Show MIS 637 Knowledge Discovery in Databases
This course focuses on data mining and knowledge discovery methods, models,
and algorithms, and their applications in solving real world business and
operation problems. We concentrate on demonstrating how discovering the
hidden knowledge in databases will help managers make near real©time
intelligent business and operation decisions. The course is organized around
the following general themes: End©to©End System Approach to Data
Mining and Knowledge Discovery, Data Preprocessing (advanced), Linear
Regression, Logistic Regression, Business and Operations Applications, Data
Preprocessing (advanced), Min©Max Normalization, Z©Score
Standardization, Linear Regression, Logistic Regression, Association
Analysis, k©Nearest Neighbor Algorithm, k© Means Clustering
Algorithm, Model Evaluation Techniques, and case studies.
Show BIA 656 Statistical Learning & Analytics
This course introduces the most relevant algorithms of generative and
discriminative estimation. Main topics include autoregressive and moving
average models, seasonality, long memory ARMA and unit root test, volatility
modeling, linear methods for classification, kernel methods, support vector
machines, Bayesian and Markovian graphical models, EM algorithm, inference,
sampling methods, latent variables, hidden Markov models, linear dynamical
systems, reinforcement learning, and ensemble methods (boosting, bagging and
random forests.) The course will also explore applications of the learning
algorithms to finance, marketing, and operations.
Social Network Analytics
Show BIA 658 Social Network Analytics
In this course, students will learn how to analyze social network data and
apply the analyses to develop marketing strategies. The course focuses on
network concepts, including graph©theoretic fundamentals, centrality,
cohesion, affiliations, equivalence, and roles, as well as design issues,
including data sampling and hypothesis testing. Theoretical areas covered
include embeddedness, social capital, homophily, and network growth. Another
focus of this course is on marketing applications of social network
analysis, in particular the use of knowledge about network properties and
behavior, such as hubs and paths, the robustness of the network, and
information cascades, to better broadcast products and search targets After
taking this course, students should be able to statistically analyze and
describe large scale networks, model the evolution of networks, and apply
the network analyses to marketing research.
Show BIA 660 Web Analytics
In this course, students will learn through hands©on experience how to
extract data from the web and analyze web©scale data using distributed
computing. Students will learn different analysis methods that are widely
used across the range of internet companies, from start©ups to online
giants like Amazon or Google. At the end of the course, students will apply
these methods to answer a real scientific question or to create a useful web
application.
Industry Practicum
Show BIA 686 Applied Analytics in a World of Big Data
Business intelligence and analytics is key to enabling successful
competition in today¡ˉs world of ¡°big data¡±. This course
focuses on helping students to not only understand how best to leverage
business intelligence and analytics to become more effective decision makers
, making smarter decisions and generating better results for their
organizations. Students have an opportunity to apply the concepts,
principles, and methods associated with four areas of analytics (text,
descriptive, predictive, and prescriptive) to real problems in an
application domain associated with their area of interest.
BI&A ELECTIVE COURSES (6 credits)
Choose 2 courses with the approval of a faculty advisor:
Show BIA 656 Statistical Learning & Analytics
This course introduces the most relevant algorithms of generative and
discriminative estimation. Main topics include autoregressive and moving
average models, seasonality, long memory ARMA and unit root test, volatility
modeling, linear methods for classification, kernel methods, support vector
machines, Bayesian and Markovian graphical models, EM algorithm, inference,
sampling methods, latent variables, hidden Markov models, linear dynamical
systems, reinforcement learning, and ensemble methods (boosting, bagging and
random forests.) The course will also explore applications of the learning
algorithms to finance, marketing, and operations.
Show BIA 672 Marketing Analytics
Covers marketing analytics techniques such as segmentation, positioning, and
forecasting, which form the cornerstone of marketing strategy in industry.
Students will work on cases and data from real companies, analyze the data,
and learn to present their conclusions and make strategic recommendations.
Show BIA 674 Supply Chain Analytics
Introduces the tactical and strategic issues surrounding the design and
operation of supply chains, to develop supply chain analytical skills for
solving real life problems. Topics covered include: supplier analytics,
capacity planning, demand-supply matching, sales and operations planning,
location analysis and network management, inventory management and sourcing.
Show BIA 676 The Internet of Things
Somewhere between 2008 and 2009, the number of ¡°things¡±
connected to the Internet exceeded the number of people connected. By 2020,
several tens of billions of devices are predicted to be connected. A simple
definition of the Internet of Things (IoT) is that it is a self-configuring
wireless network of sensors whose purpose is to interconnect ¡°all
161;± things, including everyday and industrial objects. This course will
overview IoT architectures, enabling technologies, and management and
commercial applications.
Show BIA 678 Big Data Seminar
Classes will cover Big Data from the point of view of technology,
applications, and governance. Invited industry speakers will discuss the
latest technology advances. Requirements include semester-long, team project
using Big Data technology (such as Hadoop) and a large data set to be
selected.
Show BIA 702 Curriculum Practical Training
This course involves an educationally relevant practical assignment that
augments the academic content of the student¡ˉs program. Students
engage in a project in a company project related to the focus of their
academic program. The project is conducted under the supervision of a
faculty advisor and an industry mentor. During the semester, the student
must submit written progress reports and at the end of the semester, a
detailed written report that describes his/her activities and knowledge
gained during that semester. This is a one-credit course that may be
repeated up to a total of three credits.
【在 l*****k 的大作中提到】
: 只要一招鲜就够了。有两招更好。
: CS强的, 好歹还能招到。
: Stats强的，做statistician, data scientist, quantitative analyst，想招都招不
: 到。
: CS和Stats都强的，那是工作招你，还都是FLG级别的工作在找你。
: 学Data science之类的新专业关键在于别被学校忽悠了。如果只是做BI，还不如去学统
: 计或CS。
c*a
36 楼
MSA 5020 Regression Analysis
BIA 652 Multivariate Data Analytics
BIA 656 Statistical Learning & Analytics
读统计一定要学啊
BIA 652 Multivariate Data Analytics
BIA 656 Statistical Learning & Analytics
读统计一定要学啊
Q*1
37 楼
每一个统计的硕士课程都有这几门课，所不同的是有的学校的统计硕士可能没有数据挖
掘或者机器学习的课程可以选。
【在 c*****a 的大作中提到】
: MSA 5020 Regression Analysis
: BIA 652 Multivariate Data Analytics
: BIA 656 Statistical Learning & Analytics
: 读统计一定要学啊
掘或者机器学习的课程可以选。
【在 c*****a 的大作中提到】
: MSA 5020 Regression Analysis
: BIA 652 Multivariate Data Analytics
: BIA 656 Statistical Learning & Analytics
: 读统计一定要学啊
i*0
38 楼
mark一下。情况跟lz有些许相似之处，农学博士毕业，找工作没问题，可是location不
理想。有一定的统计基础，研究生期间修过相关课程，而且自己最近自学在考sas的
certificate，所以想往统计转。身份没有问题，目前人在湾区所以申请了sjsu的统计
硕士，以后想往data analyst，business analyst转。
不知道大家没有从sjsu统计毕业的。或者在选课上有什么具体的建议。多谢了
理想。有一定的统计基础，研究生期间修过相关课程，而且自己最近自学在考sas的
certificate，所以想往统计转。身份没有问题，目前人在湾区所以申请了sjsu的统计
硕士，以后想往data analyst，business analyst转。
不知道大家没有从sjsu统计毕业的。或者在选课上有什么具体的建议。多谢了
c*h
39 楼
统计还不好就业，你让其他专业的人干什么去啊。。。
统计还可以去药厂，package给的巨好，bank insurance company也多得是去路。。。
【在 Q*******1 的大作中提到】
: 统计就业是比mfe，msf之类的好很很多，但是和CS还是差远了吧。而且统计要是没有找
: 到工作回国就傻逼了。国内统计更加垃圾。还不如读个mfe，msf回国去进金融公司。像
: 啥读个cs回国至少也能够那个起薪十多万。
统计还可以去药厂，package给的巨好，bank insurance company也多得是去路。。。
【在 Q*******1 的大作中提到】
: 统计就业是比mfe，msf之类的好很很多，但是和CS还是差远了吧。而且统计要是没有找
: 到工作回国就傻逼了。国内统计更加垃圾。还不如读个mfe，msf回国去进金融公司。像
: 啥读个cs回国至少也能够那个起薪十多万。
c*h
40 楼
哇塞，更得为生统正名了。。。楼主，你对统计各个行业都有点误解
生统其实很好，你一定不知道youtube他们用巨多survival analysis分析视频数据吧。
你可以搜下youtube data scientist的面试题，很多都有survival的东西
还有很多生统的方法被移植在各种数据分析和建模过程中
只不过在学校里，大家都只知道生统绕着genetic打转，其实那些方法用处大得很
【在 Q*******1 的大作中提到】
: 我当然说的不是生物统计，生物统计就业更加受限。统计的可以找生物统计的工作啊。
生统其实很好，你一定不知道youtube他们用巨多survival analysis分析视频数据吧。
你可以搜下youtube data scientist的面试题，很多都有survival的东西
还有很多生统的方法被移植在各种数据分析和建模过程中
只不过在学校里，大家都只知道生统绕着genetic打转，其实那些方法用处大得很
【在 Q*******1 的大作中提到】
: 我当然说的不是生物统计，生物统计就业更加受限。统计的可以找生物统计的工作啊。
s*3
41 楼
借人气顺路问一下大家选校问题：之前学的也是应用数学，还考过三门精算，可是工作
还是不好找。。。今年拿到了
1.Univ. of SF, 有个一年的 analytics项目，中间有安排实习，但是公司一般。
http://www.usfca.edu/management/analytics/courses/
2. UC Irvine的stat. 他们是一个information and computer science 学院分了三个
系。其中就有cs和stat. 感觉搭配不错，就是不知道找工作怎么样。
https://www.ics.uci.edu/dept/
3. Data sci @ USC. 这个结果没出来，也是在CS系的。 不太清楚。。可能拿不到
admission.
