Medium 好读版: https://bit.ly/3P4vz9t ------------------ [前言] 去年发了一篇录取心得文後得到了很多反馈，也有许多人来信聊聊自己的申请目标，蛮喜 欢这种分享帮助到人的过程，因此趁着现在学期结束实习开始前写一篇 Penn DS 的心得 ，记录一下这一年的经历，也希望藉此希望吸引更多台湾人申请这个 Program！ [背景] Education B.B.A. in International Business, National Taiwan University GPA: 4.00/ 4.30 (WES 3.88) Work Experience 一年正职 Data Analyst, 四段实习（一段与数据分析相关） [Program 介绍] Penn Data Science 的全名是 University of Pennsylvania, MSE in Data Science (DATS)，是 Penn Engineering 於 2017 年新成立的一个科系，主要优势在於其强大的修 课弹性，让每个学生都可以安排自己的课表。近几年科系本身也在不断调整课程制度，有 积极询问在读学生对必修课程的反馈，也持续增加 Pre-approved 选修课程清单，对学生 需求算是很有心解决 录取学生背景 DATS 近几年有扩招的趋势，加上从去年 Deferral 的硕班生大约有近一百位，从其他 Program 转系或双主修大约有 15 位，大学部学生 Submatriculation 大概有接近 50 位 。背景主要以 CS / Math / Stats 为主，但就我所知也有 Business / Econ / Fin / Engineering / Bio / Physics / Chem… 等背景的学生，有应届毕业生也有工作十年来 完成美国梦的人，相对一些 DS 科系来说背景比较多元，再加上 Penn 一直喜欢少量多次 发放录取，因此估计文书内容的重要性还是蛮高的。成绩背景上初步看起来 GPA 是蛮重要 的指标，有无 GRE 录取者但大部分人的 GRE 都不低，建议分数还是考高一点会比较有竞 争力。国籍分布上中印美三国大约各占 1/3，台湾人本届有三位。 课程安排 DATS 是 Semester 制度，十堂课毕业，可以决定一年半 (3322) 或两年 (334 or 343) 完成，课程安排主要分三个部分 1. Foundations：两堂课 (Intro to Programming, Linear Algebra)，若大学 有修过可以直接凭成绩单 Waive 掉 2. Core Requirement：三堂课 (Stats for DS, Big Data Analytics, Machine Learning) 3. Technical Electives：五堂课，主要分作以下八个 Bucket： a) Thesis/Practicum b) Biomedicine c) Social/Network Science d) Data-centric Programming e) Surveys and Statistical Methods f) Data Analysis, Artificial Intelligence g) Simulation Methods for Natural Science/Engineering h) Mathematical and Algorithmic Foundations 学生只要五门选修课中有横跨其中三个 Bucket 就可以毕业，若两门 Foundations 都 Waive 最多可以修到七门选修课程，粗略区分可以发现同学选课会分成以下方向 1. Software Engineering 路线：课程主要在 Bucket D, F, H 2. ML / DL 路线：课程主要在 Bucket D, E, F, H 3. Statistics 路线：课程主要在 Bucket C, E, F, H 4. 理论课路线：两学分可以选择 Thesis 找教授做论文 (Bucket A)，理论课集中在 Bucket E, F, G, H 选课的弹性是这个科系最大的特色，基本上可以选择所有 CIS, STATS, ESE, EMN 的课程 ，其他课号也没有问题（包含 Wharton），唯一的条件是课程本身需要跟 "Data" 有关系 ，而是否真的有关也是 Director 的主观判定，经验听下来基本上只要说得出这个课对你 的职涯有什麽帮助，Director 都会让你选。CIS / ESE 课程在选课优先顺位上 DATS 都 是 Tier 1，基本上想选都选得上。 选修课程的 Pre-approved List 也因应学生反馈有逐年在增加，近年增加了不少 Wharton OIDD, STAT 相关的课程，算是满足了很多人想蹭一蹭 Wharton 风采的梦想 (?) 有监於此，我个人其实很推荐商科背景且对 Data Science 有一定熟悉度的申请者可 以尝试看看这个科系，有需多 Business x Data 交叉的选课机会。 个人体验 Semester 1：必修课为主 CIS 590 Programming Languages & Techniques 因为大学没修过任何 CS 课程因此无法免修，主要涵盖 Python / Java 基本语法，对有 在写 Code 的人来说就是一堂帮助平衡找实习 loading 的水课，作业量偏大但不难 CIS 545 Big Data Analytics 一堂野心很大的课，课程主轴可以当成是在针对 Data Science 的做广泛的说明，基本上 整个数据专案的 Pipeline 都会接触，并在每一个主题结束会提及「想要深入了解这个部 分可以选 CIS XXX 课程」，基本上可以当成一个 High-level 的 Overview 课程。