1 课程 technical 的问题

大家关心 technical 程度的问题应该主要在考虑是否能够为未来就业方向 data scientist/data analyst 打基础吧。这里来分享一下我在 MSBA 的课程体验：

从就业方向来看，无论是 DS 还是 DA,technical 方面的问题主要分为三大类，UCD 也相应的有对应课程： 


SQL: Mehul 的 Data Management
Python: 贯穿 Machine Learning
Statistics: Mehul 的 statistical exploration and inference; Prasad 的 advanced statistics
Machine Learning：Jorn 的 machine learning


对于日常主要做 analysis,matric monitoring,data engineering 的 data analyst 来说，面试问题比较基础，UCD 的课完全能够应付面试和未来工作的需求了。DS 的话各个公司的定义并不一样，有一些岗虽然叫 DS 但是做的是 DA 的事，而对于真正需要 develop algorithm 的 DS 来说，可能在 UCD 课程外需要再补充一些算法相关的知识和项目经验。

下面来具体介绍一下几个核心课程大概覆盖的知识范围：

Data Management: 基本的 query,进阶的有 window function 等，最后几节课还介绍了 graph database.
（吹爆 Mehul,是本人见过最负责任的老师，他的 ppt 逻辑非常清晰，属于有 ppt 可以不用听课那种，对之后找工作阶段回来复习非常有帮助）

Machine Learning: 对 ISLR 里的知识点进一步延伸，除了 regression, classification, causal inference 之外还有讲到neural network.课上常用的模型都有覆盖到，而且更重要的是，jorn 是做研究出身，对于每一种方法都有深厚的实践经验，所以能够教给我们每一种方法的适用范围和利弊，我觉得这个是看书学不到的东西。此外 jorn 自己也做了很多 industry 的项目，所以我们每次的作业都非常有实践性，比如做 NLP,做 causal inference,用户分群等等。教授人也非常非常 nice,即使课程结束了也很欢迎我们发邮件问问题。

Advanced Statistics: 教授 Prasad 是量化 marketing 的业界大佬，做过很多有名的研究，自己也出过书。他教给我们的东西是能够直接应用于 marketing 实践的。每一次课都会分成两个部分，前半部分讲理论，后半部分讲将理论应用到具体 case 的场景，实践性也非常强。有一次讲到 Kalmanfilter, 说这个模型可以应用到 practicum 的一个项目中，当时真的有豁然开朗的感觉！

个人感觉：虽然老师在课上讲了很多东西，但是无论是哪个项目，多好的课，都不可能在短短几节课的时间内完全掌握知识的方方面面和具体应用。功夫在课外。从这一点上来说，项目的老师上课更多的是教授思考方式，学习方向，而课外知识的补充，教授们也会推荐非常多高质量的阅读资料。

2 Practicum:

从我自身的体验出发，Practicum 最有价值的地方并不是在于提供了具体的项目让我们动手实践本身，而是在实践的过程中，有各个领域的教授的指导，这是在实习和工作中不可能有的经验。举个例子：我们有一个预测用户流失模型的项目，一开始团队摸不着头脑，不知道要用到哪方面的知识和模型。和教授探讨之后，教授指点了很多 survival analysis 的研究和经典模型，一下子让我们找到了方向。还有一个做研究剧场卖票的项目，团队想做一个 visualization,所以就问了教我们 visualization 的教授，教授直接亲手帮团队做了一个 demo 出来，见识到了专业级别的 viz 是长啥样。

另一方面，我觉得 Practicum 最有意思的地方在于，analytics 本身是个方法论，可以应用到各种不同的场景，解决各种各样的问题。比如我们有帮助游戏公司预测用户流失时间点的，有帮助 NASA 分析如何降低飞机事故率的，还有帮 e-commerce 分析销售数据的等等等等。我们有一节专门为 practicum 设置的课上大家都会上台展示各自团队在解决