http://www.cs.usc.edu/academics/masters/msdata.htm
求问一下大家的建议。
还是不好找。。。今年拿到了
1.Univ. of SF, 有个一年的 analytics项目，中间有安排实习，但是公司一般。
http://www.usfca.edu/management/analytics/courses/
2. UC Irvine的stat. 他们是一个information and computer science 学院分了三个
系。其中就有cs和stat. 感觉搭配不错，就是不知道找工作怎么样。
https://www.ics.uci.edu/dept/
3. Data sci @ USC. 这个结果没出来，也是在CS系的。 不太清楚。。可能拿不到
admission.
http://www.cs.usc.edu/academics/masters/msdata.htm
求问一下大家的建议。
i*0
42 楼
其它两个不知道，但是我想第一个应该很好吧。就是不知道学费怎么收？
【在 s*****3 的大作中提到】
: 借人气顺路问一下大家选校问题：之前学的也是应用数学，还考过三门精算，可是工作
: 还是不好找。。。今年拿到了
: 1.Univ. of SF, 有个一年的 analytics项目，中间有安排实习，但是公司一般。
: http://www.usfca.edu/management/analytics/courses/
: 2. UC Irvine的stat. 他们是一个information and computer science 学院分了三个
: 系。其中就有cs和stat. 感觉搭配不错，就是不知道找工作怎么样。
: https://www.ics.uci.edu/dept/
: 3. Data sci @ USC. 这个结果没出来，也是在CS系的。 不太清楚。。可能拿不到
: admission.
: http://www.cs.usc.edu/academics/masters/msdata.htm
【在 s*****3 的大作中提到】
: 借人气顺路问一下大家选校问题：之前学的也是应用数学，还考过三门精算，可是工作
: 还是不好找。。。今年拿到了
: 1.Univ. of SF, 有个一年的 analytics项目，中间有安排实习，但是公司一般。
: http://www.usfca.edu/management/analytics/courses/
: 2. UC Irvine的stat. 他们是一个information and computer science 学院分了三个
: 系。其中就有cs和stat. 感觉搭配不错，就是不知道找工作怎么样。
: https://www.ics.uci.edu/dept/
: 3. Data sci @ USC. 这个结果没出来，也是在CS系的。 不太清楚。。可能拿不到
: admission.
: http://www.cs.usc.edu/academics/masters/msdata.htm
s*3
43 楼
学费大概3W多，我觉得唯一比较好的就是会有实习。。。这个对找工作还不错，而且地
点也不错
【在 i****0 的大作中提到】
: 其它两个不知道，但是我想第一个应该很好吧。就是不知道学费怎么收？
点也不错
【在 i****0 的大作中提到】
: 其它两个不知道，但是我想第一个应该很好吧。就是不知道学费怎么收？
Q*1
44 楼
我本科是应数的，数学课其实也修的不多，离散数学都没学过。计算机的课程也只学了
C语言程序设计，和一门算法与程序设计基础。统计的课程倒是修了不少，多元统计，
回归分析，时间序列分析等。一开始打算申请统计的，但是考虑到统计的就业不好，就
没那个打算了。最近知道了个吵得比较热的叫data science或者叫analytics的专业。
但是怕这个专业会全部被据。那个专业就是数据挖掘学点，数据库sql和nosql学点，统
计学点，分布式计算也会学点，商业智能也会有涉及到。学得比较杂哈，据说是完全以
就业为导向的，相当于职前培训。所以大部分项目的时间都只是一年。这样的话就担心
一年学不到时间太紧，学不到什么东西，而且一年口语都可能还没有练好。而且总感觉
这种data scientist或者data analyst的偏向研究的职位应该比搞程序设计开发的少吧
。所以就想着直接转CS了算了，这个行业的薪水和就业前景很令我们这种烂专业的人眼
红。我背景也很一般T90,GPA84,gre相当于老的1250.这样的背景有希望申请到CS的
master吗？另外补充一下我对写程序还是比较有兴趣的，上次数学建模比赛，用matlab
写了300多行的程序，也没感觉枯燥。听说sjsu地理位置好，录取要求还比较低。还有
没有比较适合我这种转专业屌丝申请的学校啊？
C语言程序设计，和一门算法与程序设计基础。统计的课程倒是修了不少，多元统计，
回归分析，时间序列分析等。一开始打算申请统计的，但是考虑到统计的就业不好，就
没那个打算了。最近知道了个吵得比较热的叫data science或者叫analytics的专业。
但是怕这个专业会全部被据。那个专业就是数据挖掘学点，数据库sql和nosql学点，统
计学点，分布式计算也会学点，商业智能也会有涉及到。学得比较杂哈，据说是完全以
就业为导向的，相当于职前培训。所以大部分项目的时间都只是一年。这样的话就担心
一年学不到时间太紧，学不到什么东西，而且一年口语都可能还没有练好。而且总感觉
这种data scientist或者data analyst的偏向研究的职位应该比搞程序设计开发的少吧
。所以就想着直接转CS了算了，这个行业的薪水和就业前景很令我们这种烂专业的人眼
红。我背景也很一般T90,GPA84,gre相当于老的1250.这样的背景有希望申请到CS的
master吗？另外补充一下我对写程序还是比较有兴趣的，上次数学建模比赛，用matlab
写了300多行的程序，也没感觉枯燥。听说sjsu地理位置好，录取要求还比较低。还有
没有比较适合我这种转专业屌丝申请的学校啊？
s*r
45 楼
应该本着data science和analytic去，托互联网的福，这个方向现在很火，对数学统计
的能力要求很高，一般码农还干不了。
的能力要求很高，一般码农还干不了。
Q*1
46 楼
意思是说我应该就申请data science专业，没必要转CS是吧。 主要是现在搞data
mining的人太多了，怕到时找不到工作。
【在 s*****r 的大作中提到】
: 应该本着data science和analytic去，托互联网的福，这个方向现在很火，对数学统计
: 的能力要求很高，一般码农还干不了。
mining的人太多了，怕到时找不到工作。
【在 s*****r 的大作中提到】
: 应该本着data science和analytic去，托互联网的福，这个方向现在很火，对数学统计
: 的能力要求很高，一般码农还干不了。
z*e
47 楼
火不怕找不到工作，找不到工作都是不火的领域
【在 Q*******1 的大作中提到】
: 意思是说我应该就申请data science专业，没必要转CS是吧。 主要是现在搞data
: mining的人太多了，怕到时找不到工作。
【在 Q*******1 的大作中提到】
: 意思是说我应该就申请data science专业，没必要转CS是吧。 主要是现在搞data
: mining的人太多了，怕到时找不到工作。
R*n
48 楼
一种所谓的data science就是以前的data analyst或者business analyst派生出来的，
这个CS的人不会去做且待遇也低。还有就是基于CS的machine learning／big data，这
个如果在FLG这个级别公司，不错学校的CS PhD都不容易进去，整体opening非常少
当然还有些两者之间的，比如会接触到data的SDE，这种在G，F等不少，但对人的要求
和其他SDE区别不大
【在 s*****r 的大作中提到】
: 应该本着data science和analytic去，托互联网的福，这个方向现在很火，对数学统计
: 的能力要求很高，一般码农还干不了。
这个CS的人不会去做且待遇也低。还有就是基于CS的machine learning／big data，这
个如果在FLG这个级别公司，不错学校的CS PhD都不容易进去，整体opening非常少
当然还有些两者之间的，比如会接触到data的SDE，这种在G，F等不少，但对人的要求
和其他SDE区别不大
【在 s*****r 的大作中提到】
: 应该本着data science和analytic去，托互联网的福，这个方向现在很火，对数学统计
: 的能力要求很高，一般码农还干不了。
s*r
49 楼
因为人类把越来越多的时间花在网络上，各种数据都需要分析，现在的情况是数据有的
是，但分析力量不足，很多有价值的东西都发现不了。
【在 Q*******1 的大作中提到】
: 意思是说我应该就申请data science专业，没必要转CS是吧。 主要是现在搞data
: mining的人太多了，怕到时找不到工作。
是，但分析力量不足，很多有价值的东西都发现不了。
【在 Q*******1 的大作中提到】
: 意思是说我应该就申请data science专业，没必要转CS是吧。 主要是现在搞data
: mining的人太多了，怕到时找不到工作。
Q*1
50 楼
对对，我就是这种担心。现在big data 是吵得比较火。怕到时这个专业读出来高不成
低不就了。互联网行业是很好，但是如果如果都要求是CS phd或者统计phd的话，就肯
