一. 项目介绍

课程方面：

上一篇帖子讲过，九月模块主要分为两部分：统计知识（R）和算法（Python）。这两部分内容学完之后就会正式进入core module，而sept  module里所学习的知识和编程会对这模块的学习十分有用。Core module分7部分，这学期会涉及五门课，另外的analytics in  business和visualization会在下学期同选修模块一起讲。


Optimization & Decision  Model：这门课其实相当于国内的运筹学，学习解决实际中的规划问题，主要讲线性问题、整数和binary问题，也包含一些简单的非线性问题（比如著名的资产组合优化）。授课教师Wolfram（可能很多open  day时候来campus  visit的同学都知道他）为人热情耐心，讲课思路明确，很善于化繁为简，虽然有点讲的太慢了23333。Wolfram每星期都会留一个比较challenging的作业（不计分的，做出来有奖品），  运筹学问题多接触一些就会发现其实是很锻炼思维的。工具使用方面，主要是excel solver和AMPL，目前已向programme  team建议python（scipy），所以明年也有可能变成excel+python的工具组合。个人很喜欢这门课的，我本科学过运筹学的线性问题，但感觉这门课讲的更好一些。


Statistics & Econometrics：计量经济学，也延续了sept  module里的统计课，主要集中在讲线性模型上，80%以上的时间都在研究线性回归，最后几个lecture简单的谈了逻辑回归模型。研究cross-sectional    data为主，没有太多涉及panal和时间序列。本门课的授课老师是中国人，耐心负责，但是，确实能看出中国讲师的风范。课程内容也十分理论化，对于BA项目来讲，确实太学院派了，琐碎的概念和知识很多很多。值得一提的是，因为这门课里讲了linear  regression和logistic，后面的machine learning课里就不讲了，这样是否合适，其实有待商榷。


Fundamentals of Database  Technologies：SQL课，顺便入门一下spark。授课老师是外面请来的，平时做deep  learning，人很牛逼但讲的确实不好。好在SQL很简单，同学们也就没有太绝望了。但SQL很重要很重要，平时多练习，还是有很大必要的。Spark讲的比较浅，选修中有一门会多讲。


Machine Learning：重头戏！模型主要讲了KNN， Navie Bayes，Decision Tree（简单谈及ensemble  learning）和K-means。由于是第一门ML，所以选择的模型基本都是最简单的。授课教师还是Wolfram，讲的十分透彻，所以虽然课程难度不是很大，但学起来非常扎实。编程语言要求R和Python都会做，R语言的ML函数基本来自己于各处，python则集中在sklearn里。另外，这门课作业留的比较好，像用naive    bayes预测垃圾邮件、分类树预测信用风险这些经典问题都涉及了，很贴近实际。写作业的过程不是单纯的找函数调包，而是需要真正去处理数据，很多次作业都涉及到了regular  expression和scrape。如果有兴趣，后面可以继续选择Advanced Machine  Learning，AML的授课方，是IC的data science institute，难度会大一些。


Network  Analytics：个人认为最难的一门课，主要讲graph。授课老师Kalyan是项目director，经常把自学是本门课的重要学习目标挂嘴边。上课比较随性，课程内容不是很结构化；作业总是一次比一次难，每次像学了一门新课一样。课程主要使用python中的networkx包，其实实际中还要自学很多的。整体来说，不是特别喜欢这门课，学的很难很广，但都是浅尝辄止。后面的选修课，比如digital  marketing和supply chain analytics会涉及到network的应用。

就业方面：

Sept module的时候，基本是一半时间上基础课一半参加career培训，找工作的气氛还是很高涨的。但是到了core module之后，课程难度和压力明显大了，一定程度上会压缩找工作的实际，这