课程 中期开始以 SparkSQL 和 SparkML 为主轴，缺点是对 Apache 生态系着墨除了 Spark 外 都只有很粗略的带过，若想走 Data Engineer 这堂课程可能不太足够。若有 DS 背景作 业算轻松，但若无 DS 背景会觉得这门课相对发散，什麽都碰但什麽都学不深 ESE 542 Statistics for Data Science 涵盖范围蛮全面的 Stats 统计课程，前半段重点是 MLE/Likelihood Tests，中後半段会 带到 Regression/ Classification，最後提 Statistical Learning Theory。为人诟病 是作业跟考试难度和上课难度有落差，但整体来说是一个很好的 Stats 复习课程，作业 跟考试偏难但给分很甜 第一学期因为个人安排以找实习为目标，因此主要以 Loading 较低的必修课为主，让我 策略性地放更多重心在准备实习面试上，这个策略个人认为算是成功也让我在第一学期就 找到实习。 Semester 2：选修课为主 CIS 520 Machine Learning 以 Bishop's PRML 为核心的 ML 理论课，作业和考试皆以数学推导为主，借教授说法是 一堂未来想利用 ML 做研究的人必须上的 ML 入门课，很适合对 ML 有基本概念想要深入 了解理论的学生，不适合想要做专案累积履历的人，作业量大但收获良多 MKTG/STAT 776 Applied Probability Models in Marketing 基本上是我这一年下来最喜欢的课程，整门课程以 Professor Fader 的论文为主，内容 涵盖 Timing, Counting, 和 Choice 三种情境下的机率模型和各种 Marketing 应用情境 ，课程中後期开始环绕在 Customer Lifetime Value 谈论教授毕生的核心研究，是一堂 以 Empirical Bayes 为主干的课程，对想以 Marketing DS 方向为目标的我来说是非常 重要且收获满满的一门课 STAT 927 Bayesian Statistics PhD Level 的传统贝式统计课程，课程主体就是 Andrew Gelman 的 Bayesian Data Analysis 这本书，一堂课一章节快速涵盖这本书的内容，是一门讲解清晰容易上手的 Bayesian 课程 第二学期开始以个人规划为主，这学期三门课程恰好都跟 Probabilistic Modeling 有很 深的关系，上一学期的 ESE 542 帮我重新打了一个很好的基础，也让我三门课上起来有 很好的互补，学期间甚至出现一段时间三堂课都在讲 HMM 这种荒谬情况 XD 其他课程 以下随意罗列一下听过身边的朋友上过的课，主要是想让大家了解这个科系的多元可能性 ，以下课程都可以当选修，且如果 Foundations 全部免修最多可以修到七门选修！ 1. Software Engineering 路线：CIS 548 Operating Systems, CIS 555 Internet and Web Systems, CIS 505 Software Systems, CIS 502 Algorithms, CIS 550 Databases, etc 2. ML / DL 路线：CIS 521 Artificial Intelligence, CIS 530 Computational Linguistics, ESE 546 Principal of Deep Learning, CIS 581 Computer Vision, ESE 650 Learning in Robotics, ESE 514 Graph Neural Networks, etc. 3. Statistics 路线：STAT 920 Sample Survey Methods, STAT 921 Observational Studies, ECON 705 Econometrics, etc. 4. 理论课路线：MATH 513 Computational Linear Algebra, ENM 502 Numerical Methods, ESE 504 Optimization Theory, ESE 605 Convex Optimization, ESE 674 Information Theory, etc. 简言之：不怕你上！ [实习/全职就业情况] Disclaimer: 认识的人不多参考就好！ 根据 LinkedIn 上搜寻和 New Student Orientation 官方的资料，基本上这个 Program 找工作的状况非常不错，产业涵盖科技业、金融业、管顾业，职位部分也因为这个科系的 弹性涵盖了 Quant, DS, MLE, SWE, Consultant, DA,.etc. 以身边极少数认识的例子 来说，就有听到 Meta, Amazon, Netflix, Microsoft, Uber, LinkedIn, IBM 等科技业 ，金融业部分有听过 DE Shaw, Capital One, Amex, Bloomberg, JP Morgan 等，管顾部 分 MBB 都有听过，感受上不存在因为地理位置或学校非理工强校而比较不好找实习的问 题 有一点想说的是因为这个科系的弹性，大约有 20% 的学生主要还是以 SWE 为找 工作的方向，I-20 上是清楚的 "Computer Science" 所以身份不会有问题。