定没戏。那其他行业的话，不管是薪资，就业机会，以及为国际学生办理工签的能力都
差太多了。要不然就直接转专业读cs出来当个码农了算了。
【在 R********n 的大作中提到】
: 一种所谓的data science就是以前的data analyst或者business analyst派生出来的，
: 这个CS的人不会去做且待遇也低。还有就是基于CS的machine learning／big data，这
: 个如果在FLG这个级别公司，不错学校的CS PhD都不容易进去，整体opening非常少
: 当然还有些两者之间的，比如会接触到data的SDE，这种在G，F等不少，但对人的要求
: 和其他SDE区别不大
低不就了。互联网行业是很好，但是如果如果都要求是CS phd或者统计phd的话，就肯
定没戏。那其他行业的话，不管是薪资，就业机会，以及为国际学生办理工签的能力都
差太多了。要不然就直接转专业读cs出来当个码农了算了。
【在 R********n 的大作中提到】
: 一种所谓的data science就是以前的data analyst或者business analyst派生出来的，
: 这个CS的人不会去做且待遇也低。还有就是基于CS的machine learning／big data，这
: 个如果在FLG这个级别公司，不错学校的CS PhD都不容易进去，整体opening非常少
: 当然还有些两者之间的，比如会接触到data的SDE，这种在G，F等不少，但对人的要求
: 和其他SDE区别不大
Q*1
51 楼
有很多人说所谓的big data 只不过是炒作而已，是那些软件公司推销自己的软件？比
如谷歌的hadoop?另外最近看到哪个咨询公司的报告，说是美国到2018年会有18完懂大
数据分析的人才缺口，搞得各个大学顺势都推出了自己的大数据专业。课程就是除了
data mining machine learning的几门课外，其他的统计，business，数据库之类的课
都是自己任意加的。这样的专业还是比较不放心的。
【在 s*****r 的大作中提到】
: 因为人类把越来越多的时间花在网络上，各种数据都需要分析，现在的情况是数据有的
: 是，但分析力量不足，很多有价值的东西都发现不了。
如谷歌的hadoop?另外最近看到哪个咨询公司的报告，说是美国到2018年会有18完懂大
数据分析的人才缺口，搞得各个大学顺势都推出了自己的大数据专业。课程就是除了
data mining machine learning的几门课外，其他的统计，business，数据库之类的课
都是自己任意加的。这样的专业还是比较不放心的。
【在 s*****r 的大作中提到】
: 因为人类把越来越多的时间花在网络上，各种数据都需要分析，现在的情况是数据有的
: 是，但分析力量不足，很多有价值的东西都发现不了。
z*e
52 楼
big data是cs+statistics
google不管hadoop，hadoop是apache的开源项目
背后最大的支持者是yahoo
yahoo这个搜索引擎的loser打算通过开源做个翻身
data mining以前做得其实不怎样
很重要一个原因是同时会cs和stats的人很少
大部分美国人不会stats，会cs的很多在c上浪费了太多时间
而且市场也的确没那么大，没有足够的数据需要去挖掘
不是是个公司就能有海量数据的，而且工具也很少
随着数据量的增长，这些岗位会逐步增多，但是你的担心也有道理
这些岗位的确是很多需要phd，或者说也是prefer相关的phd去做
话说统计其实就业一直都不差，无论是精算还是做本行还是转cs
统计算是进退自如的一个行业，很多人都认为统计是热门专业
比数学物理什么靠谱多了，当年矿工最热时候，也喜欢招统计phd，除了物理phd外
因为这两个都属于应用数学，不象应数和计数，天天搞证明
精算最喜欢的除了精算本科以外就是统计的master，因为这两个上来就能干活
【在 Q*******1 的大作中提到】
: 有很多人说所谓的big data 只不过是炒作而已，是那些软件公司推销自己的软件？比
: 如谷歌的hadoop?另外最近看到哪个咨询公司的报告，说是美国到2018年会有18完懂大
: 数据分析的人才缺口，搞得各个大学顺势都推出了自己的大数据专业。课程就是除了
: data mining machine learning的几门课外，其他的统计，business，数据库之类的课
: 都是自己任意加的。这样的专业还是比较不放心的。
google不管hadoop，hadoop是apache的开源项目
背后最大的支持者是yahoo
yahoo这个搜索引擎的loser打算通过开源做个翻身
data mining以前做得其实不怎样
很重要一个原因是同时会cs和stats的人很少
大部分美国人不会stats，会cs的很多在c上浪费了太多时间
而且市场也的确没那么大，没有足够的数据需要去挖掘
不是是个公司就能有海量数据的，而且工具也很少
随着数据量的增长，这些岗位会逐步增多，但是你的担心也有道理
这些岗位的确是很多需要phd，或者说也是prefer相关的phd去做
话说统计其实就业一直都不差，无论是精算还是做本行还是转cs
统计算是进退自如的一个行业，很多人都认为统计是热门专业
比数学物理什么靠谱多了，当年矿工最热时候，也喜欢招统计phd，除了物理phd外
因为这两个都属于应用数学，不象应数和计数，天天搞证明
精算最喜欢的除了精算本科以外就是统计的master，因为这两个上来就能干活
【在 Q*******1 的大作中提到】
: 有很多人说所谓的big data 只不过是炒作而已，是那些软件公司推销自己的软件？比
: 如谷歌的hadoop?另外最近看到哪个咨询公司的报告，说是美国到2018年会有18完懂大
: 数据分析的人才缺口，搞得各个大学顺势都推出了自己的大数据专业。课程就是除了
: data mining machine learning的几门课外，其他的统计，business，数据库之类的课
: 都是自己任意加的。这样的专业还是比较不放心的。
Q*1
53 楼
统计就业是比mfe，msf之类的好很很多，但是和CS还是差远了吧。而且统计要是没有找
到工作回国就傻逼了。国内统计更加垃圾。还不如读个mfe，msf回国去进金融公司。像
啥读个cs回国至少也能够那个起薪十多万。
【在 z****e 的大作中提到】
: big data是cs+statistics
: google不管hadoop，hadoop是apache的开源项目
: 背后最大的支持者是yahoo
: yahoo这个搜索引擎的loser打算通过开源做个翻身
: data mining以前做得其实不怎样
: 很重要一个原因是同时会cs和stats的人很少
: 大部分美国人不会stats，会cs的很多在c上浪费了太多时间
: 而且市场也的确没那么大，没有足够的数据需要去挖掘
: 不是是个公司就能有海量数据的，而且工具也很少
: 随着数据量的增长，这些岗位会逐步增多，但是你的担心也有道理
到工作回国就傻逼了。国内统计更加垃圾。还不如读个mfe，msf回国去进金融公司。像
啥读个cs回国至少也能够那个起薪十多万。
【在 z****e 的大作中提到】
: big data是cs+statistics
: google不管hadoop，hadoop是apache的开源项目
: 背后最大的支持者是yahoo
: yahoo这个搜索引擎的loser打算通过开源做个翻身
: data mining以前做得其实不怎样
: 很重要一个原因是同时会cs和stats的人很少
: 大部分美国人不会stats，会cs的很多在c上浪费了太多时间
: 而且市场也的确没那么大，没有足够的数据需要去挖掘
: 不是是个公司就能有海量数据的，而且工具也很少
: 随着数据量的增长，这些岗位会逐步增多，但是你的担心也有道理
c*a
54 楼
路过一下, 感觉懂算法就行
2年前，zhaoce大大教唆我从stat坑跳cs.我进了一个超级烂校cs，没regret过.
刚有个还有一年才毕业的朋友bs/ms math拿到google sde....他的算法不错， 不懂
linux, os, sql, database, hadoop, 没听过leetcode. 听他说就是一些算法题. Orz
2年前，zhaoce大大教唆我从stat坑跳cs.我进了一个超级烂校cs，没regret过.
刚有个还有一年才毕业的朋友bs/ms math拿到google sde....他的算法不错， 不懂
linux, os, sql, database, hadoop, 没听过leetcode. 听他说就是一些算法题. Orz
p*i
55 楼
统计的话MS就业就很不行，比CS差很多，但是PHD很不错，不会比CS差的。做统计主要
是不太怕中年危机，资历经验都是比较通用的，而且big data的很多位置确实没统计背
景没法做，不怕被别的专业人抢走。
【在 Q*******1 的大作中提到】
: 统计就业是比mfe，msf之类的好很很多，但是和CS还是差远了吧。而且统计要是没有找
: 到工作回国就傻逼了。国内统计更加垃圾。还不如读个mfe，msf回国去进金融公司。像
: 啥读个cs回国至少也能够那个起薪十多万。
是不太怕中年危机，资历经验都是比较通用的，而且big data的很多位置确实没统计背
景没法做，不怕被别的专业人抢走。
【在 Q*******1 的大作中提到】
: 统计就业是比mfe，msf之类的好很很多，但是和CS还是差远了吧。而且统计要是没有找
: 到工作回国就傻逼了。国内统计更加垃圾。还不如读个mfe，msf回国去进金融公司。像
: 啥读个cs回国至少也能够那个起薪十多万。
e*a
56 楼
all are the same.
Q*1
57 楼
这位大大应该是读的sjsu吧。为什么要跳到cs呢，是因为统计找工很难吗？
【在 p*******i 的大作中提到】
: 统计的话MS就业就很不行，比CS差很多，但是PHD很不错，不会比CS差的。做统计主要
: 是不太怕中年危机，资历经验都是比较通用的，而且big data的很多位置确实没统计背
: 景没法做，不怕被别的专业人抢走。
【在 p*******i 的大作中提到】
: 统计的话MS就业就很不行，比CS差很多，但是PHD很不错，不会比CS差的。做统计主要
: 是不太怕中年危机，资历经验都是比较通用的，而且big data的很多位置确实没统计背
: 景没法做，不怕被别的专业人抢走。
Q*1
58 楼
【在 p*******i 的大作中提到】
: 统计的话MS就业就很不行，比CS差很多，但是PHD很不错，不会比CS差的。做统计主要
: 是不太怕中年危机，资历经验都是比较通用的，而且big data的很多位置确实没统计背
: 景没法做，不怕被别的专业人抢走。
h*h
59 楼
你除了coding弱点其他很适合data science，赶紧学学python，java和map reduce就好
了. 熟悉R和SAS么？
【在 Q*******1 的大作中提到】
: 我本科是应数的，数学课其实也修的不多，离散数学都没学过。计算机的课程也只学了
: C语言程序设计，和一门算法与程序设计基础。统计的课程倒是修了不少，多元统计，
: 回归分析，时间序列分析等。一开始打算申请统计的，但是考虑到统计的就业不好，就
: 没那个打算了。最近知道了个吵得比较热的叫data science或者叫analytics的专业。
: 但是怕这个专业会全部被据。那个专业就是数据挖掘学点，数据库sql和nosql学点，统
: 计学点，分布式计算也会学点，商业智能也会有涉及到。学得比较杂哈，据说是完全以
: 就业为导向的，相当于职前培训。所以大部分项目的时间都只是一年。这样的话就担心
: 一年学不到时间太紧，学不到什么东西，而且一年口语都可能还没有练好。而且总感觉
: 这种data scientist或者data analyst的偏向研究的职位应该比搞程序设计开发的少吧
: 。所以就想着直接转CS了算了，这个行业的薪水和就业前景很令我们这种烂专业的人眼
了. 熟悉R和SAS么？
【在 Q*******1 的大作中提到】
: 我本科是应数的，数学课其实也修的不多，离散数学都没学过。计算机的课程也只学了
: C语言程序设计，和一门算法与程序设计基础。统计的课程倒是修了不少，多元统计，
: 回归分析，时间序列分析等。一开始打算申请统计的，但是考虑到统计的就业不好，就
: 没那个打算了。最近知道了个吵得比较热的叫data science或者叫analytics的专业。
: 但是怕这个专业会全部被据。那个专业就是数据挖掘学点，数据库sql和nosql学点，统
: 计学点，分布式计算也会学点，商业智能也会有涉及到。学得比较杂哈，据说是完全以
: 就业为导向的，相当于职前培训。所以大部分项目的时间都只是一年。这样的话就担心
: 一年学不到时间太紧，学不到什么东西，而且一年口语都可能还没有练好。而且总感觉
: 这种data scientist或者data analyst的偏向研究的职位应该比搞程序设计开发的少吧
: 。所以就想着直接转CS了算了，这个行业的薪水和就业前景很令我们这种烂专业的人眼
Q*1
60 楼
R还行，和matlab以及其他一些语言的语法啥的挺像的。像sas这个语言总感觉不好用啊
，而且也不好学，就没有学了。
，而且也不好学，就没有学了。
Q*1
61 楼
对了，我也知道转data science会好转点，但是问题是读个这种硕士会比读CS好找工吗？
【在 h*h 的大作中提到】
: 你除了coding弱点其他很适合data science，赶紧学学python，java和map reduce就好
: 了. 熟悉R和SAS么？
【在 h*h 的大作中提到】
: 你除了coding弱点其他很适合data science，赶紧学学python，java和map reduce就好
: 了. 熟悉R和SAS么？
h*h
62 楼
够了，要会python或者类似的脚本manipulate data，做parsing。
我们这里有R就可以做POC了，剩下的交给developer写SAS 和 map reduce好了。
不过G家的那边的牲口们好像都是从头到尾自己写。所以人家钱多啊。
【在 Q*******1 的大作中提到】
: R还行，和matlab以及其他一些语言的语法啥的挺像的。像sas这个语言总感觉不好用啊
: ，而且也不好学，就没有学了。
我们这里有R就可以做POC了，剩下的交给developer写SAS 和 map reduce好了。
不过G家的那边的牲口们好像都是从头到尾自己写。所以人家钱多啊。
【在 Q*******1 的大作中提到】
: R还行，和matlab以及其他一些语言的语法啥的挺像的。像sas这个语言总感觉不好用啊
: ，而且也不好学，就没有学了。
h*h
63 楼
不好说，CS的照样可以做data science。我觉得不如老实呆在CS或者统计，然后有针对
性的选课，相关project太重要了。一定不能怕麻烦，要从头到尾把system install,
data cleaning, model building, model tuning, performance optimization 全跟下
来。
吗？
【在 Q*******1 的大作中提到】
: 对了，我也知道转data science会好转点，但是问题是读个这种硕士会比读CS好找工吗？
性的选课，相关project太重要了。一定不能怕麻烦，要从头到尾把system install,
data cleaning, model building, model tuning, performance optimization 全跟下
来。
吗？
【在 Q*******1 的大作中提到】
: 对了，我也知道转data science会好转点，但是问题是读个这种硕士会比读CS好找工吗？
b*h
64 楼
倒过来吧
应该是data mining工作太多招不到人
【在 Q*******1 的大作中提到】
: 意思是说我应该就申请data science专业，没必要转CS是吧。 主要是现在搞data
: mining的人太多了，怕到时找不到工作。
应该是data mining工作太多招不到人
【在 Q*******1 的大作中提到】
: 意思是说我应该就申请data science专业，没必要转CS是吧。 主要是现在搞data
: mining的人太多了，怕到时找不到工作。
Q*1
65 楼
倒过来的意思是应该读CS而不应该读data science吧。话说data science不就是学数据
挖掘之类的课程吗？
【在 b****h 的大作中提到】
: 倒过来吧
: 应该是data mining工作太多招不到人
挖掘之类的课程吗？
【在 b****h 的大作中提到】
: 倒过来吧
: 应该是data mining工作太多招不到人
Q*1
66 楼
有针对性的选课就是指如果是统计就多学点data mining ，ml之类的，如果是计算机就
多学点统计之类的？项目的话我看很多data science的介绍就是说会有很多工业界实用
的project作业。好像还请专门的在IT公司的人来讲课，还拿到谷歌 facebook之类的公
司的数据库权限，让学生使用。
【在 h*h 的大作中提到】
: 不好说，CS的照样可以做data science。我觉得不如老实呆在CS或者统计，然后有针对
: 性的选课，相关project太重要了。一定不能怕麻烦，要从头到尾把system install,
: data cleaning, model building, model tuning, performance optimization 全跟下
: 来。
:
: 吗？
多学点统计之类的？项目的话我看很多data science的介绍就是说会有很多工业界实用
的project作业。好像还请专门的在IT公司的人来讲课，还拿到谷歌 facebook之类的公
司的数据库权限，让学生使用。
【在 h*h 的大作中提到】
: 不好说，CS的照样可以做data science。我觉得不如老实呆在CS或者统计，然后有针对
: 性的选课，相关project太重要了。一定不能怕麻烦，要从头到尾把system install,
: data cleaning, model building, model tuning, performance optimization 全跟下
: 来。
:
: 吗？
Q*1
67 楼
F是指脸谱，G是指谷歌，所以flg泛指一切大型互联网公司喽。那SDE是指小型的IT公司
？这些小型的互联网公司会对人的要求小点，所以找这种公司的工作会好点哈。
【在 R********n 的大作中提到】
: 一种所谓的data science就是以前的data analyst或者business analyst派生出来的，
: 这个CS的人不会去做且待遇也低。还有就是基于CS的machine learning／big data，这
: 个如果在FLG这个级别公司，不错学校的CS PhD都不容易进去，整体opening非常少
: 当然还有些两者之间的，比如会接触到data的SDE，这种在G，F等不少，但对人的要求
: 和其他SDE区别不大
？这些小型的互联网公司会对人的要求小点，所以找这种公司的工作会好点哈。
【在 R********n 的大作中提到】
: 一种所谓的data science就是以前的data analyst或者business analyst派生出来的，
: 这个CS的人不会去做且待遇也低。还有就是基于CS的machine learning／big data，这
: 个如果在FLG这个级别公司，不错学校的CS PhD都不容易进去，整体opening非常少
: 当然还有些两者之间的，比如会接触到data的SDE，这种在G，F等不少，但对人的要求
: 和其他SDE区别不大
l*k
68 楼
只要一招鲜就够了。有两招更好。
CS强的, 好歹还能招到。
Stats强的，做statistician, data scientist, quantitative analyst，想招都招不
到。
CS和Stats都强的，那是工作招你，还都是FLG级别的工作在找你。
学Data science之类的新专业关键在于别被学校忽悠了。如果只是做BI，还不如去学统
计或CS。
CS强的, 好歹还能招到。
Stats强的，做statistician, data scientist, quantitative analyst，想招都招不
到。
CS和Stats都强的，那是工作招你，还都是FLG级别的工作在找你。
学Data science之类的新专业关键在于别被学校忽悠了。如果只是做BI，还不如去学统
计或CS。
h*h
69 楼
同意，其实CS满大街，我们招data engineer当然找CS，但是本科足矣。我们招DS更喜
欢懂电脑的统计专业的人。
如果还在统计系最好就不要转，注意下time series, data mining, bayesian
statistics这些东西，自己学学脚本，学学编程。
【在 l*****k 的大作中提到】
: 只要一招鲜就够了。有两招更好。
: CS强的, 好歹还能招到。
: Stats强的，做statistician, data scientist, quantitative analyst，想招都招不
: 到。
: CS和Stats都强的，那是工作招你，还都是FLG级别的工作在找你。
: 学Data science之类的新专业关键在于别被学校忽悠了。如果只是做BI，还不如去学统
: 计或CS。
欢懂电脑的统计专业的人。
如果还在统计系最好就不要转，注意下time series, data mining, bayesian
statistics这些东西，自己学学脚本，学学编程。
【在 l*****k 的大作中提到】
: 只要一招鲜就够了。有两招更好。
: CS强的, 好歹还能招到。
: Stats强的，做statistician, data scientist, quantitative analyst，想招都招不
: 到。
: CS和Stats都强的，那是工作招你，还都是FLG级别的工作在找你。
: 学Data science之类的新专业关键在于别被学校忽悠了。如果只是做BI，还不如去学统
: 计或CS。
j*l
70 楼
前几天遇到一个本科数学硕士金融统计的小硕。毕业在投行干了几个月觉得不爽，跳到
一个big data 公司去了，做data analysis, 天天上班用eclipse.