悲观来看也 许可以说这代表 DS 还是相对难找工作，但乐观来看也可以说 Penn DS 给了你很大的舞 台，你想做什麽就去做什麽 Academic Field Study Penn Engineering 在 2021 Fall 正式启用了类似 Co-op 的制度叫 Academic Field Study，主要就是可以在第二年的 Fall Semester 进行 Full-time CPT 实习，条件是在 第一年必须修完六门课程并 GPA > 3.3。这个机会似乎还不是每个学生都知道，但我个人 在入学前就有先了解并且也试图寻找 Fall Internship 的机会，最後很幸运的也即将在 Summer / Fall 两个学期各做一段 Full-time internship 这项制度个人觉得有好有坏，优点是能体验不同类型美国公司文化，了解不同 Data Science 工作内容的偏好，并在最後一个学期针对自己感兴趣的方向再去选课；缺点是必 须要在最後一学期修四门课程，loading 应该会是不小，同时原本其实可以一年半就完成 也就因此延後到两年。话虽如此，对我这种转领域的学生来说，能有更实际的机会了解不 同 DS 面貌是很可贵的机会，因此如果有这个需求的同学照过来～ [课外体验] Penn 的研究生在体验上和大学部学生其实没有太多差异，校区相同且许多课程也是 cross-listed 在高年级大学部，因此有很多参与校园生活的机会。除了去各种 Community Group 活动拿免费用品跟 食物外，有几个很不错的 DS 相关资源值得大家留 意。 Wharton Analytics Fellows 这个 program 主要会配对一名 MBA 学生 + Engineering 硕士生担任 Lead，带着几位大 学部/硕士班学生帮客户做为期八周的专案，Final Presentation 来的都是 Senior Manager 以上的主管，是一个很有挑战性的专案。过去两个学期我体验过两种不同身份 1. 从 Technical Lead 角度了解怎麽 Define & Scope Data Science 问题，去思考怎麽找 出适合客户的解决方案并分配任务，过程中也试着去学习如何做 Training 和 Code Review。这个经验让我从更高视角了解一个专案的进行方式，相较之前自己做 DS 专案更 能看到许多逻辑上的盲点，注意到更多先前从没注意到的细节 2. 从 Business Lead 角度了解怎麽定义 Deliverables，怎麽 Explain to non-technical people，怎麽从现有方案整合客户资源延伸到 Potential Impact。这个经验让我学到怎 麽跳脱了 Engineer 的思维去跟商业需求和应用做结合，对往往需要很多跨组合作的 DS 来说是个很珍贵的经验 Penn Data Science Group 说来惭愧因为太忙到後面有点淡出 XD 但这是一个校园内很不错的 Data Science 组织， 有 Journal Club 会定期有人分享有趣的 Paper，有 Kaggle Club 会定期组织一起参加 Kaggle 比赛，也有对客户的专案组协助客户解决问题（类似前面的专案但 run by student）即使没有太多时间参加各种专案，我觉得把自己泡在同温层中的过程也让我学 到很多，认识一些志同道合的战友，是一个很不错的资源！ Research Assistant Penn 绝大多数院所都排名在全美 Top 20 ，Program Coordinator 时不时会在 Piazza 上分享各系所研究助理的职缺，对於想踏入研究领域或是了解交叉应用的人来说是很好的 机会！这学期我参与了 Wharton Political Lab 的研究，主要做了一些 NLP 方向的分析 ，这样的应用对我来说也是开了我的眼界。如果你对 ML 研究很感兴趣，Penn 也有 PRiML 的研究资源 [适合人群] 说了这麽多，这个科系到底适不适合我呢？我认为这个 Program 适合以下类型的人： 1. 想要拓宽赛道、对自己方向有所规划的人：多元的选课让你有机会去尝试或 拓宽不同赛道，若有特别想精进的方向也有很多弹性让你自己量身定做课表 2. 想多结合商业应用的人：Wharton 的机会很丰富，DATS 也可以选很多相关的 Stats 课程，前面提到的 Wharton Analytics Fellows 也是我大推的一个学习管道 3. 想体验校园生活的人：Penn 很大资源很多，只怕你不去找！ 相反的，我认为这个 Program 相较不适合以下的人： 1. 初入 Data 领域，对目标还不太清晰的人：研究生并没有太多基础的课，可能会需要花 很多时间自己学习，且太自由的选课反而适得其反 2. 看重归属感或团体感的人：有些同学我一年下来都没有一起上过课，大家各有目标所以 也会稍微比较分散一些，团体感可能比较没有必修多的 Program 来的高 3. 重视地理位置的人：费城毕竟不是纽约和湾区，虽然是个大城市但当地机会和娱乐也相 对没这麽多 [结论] 没什麽结论，主要就是想推荐大家多多看一眼这个 Program！近年学校也开始新建新的 Data Science 大楼预计在 2024 启用，显示了学校对 Data Science 的重视，虽然目前 在 Data 方向上 Penn 的知名度没有其他理工强校这麽高，但我认为这个 Program 的弹 性和同侪素质都很不错，适合对 Data Science 有经验且想要自己安排课表的学生，期待 更多人来申请这个 Program！ 今年申请季也要快要开始了，如果想要聊聊的朋友欢迎搜寻之前申请心得文下的联系方式 跟我联络，很乐意帮助大家，祝大家申请顺利！ --

※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 71.230.161.115 (美国) ※ 文章网址: https://webptt.com/cn.aspx?n=bbs/studyabroad/M.1651898341.A.750.html