因为他是stanford的，google一开始联系他不乐意，还非得去现在的这个公司。
他是法国人，在瑞士长了八年，美国读的本硕。问他为什么不回瑞士，说在瑞士大家都
从事金融行业，但是大家工资差不多。在美国更有机会发财。
哎，投行也不如big data啊这年头。
一个big data 公司去了，做data analysis, 天天上班用eclipse.
因为他是stanford的，google一开始联系他不乐意，还非得去现在的这个公司。
他是法国人，在瑞士长了八年，美国读的本硕。问他为什么不回瑞士，说在瑞士大家都
从事金融行业，但是大家工资差不多。在美国更有机会发财。
哎，投行也不如big data啊这年头。
Q*1
71 楼
照这么看的话，统计的就业也不是太差啊。怎么听别人都说读统计的金融公司好多金融
公司直接不要F1的，进药厂最近几年药厂很不景气到处在裁员也不好进。
【在 h*h 的大作中提到】
: 同意，其实CS满大街，我们招data engineer当然找CS，但是本科足矣。我们招DS更喜
: 欢懂电脑的统计专业的人。
: 如果还在统计系最好就不要转，注意下time series, data mining, bayesian
: statistics这些东西，自己学学脚本，学学编程。
公司直接不要F1的，进药厂最近几年药厂很不景气到处在裁员也不好进。
【在 h*h 的大作中提到】
: 同意，其实CS满大街，我们招data engineer当然找CS，但是本科足矣。我们招DS更喜
: 欢懂电脑的统计专业的人。
: 如果还在统计系最好就不要转，注意下time series, data mining, bayesian
: statistics这些东西，自己学学脚本，学学编程。
z*e
72 楼
你确定你说的不是生物统计吗？
【在 Q*******1 的大作中提到】
: 照这么看的话，统计的就业也不是太差啊。怎么听别人都说读统计的金融公司好多金融
: 公司直接不要F1的，进药厂最近几年药厂很不景气到处在裁员也不好进。
【在 Q*******1 的大作中提到】
: 照这么看的话，统计的就业也不是太差啊。怎么听别人都说读统计的金融公司好多金融
: 公司直接不要F1的，进药厂最近几年药厂很不景气到处在裁员也不好进。
Q*1
73 楼
各个行业都有牛人，我这种普通人自然不能够比。
【在 j*****l 的大作中提到】
: 前几天遇到一个本科数学硕士金融统计的小硕。毕业在投行干了几个月觉得不爽，跳到
: 一个big data 公司去了，做data analysis, 天天上班用eclipse.
: 因为他是stanford的，google一开始联系他不乐意，还非得去现在的这个公司。
: 他是法国人，在瑞士长了八年，美国读的本硕。问他为什么不回瑞士，说在瑞士大家都
: 从事金融行业，但是大家工资差不多。在美国更有机会发财。
: 哎，投行也不如big data啊这年头。
【在 j*****l 的大作中提到】
: 前几天遇到一个本科数学硕士金融统计的小硕。毕业在投行干了几个月觉得不爽，跳到
: 一个big data 公司去了，做data analysis, 天天上班用eclipse.
: 因为他是stanford的，google一开始联系他不乐意，还非得去现在的这个公司。
: 他是法国人，在瑞士长了八年，美国读的本硕。问他为什么不回瑞士，说在瑞士大家都
: 从事金融行业，但是大家工资差不多。在美国更有机会发财。
: 哎，投行也不如big data啊这年头。
Q*1
74 楼
我当然说的不是生物统计，生物统计就业更加受限。统计的可以找生物统计的工作啊。
【在 z****e 的大作中提到】
: 你确定你说的不是生物统计吗？
【在 z****e 的大作中提到】
: 你确定你说的不是生物统计吗？
Q*1
75 楼
怎么确定是否被学校坑了。给你看一个学校的课程表，你看看会不会被坑呢。
%%%%%%%%%%%%%%%这个是bgsu的课程设置
Fall
MSA 5020 Regression Analysis
MSA 5400 Database Management
MSA 5470 Exploratory Data Analysis
MSA 6010 Decision Optimization
MSA 6701 Analytics Project I
Spring
MSA 5160 Time-Series Analysis and Forecasting
MSA 5600 Business Intelligence
MSA 6440 Data Mining
MSA 6500 Big Data Analytics
MSA 6702 Analytics Project II
Summer
MSA 6450 Advanced Data Analytics
MSA 6600 Project Management
MSA 6703 Analytics Project III
%%%%%%%%%%%%%这个是SIT的
BI&A CORE (30 credits)
Organizational Context
MGT 615 Financial Decision Making
Database and Data Warehousing
Show MIS 630 Data Management
This course focuses on data and database management, with an emphasis on
modeling and design, and their application to decision support. The course
is organized around the following general themes: Strategic Data Planning,
Data Governance, Enterprise Data Integration, Data Management Approaches,
Data Design for Transaction Processing vs. Decision Support, Data Management
Functions, Abstraction and Modeling, Data© and Information Modeling (
ER, Object©oriented), Database Schemas (Conceptual Schema), Database
Design (Functional Dependencies and Normalization), Query languages (SQL,
DDL, QBE), Metadata Development and Application, Data Quality Approaches,
Master and Reference Data Management (e.g., Customer and Product Data), Data
, Analytics, and Business Performance, Introduction to Data Warehousing,
OLAP, OLTP, and Data Mining, Strategic Data Policies and Guidelines (e.g.
Enterprise Data and Integration, Governance, Markets, Customers, and
Competitors, Leadership, Analysts and Knowledge Worker Skills and Training,
Communities of Analysts). There are numerous case studies and modeling
projects throughout the course.
Show MIS 636 Data Warehousing and Business Intelligence
This course focuses on the design and management of data warehouse (DW) and
business intelligence (BI) systems. The course is organized around the
following general themes: Analytics & Competitive Advantage (Internal and
External Processes, Customer and Competitor Intelligence), Business
Intelligence and Industry Value Chains, BI Systems life©cycle,
Enterprise Planning, Project Management, Business Requirements, Architecture
, Tool Selection, Data Design (Star©schema, Surrogate Keys, ODS, Real
169;time, Partitioned Tablespaces, Aggregations, MDDB (Cube Design),
Conformed Dimensions), Methods for Tracking History, Implementation (ETL,
Data Staging, and Physical Design), Data Visualization Techniques and
Applications, BI Application Development (includes Portal and Dashboard
Design), Complex Query Design, Deployment, Maintenance and Growth, and
Emerging Issues. There are numerous case studies, class exercises, homeworks
, and an end©to©end BI design project.
Optimization and Risk Analysis
Show BIA 650 Process Analytics and Optimization
This course covers basic concepts in optimization and heuristic search with
an emphasis on process improvement and optimization. The focus will be on
the development of modeling skills rather than on the mathematics of
optimization algorithms. While the skills developed in this course can be
applied to a very broad range of business problems, the practice examples
and student exercises will focus on the following areas: transportation,
logistics and supply chain optimization, capital budgeting, asset management
, portfolio analysis. Most of the student exercise will involve the use of
Microsoft Excel¡ˉs ¡°Solver¡± add©on package. A final
module of the course covers the analysis of workflow logs and the
fundamentals of process data mining.
Show BIA 670 Risk Management: Methods and Applications
Provides an overview of risk management theory and practice. The
relationship between probability and risk will be discussed with an
introduction to the concept of Value At Risk (VAR). Coverage includes
decision trees and their application to project evaluations. Examples are
provided in the areas of Market Risk, Operations Risk, Credit Risk, and
Management Incentive risk and the Agency problem.
Statistics
Show BIA 652 Multivariate Data Analytics
This course focuses on understanding the basic methods underlying
multivariate analysis through computer applications using R. Multivariate
analysis is concerned with datasets that have more than one response
variable for each observational or experimental unit. Topics covered include
principal components analysis, factor analysis, structural equation
modeling, multidimensional scaling, correspondence analysis, cluster
analysis, multivariate analysis of variance, discriminant function analysis,
logistic regression, and other methods used for dimension reduction,
pattern recognition, classification, and forecasting. Through class
exercises and a project, students apply these methods to real data and learn
to think critically about data analysis and research findings.
Show BIA 654 Experimental Design
This course covers fundamental topics in experimentation including
hypothesis development, operational definitions, reliability and validity,
measurement and variables, as well as design methods, such as sampling,
randomization, and counterbalancing. The course also introduces the analysis
associated with various experiments because designing good experiments
involves thinking about how to analyze the obtained data. Experiments test
cause©effect relationships; this course has very broad applications
across all the natural and social sciences. At the end of the course,
students present a project, which consists of designing an experiment,
collecting data, and trying to answer a research question.
Data Mining and Machine Learning
Show MIS 637 Knowledge Discovery in Databases
This course focuses on data mining and knowledge discovery methods, models,
and algorithms, and their applications in solving real world business and
operation problems. We concentrate on demonstrating how discovering the
hidden knowledge in databases will help managers make near real©time
intelligent business and operation decisions. The course is organized around
the following general themes: End©to©End System Approach to Data
Mining and Knowledge Discovery, Data Preprocessing (advanced), Linear
Regression, Logistic Regression, Business and Operations Applications, Data
Preprocessing (advanced), Min©Max Normalization, Z©Score
Standardization, Linear Regression, Logistic Regression, Association
Analysis, k©Nearest Neighbor Algorithm, k© Means Clustering
Algorithm, Model Evaluation Techniques, and case studies.
Show BIA 656 Statistical Learning & Analytics
This course introduces the most relevant algorithms of generative and
discriminative estimation. Main topics include autoregressive and moving
average models, seasonality, long memory ARMA and unit root test, volatility
modeling, linear methods for classification, kernel methods, support vector
machines, Bayesian and Markovian graphical models, EM algorithm, inference,
sampling methods, latent variables, hidden Markov models, linear dynamical
systems, reinforcement learning, and ensemble methods (boosting, bagging and
random forests.) The course will also explore applications of the learning
algorithms to finance, marketing, and operations.
Social Network Analytics
Show BIA 658 Social Network Analytics
In this course, students will learn how to analyze social network data and
apply the analyses to develop marketing strategies. The course focuses on
network concepts, including graph©theoretic fundamentals, centrality,
cohesion, affiliations, equivalence, and roles, as well as design issues,
including data sampling and hypothesis testing. Theoretical areas covered
include embeddedness, social capital, homophily, and network growth. Another
focus of this course is on marketing applications of social network
analysis, in particular the use of knowledge about network properties and
behavior, such as hubs and paths, the robustness of the network, and
information cascades, to better broadcast products and search targets After
taking this course, students should be able to statistically analyze and
describe large scale networks, model the evolution of networks, and apply
the network analyses to marketing research.
Show BIA 660 Web Analytics
In this course, students will learn through hands©on experience how to
extract data from the web and analyze web©scale data using distributed
computing. Students will learn different analysis methods that are widely
used across the range of internet companies, from start©ups to online
giants like Amazon or Google. At the end of the course, students will apply
these methods to answer a real scientific question or to create a useful web
application.
Industry Practicum
Show BIA 686 Applied Analytics in a World of Big Data
Business intelligence and analytics is key to enabling successful
competition in today¡ˉs world of ¡°big data¡±. This course
focuses on helping students to not only understand how best to leverage
business intelligence and analytics to become more effective decision makers
, making smarter decisions and generating better results for their
organizations. Students have an opportunity to apply the concepts,
principles, and methods associated with four areas of analytics (text,
descriptive, predictive, and prescriptive) to real problems in an
application domain associated with their area of interest.
BI&A ELECTIVE COURSES (6 credits)
Choose 2 courses with the approval of a faculty advisor:
Show BIA 656 Statistical Learning & Analytics
This course introduces the most relevant algorithms of generative and
discriminative estimation. Main topics include autoregressive and moving
average models, seasonality, long memory ARMA and unit root test, volatility
modeling, linear methods for classification, kernel methods, support vector
machines, Bayesian and Markovian graphical models, EM algorithm, inference,
sampling methods, latent variables, hidden Markov models, linear dynamical
systems, reinforcement learning, and ensemble methods (boosting, bagging and
random forests.) The course will also explore applications of the learning
algorithms to finance, marketing, and operations.
Show BIA 672 Marketing Analytics
Covers marketing analytics techniques such as segmentation, positioning, and
forecasting, which form the cornerstone of marketing strategy in industry.
Students will work on cases and data from real companies, analyze the data,
and learn to present their conclusions and make strategic recommendations.
Show BIA 674 Supply Chain Analytics
Introduces the tactical and strategic issues surrounding the design and
operation of supply chains, to develop supply chain analytical skills for
solving real life problems. Topics covered include: supplier analytics,
capacity planning, demand-supply matching, sales and operations planning,
location analysis and network management, inventory management and sourcing.
Show BIA 676 The Internet of Things
Somewhere between 2008 and 2009, the number of ¡°things¡±
connected to the Internet exceeded the number of people connected. By 2020,
several tens of billions of devices are predicted to be connected. A simple
definition of the Internet of Things (IoT) is that it is a self-configuring
wireless network of sensors whose purpose is to interconnect ¡°all
161;± things, including everyday and industrial objects. This course will
overview IoT architectures, enabling technologies, and management and
commercial applications.
Show BIA 678 Big Data Seminar
Classes will cover Big Data from the point of view of technology,
applications, and governance. Invited industry speakers will discuss the
latest technology advances. Requirements include semester-long, team project
using Big Data technology (such as Hadoop) and a large data set to be
selected.
Show BIA 702 Curriculum Practical Training
This course involves an educationally relevant practical assignment that
augments the academic content of the student¡ˉs program. Students
engage in a project in a company project related to the focus of their
academic program. The project is conducted under the supervision of a
faculty advisor and an industry mentor. During the semester, the student
must submit written progress reports and at the end of the semester, a
detailed written report that describes his/her activities and knowledge
gained during that semester. This is a one-credit course that may be
repeated up to a total of three credits.
【在 l*****k 的大作中提到】
: 只要一招鲜就够了。有两招更好。
: CS强的, 好歹还能招到。
: Stats强的，做statistician, data scientist, quantitative analyst，想招都招不
: 到。
: CS和Stats都强的，那是工作招你，还都是FLG级别的工作在找你。
: 学Data science之类的新专业关键在于别被学校忽悠了。如果只是做BI，还不如去学统
: 计或CS。
%%%%%%%%%%%%%%%这个是bgsu的课程设置
Fall
MSA 5020 Regression Analysis
MSA 5400 Database Management
MSA 5470 Exploratory Data Analysis
MSA 6010 Decision Optimization
MSA 6701 Analytics Project I
Spring
MSA 5160 Time-Series Analysis and Forecasting
MSA 5600 Business Intelligence
MSA 6440 Data Mining
MSA 6500 Big Data Analytics
MSA 6702 Analytics Project II
Summer
MSA 6450 Advanced Data Analytics
MSA 6600 Project Management
MSA 6703 Analytics Project III
%%%%%%%%%%%%%这个是SIT的
BI&A CORE (30 credits)
Organizational Context
MGT 615 Financial Decision Making
Database and Data Warehousing
Show MIS 630 Data Management
This course focuses on data and database management, with an emphasis on
modeling and design, and their application to decision support. The course
is organized around the following general themes: Strategic Data Planning,
Data Governance, Enterprise Data Integration, Data Management Approaches,
Data Design for Transaction Processing vs. Decision Support, Data Management
Functions, Abstraction and Modeling, Data© and Information Modeling (
ER, Object©oriented), Database Schemas (Conceptual Schema), Database
Design (Functional Dependencies and Normalization), Query languages (SQL,
DDL, QBE), Metadata Development and Application, Data Quality Approaches,
Master and Reference Data Management (e.g., Customer and Product Data), Data
, Analytics, and Business Performance, Introduction to Data Warehousing,
OLAP, OLTP, and Data Mining, Strategic Data Policies and Guidelines (e.g.
Enterprise Data and Integration, Governance, Markets, Customers, and
Competitors, Leadership, Analysts and Knowledge Worker Skills and Training,
Communities of Analysts). There are numerous case studies and modeling
projects throughout the course.
Show MIS 636 Data Warehousing and Business Intelligence
This course focuses on the design and management of data warehouse (DW) and
business intelligence (BI) systems. The course is organized around the
following general themes: Analytics & Competitive Advantage (Internal and
External Processes, Customer and Competitor Intelligence), Business
Intelligence and Industry Value Chains, BI Systems life©cycle,
Enterprise Planning, Project Management, Business Requirements, Architecture
, Tool Selection, Data Design (Star©schema, Surrogate Keys, ODS, Real
169;time, Partitioned Tablespaces, Aggregations, MDDB (Cube Design),
Conformed Dimensions), Methods for Tracking History, Implementation (ETL,
Data Staging, and Physical Design), Data Visualization Techniques and
Applications, BI Application Development (includes Portal and Dashboard
Design), Complex Query Design, Deployment, Maintenance and Growth, and
Emerging Issues. There are numerous case studies, class exercises, homeworks
, and an end©to©end BI design project.
Optimization and Risk Analysis
Show BIA 650 Process Analytics and Optimization
This course covers basic concepts in optimization and heuristic search with
an emphasis on process improvement and optimization. The focus will be on
the development of modeling skills rather than on the mathematics of
optimization algorithms. While the skills developed in this course can be
applied to a very broad range of business problems, the practice examples
and student exercises will focus on the following areas: transportation,
logistics and supply chain optimization, capital budgeting, asset management
, portfolio analysis. Most of the student exercise will involve the use of
Microsoft Excel¡ˉs ¡°Solver¡± add©on package. A final
module of the course covers the analysis of workflow logs and the
fundamentals of process data mining.
Show BIA 670 Risk Management: Methods and Applications
Provides an overview of risk management theory and practice. The
relationship between probability and risk will be discussed with an
introduction to the concept of Value At Risk (VAR). Coverage includes
decision trees and their application to project evaluations. Examples are
provided in the areas of Market Risk, Operations Risk, Credit Risk, and
Management Incentive risk and the Agency problem.
Statistics
Show BIA 652 Multivariate Data Analytics
This course focuses on understanding the basic methods underlying
multivariate analysis through computer applications using R. Multivariate
analysis is concerned with datasets that have more than one response
variable for each observational or experimental unit. Topics covered include
principal components analysis, factor analysis, structural equation
modeling, multidimensional scaling, correspondence analysis, cluster
analysis, multivariate analysis of variance, discriminant function analysis,
logistic regression, and other methods used for dimension reduction,
pattern recognition, classification, and forecasting. Through class
exercises and a project, students apply these methods to real data and learn
to think critically about data analysis and research findings.
Show BIA 654 Experimental Design
This course covers fundamental topics in experimentation including
hypothesis development, operational definitions, reliability and validity,
measurement and variables, as well as design methods, such as sampling,
randomization, and counterbalancing. The course also introduces the analysis
associated with various experiments because designing good experiments
involves thinking about how to analyze the obtained data. Experiments test
cause©effect relationships; this course has very broad applications
across all the natural and social sciences. At the end of the course,
students present a project, which consists of designing an experiment,
collecting data, and trying to answer a research question.
Data Mining and Machine Learning
Show MIS 637 Knowledge Discovery in Databases
This course focuses on data mining and knowledge discovery methods, models,
and algorithms, and their applications in solving real world business and
operation problems. We concentrate on demonstrating how discovering the
hidden knowledge in databases will help managers make near real©time
intelligent business and operation decisions. The course is organized around
the following general themes: End©to©End System Approach to Data
Mining and Knowledge Discovery, Data Preprocessing (advanced), Linear
Regression, Logistic Regression, Business and Operations Applications, Data
Preprocessing (advanced), Min©Max Normalization, Z©Score
Standardization, Linear Regression, Logistic Regression, Association
Analysis, k©Nearest Neighbor Algorithm, k© Means Clustering
Algorithm, Model Evaluation Techniques, and case studies.
Show BIA 656 Statistical Learning & Analytics
This course introduces the most relevant algorithms of generative and
discriminative estimation. Main topics include autoregressive and moving
average models, seasonality, long memory ARMA and unit root test, volatility
modeling, linear methods for classification, kernel methods, support vector
machines, Bayesian and Markovian graphical models, EM algorithm, inference,
sampling methods, latent variables, hidden Markov models, linear dynamical
systems, reinforcement learning, and ensemble methods (boosting, bagging and
random forests.) The course will also explore applications of the learning
algorithms to finance, marketing, and operations.
Social Network Analytics
Show BIA 658 Social Network Analytics
In this course, students will learn how to analyze social network data and
apply the analyses to develop marketing strategies. The course focuses on
network concepts, including graph©theoretic fundamentals, centrality,
cohesion, affiliations, equivalence, and roles, as well as design issues,
including data sampling and hypothesis testing. Theoretical areas covered
include embeddedness, social capital, homophily, and network growth. Another
focus of this course is on marketing applications of social network
analysis, in particular the use of knowledge about network properties and
behavior, such as hubs and paths, the robustness of the network, and
information cascades, to better broadcast products and search targets After
taking this course, students should be able to statistically analyze and
describe large scale networks, model the evolution of networks, and apply
the network analyses to marketing research.
Show BIA 660 Web Analytics
In this course, students will learn through hands©on experience how to
extract data from the web and analyze web©scale data using distributed
computing. Students will learn different analysis methods that are widely
used across the range of internet companies, from start©ups to online
giants like Amazon or Google. At the end of the course, students will apply
these methods to answer a real scientific question or to create a useful web
application.
Industry Practicum
Show BIA 686 Applied Analytics in a World of Big Data
Business intelligence and analytics is key to enabling successful
competition in today¡ˉs world of ¡°big data¡±. This course
focuses on helping students to not only understand how best to leverage
business intelligence and analytics to become more effective decision makers
, making smarter decisions and generating better results for their
organizations. Students have an opportunity to apply the concepts,
principles, and methods associated with four areas of analytics (text,
descriptive, predictive, and prescriptive) to real problems in an
application domain associated with their area of interest.
BI&A ELECTIVE COURSES (6 credits)
Choose 2 courses with the approval of a faculty advisor:
Show BIA 656 Statistical Learning & Analytics
This course introduces the most relevant algorithms of generative and
discriminative estimation. Main topics include autoregressive and moving
average models, seasonality, long memory ARMA and unit root test, volatility
modeling, linear methods for classification, kernel methods, support vector
machines, Bayesian and Markovian graphical models, EM algorithm, inference,
sampling methods, latent variables, hidden Markov models, linear dynamical
systems, reinforcement learning, and ensemble methods (boosting, bagging and
random forests.) The course will also explore applications of the learning
algorithms to finance, marketing, and operations.
Show BIA 672 Marketing Analytics
Covers marketing analytics techniques such as segmentation, positioning, and
forecasting, which form the cornerstone of marketing strategy in industry.
Students will work on cases and data from real companies, analyze the data,
and learn to present their conclusions and make strategic recommendations.
Show BIA 674 Supply Chain Analytics
Introduces the tactical and strategic issues surrounding the design and
operation of supply chains, to develop supply chain analytical skills for
solving real life problems. Topics covered include: supplier analytics,
capacity planning, demand-supply matching, sales and operations planning,
location analysis and network management, inventory management and sourcing.
Show BIA 676 The Internet of Things
Somewhere between 2008 and 2009, the number of ¡°things¡±
connected to the Internet exceeded the number of people connected. By 2020,
several tens of billions of devices are predicted to be connected. A simple
definition of the Internet of Things (IoT) is that it is a self-configuring
wireless network of sensors whose purpose is to interconnect ¡°all
161;± things, including everyday and industrial objects. This course will
overview IoT architectures, enabling technologies, and management and
commercial applications.
Show BIA 678 Big Data Seminar
Classes will cover Big Data from the point of view of technology,
applications, and governance. Invited industry speakers will discuss the
latest technology advances. Requirements include semester-long, team project
using Big Data technology (such as Hadoop) and a large data set to be
selected.
Show BIA 702 Curriculum Practical Training
This course involves an educationally relevant practical assignment that
augments the academic content of the student¡ˉs program. Students
engage in a project in a company project related to the focus of their
academic program. The project is conducted under the supervision of a
faculty advisor and an industry mentor. During the semester, the student
must submit written progress reports and at the end of the semester, a
detailed written report that describes his/her activities and knowledge
gained during that semester. This is a one-credit course that may be
repeated up to a total of three credits.
【在 l*****k 的大作中提到】
: 只要一招鲜就够了。有两招更好。
: CS强的, 好歹还能招到。
: Stats强的，做statistician, data scientist, quantitative analyst，想招都招不
: 到。
: CS和Stats都强的，那是工作招你，还都是FLG级别的工作在找你。
: 学Data science之类的新专业关键在于别被学校忽悠了。如果只是做BI，还不如去学统
: 计或CS。
c*a
76 楼
MSA 5020 Regression Analysis
BIA 652 Multivariate Data Analytics
BIA 656 Statistical Learning & Analytics
读统计一定要学啊
BIA 652 Multivariate Data Analytics
BIA 656 Statistical Learning & Analytics
读统计一定要学啊
Q*1
77 楼
每一个统计的硕士课程都有这几门课，所不同的是有的学校的统计硕士可能没有数据挖
掘或者机器学习的课程可以选。
【在 c*****a 的大作中提到】
: MSA 5020 Regression Analysis
: BIA 652 Multivariate Data Analytics
: BIA 656 Statistical Learning & Analytics
: 读统计一定要学啊
掘或者机器学习的课程可以选。
【在 c*****a 的大作中提到】
: MSA 5020 Regression Analysis
: BIA 652 Multivariate Data Analytics
: BIA 656 Statistical Learning & Analytics
: 读统计一定要学啊
i*0
78 楼
mark一下。情况跟lz有些许相似之处，农学博士毕业，找工作没问题，可是location不
理想。有一定的统计基础，研究生期间修过相关课程，而且自己最近自学在考sas的
certificate，所以想往统计转。身份没有问题，目前人在湾区所以申请了sjsu的统计
硕士，以后想往data analyst，business analyst转。
不知道大家没有从sjsu统计毕业的。或者在选课上有什么具体的建议。多谢了
理想。有一定的统计基础，研究生期间修过相关课程，而且自己最近自学在考sas的
certificate，所以想往统计转。身份没有问题，目前人在湾区所以申请了sjsu的统计
硕士，以后想往data analyst，business analyst转。
不知道大家没有从sjsu统计毕业的。或者在选课上有什么具体的建议。多谢了
c*h
79 楼
统计还不好就业，你让其他专业的人干什么去啊。。。
统计还可以去药厂，package给的巨好，bank insurance company也多得是去路。。。
【在 Q*******1 的大作中提到】
: 统计就业是比mfe，msf之类的好很很多，但是和CS还是差远了吧。而且统计要是没有找
: 到工作回国就傻逼了。国内统计更加垃圾。还不如读个mfe，msf回国去进金融公司。像
: 啥读个cs回国至少也能够那个起薪十多万。
统计还可以去药厂，package给的巨好，bank insurance company也多得是去路。。。
【在 Q*******1 的大作中提到】
: 统计就业是比mfe，msf之类的好很很多，但是和CS还是差远了吧。而且统计要是没有找
: 到工作回国就傻逼了。国内统计更加垃圾。还不如读个mfe，msf回国去进金融公司。像
: 啥读个cs回国至少也能够那个起薪十多万。
c*h
80 楼
哇塞，更得为生统正名了。。。楼主，你对统计各个行业都有点误解
生统其实很好，你一定不知道youtube他们用巨多survival analysis分析视频数据吧。
你可以搜下youtube data scientist的面试题，很多都有survival的东西
还有很多生统的方法被移植在各种数据分析和建模过程中
只不过在学校里，大家都只知道生统绕着genetic打转，其实那些方法用处大得很
【在 Q*******1 的大作中提到】
: 我当然说的不是生物统计，生物统计就业更加受限。统计的可以找生物统计的工作啊。
生统其实很好，你一定不知道youtube他们用巨多survival analysis分析视频数据吧。
你可以搜下youtube data scientist的面试题，很多都有survival的东西
还有很多生统的方法被移植在各种数据分析和建模过程中
只不过在学校里，大家都只知道生统绕着genetic打转，其实那些方法用处大得很
【在 Q*******1 的大作中提到】
: 我当然说的不是生物统计，生物统计就业更加受限。统计的可以找生物统计的工作啊。
s*3
81 楼
借人气顺路问一下大家选校问题：之前学的也是应用数学，还考过三门精算，可是工作
还是不好找。。。今年拿到了
1.Univ. of SF, 有个一年的 analytics项目，中间有安排实习，但是公司一般。
http://www.usfca.edu/management/analytics/courses/
2. UC Irvine的stat. 他们是一个information and computer science 学院分了三个
系。其中就有cs和stat. 感觉搭配不错，就是不知道找工作怎么样。
https://www.ics.uci.edu/dept/
3. Data sci @ USC. 这个结果没出来，也是在CS系的。 不太清楚。。可能拿不到
admission.
http://www.cs.usc.edu/academics/masters/msdata.htm
求问一下大家的建议。
还是不好找。。。今年拿到了
1.Univ. of SF, 有个一年的 analytics项目，中间有安排实习，但是公司一般。
http://www.usfca.edu/management/analytics/courses/
2. UC Irvine的stat. 他们是一个information and computer science 学院分了三个
系。其中就有cs和stat. 感觉搭配不错，就是不知道找工作怎么样。
https://www.ics.uci.edu/dept/
3. Data sci @ USC. 这个结果没出来，也是在CS系的。 不太清楚。。可能拿不到
admission.
http://www.cs.usc.edu/academics/masters/msdata.htm
求问一下大家的建议。
i*0
82 楼
其它两个不知道，但是我想第一个应该很好吧。就是不知道学费怎么收？
【在 s*****3 的大作中提到】
: 借人气顺路问一下大家选校问题：之前学的也是应用数学，还考过三门精算，可是工作
: 还是不好找。。。今年拿到了
: 1.Univ. of SF, 有个一年的 analytics项目，中间有安排实习，但是公司一般。
: http://www.usfca.edu/management/analytics/courses/
: 2. UC Irvine的stat. 他们是一个information and computer science 学院分了三个
: 系。其中就有cs和stat. 感觉搭配不错，就是不知道找工作怎么样。
: https://www.ics.uci.edu/dept/
: 3. Data sci @ USC. 这个结果没出来，也是在CS系的。 不太清楚。。可能拿不到
: admission.
: http://www.cs.usc.edu/academics/masters/msdata.htm
【在 s*****3 的大作中提到】
: 借人气顺路问一下大家选校问题：之前学的也是应用数学，还考过三门精算，可是工作
: 还是不好找。。。今年拿到了
: 1.Univ. of SF, 有个一年的 analytics项目，中间有安排实习，但是公司一般。
: http://www.usfca.edu/management/analytics/courses/
: 2. UC Irvine的stat. 他们是一个information and computer science 学院分了三个
: 系。其中就有cs和stat. 感觉搭配不错，就是不知道找工作怎么样。
: https://www.ics.uci.edu/dept/
: 3. Data sci @ USC. 这个结果没出来，也是在CS系的。 不太清楚。。可能拿不到
: admission.
: http://www.cs.usc.edu/academics/masters/msdata.htm
s*3
83 楼
学费大概3W多，我觉得唯一比较好的就是会有实习。。。这个对找工作还不错，而且地
点也不错
【在 i****0 的大作中提到】
: 其它两个不知道，但是我想第一个应该很好吧。就是不知道学费怎么收？
点也不错
【在 i****0 的大作中提到】
: 其它两个不知道，但是我想第一个应该很好吧。就是不知道学费怎么收？
Q*1
84 楼
你好，时隔一年多，我已经到美帝一个ds专业读了半年多，现在回看我当初发的帖子发
现，你建议我要学学贝叶斯统计。我现在正好在纠结是否要选这门课了。贝叶斯统计的
话，会很难。另外一门是software system design（软件工程主要用java）。所以不知
道你推荐我上这两门课的哪一门呢？
【在 h*h 的大作中提到】
: 同意，其实CS满大街，我们招data engineer当然找CS，但是本科足矣。我们招DS更喜
: 欢懂电脑的统计专业的人。
: 如果还在统计系最好就不要转，注意下time series, data mining, bayesian
: statistics这些东西，自己学学脚本，学学编程。
现，你建议我要学学贝叶斯统计。我现在正好在纠结是否要选这门课了。贝叶斯统计的
话，会很难。另外一门是software system design（软件工程主要用java）。所以不知
道你推荐我上这两门课的哪一门呢？
【在 h*h 的大作中提到】
: 同意，其实CS满大街，我们招data engineer当然找CS，但是本科足矣。我们招DS更喜
: 欢懂电脑的统计专业的人。
: 如果还在统计系最好就不要转，注意下time series, data mining, bayesian
: statistics这些东西，自己学学脚本，学学编程。
x*3
85 楼
贝叶斯统计不就是四则运算吗？很难吗？你可是数学专业的啊
【在 Q*******1 的大作中提到】
: 你好，时隔一年多，我已经到美帝一个ds专业读了半年多，现在回看我当初发的帖子发
: 现，你建议我要学学贝叶斯统计。我现在正好在纠结是否要选这门课了。贝叶斯统计的
: 话，会很难。另外一门是software system design（软件工程主要用java）。所以不知
: 道你推荐我上这两门课的哪一门呢？
【在 Q*******1 的大作中提到】
: 你好，时隔一年多，我已经到美帝一个ds专业读了半年多，现在回看我当初发的帖子发
: 现，你建议我要学学贝叶斯统计。我现在正好在纠结是否要选这门课了。贝叶斯统计的
: 话，会很难。另外一门是software system design（软件工程主要用java）。所以不知
: 道你推荐我上这两门课的哪一门呢？
y*k
86 楼
baysian都觉得很难的话你怎么做的了DS？
【在 Q*******1 的大作中提到】
: 你好，时隔一年多，我已经到美帝一个ds专业读了半年多，现在回看我当初发的帖子发
: 现，你建议我要学学贝叶斯统计。我现在正好在纠结是否要选这门课了。贝叶斯统计的
: 话，会很难。另外一门是software system design（软件工程主要用java）。所以不知
: 道你推荐我上这两门课的哪一门呢？
【在 Q*******1 的大作中提到】
: 你好，时隔一年多，我已经到美帝一个ds专业读了半年多，现在回看我当初发的帖子发
: 现，你建议我要学学贝叶斯统计。我现在正好在纠结是否要选这门课了。贝叶斯统计的
: 话，会很难。另外一门是software system design（软件工程主要用java）。所以不知
: 道你推荐我上这两门课的哪一门呢？
相关阅读
请问如何准备多线程问题OPT开始前能上班吗？CS其他领域有类似CLRS的经典吗？雇主说要sterling testing systems测试找公司的工作需要推荐信么？H4转H1B谁有经验？ --IBM中国软件开发的工资情况这个offer 要不要 重庆一个3流高校CS 找工作qq群，智力测试题目投完简历以后可以加hire manager的linkedin吗？急问，F-1转 H-1b多久通过 欢迎大家Update自己的CASE求助：硕士学位不符合h1b，只能用本科学历？问两道数字题G家HR发信说有结果了，问我什么时候方便接电话android developer needed (bay area)house/apt hunting round trip值得去吗？找工作心里很着急--情大家推荐在休斯顿的光学方面的公司OPT approved May 13 to July 8银行的assistant vice president 起薪有多少?onsite面试完毕，求offer祝福！:-)