学校停课没事做的肥宅来回个文 XD
我是 UIUC MSIM 即将毕业的学生。
学校的事情后面分享，我觉得选校系的时候，要先问自己：
“我要的是什么？”
“我的优先级是什么？”
我的看法是：
如果目标是找工作，学校课程越轻松越好，最好可以把时间都拿来自己练功。
如果目标是上课学到知识，要选对外系课程限制越低，选课时最能够选到 CS
跟 Stat 课程的学校。
如果两个都想要，那你可能是强者，至少我办不到 XD
强者请参考强者的建议，可以忽略我的
就你的描述，我猜测找到工作应该还是最重要的目标，
而且我假设这个工作应该会是科技业大厂或知名公司，
那么，在这个目标底下，有一些前提需要检查或努力：
你修过的程式课有深？
做过多少比较实际的 project？
有没有至少在台湾的业界工作或实习过，做 CS/Data 的工作？
（可能还有其他的，恳请版友协助补充）
这些前提帮助你检查履历是否过关，能不能在海投时通过 recruiter 的标准，
拿到至少是 OA 或第一轮面试。
如果过关，学校再乡下也没关系；如果没有过关，可能会需要选地点好一点的学校。
履历过了，后续面试各凭实力，以硕士入学找实习第二年秋季找正职的情况，
我觉得课程扎实并没有什么帮助，甚至有可能占用太多时间，拖累找工作的进度。
履历没过，地点好的学校可以帮助你找一些在地小公司或大厂约聘的简单打工，
获得内线消息和团队的喜爱，进而从兼职转正。
回到前提检查，我提的这些标准大多是一些个案的汇总，
以软件工作而言，我听到能拿到面试的人至少拥有以下一项：
1. 大学是 CS 背景
2. 修过 CS 重课并有能写出来的 project
//朋友的例子是 distributed system
//听到多起修过这门课的非 CS 学生履历过关，面试不断被问这门课的 project
3. 有在台湾做过 CS 或至少是 data engineering 的实习
4. 从学校附近没听过而且不给 return 不赞助 visa 的公司开始实习起，
一路往上实习换到大公司（基本上这条路也没什么时间唸书）
上述条件的朋友最后拿到实习或正职的公司包括：
Google, Tesla, Zillow
资料分析领域样本比较少，只能讲一下我自己的背景是：
1. 大学念三类组，毕业后自学 R
2. 台湾一年全职 SQL 经验+不同产业全职或兼职两年半资料分析经验
3. 技能树：R, Python, D3.js, SQL, mongoDB query（实习完之后加上 spark）
4. 有两个 data visualization project 放在 github 上可以直接看
申请职位偏向 analytics & visualization，不投 ML 职位
我海投拿到第一轮面试的知名公司包括：
Airbnb, Bloomberg, Financial Times, RStudio
暑假实习在湾区一家中型科技公司做 real-time visualization
正职还在努力中
那 UIUC MSIM 到底怎么样呢？
他是一所学费便宜、生活费低的学校，
program 本身则是废到不行，必修又无用又花时间，选修废到笑。
但他对我而言很棒，因为只要撑过必修，其他时间都可以拿来自己练功跟找工作，
学校的 CS 和 Stat 水准都还不错，选课也不算困难，不过会占用大量时间，
生活成本低，两年读下来花费大概是加州的一半。
不要看我把 program 说成这样，就误会他很烂
我综合朋友分享的心得是，现在号称跟 data 相关的科系，
可能有 87% 你去唸了之后都觉得课程很烂
在这个很新的领域，我觉得大家还没有共识哪些知识是该教的，哪些不是
也还没有有系统的建构先备知识跟进阶知识
除了那些非常向数学资工靠拢的 data science 科系之外
很多 data/IS 科系课程设计非常叠床架屋
对有基础的人来说，可能作业可以上课前 5 分钟开始做就做完
对没基础的人来说，每堂课都在教重复的东西，又教得不扎实，
很难循序渐进地学到业界需要的知识
更不用说能写在履历上被认可具备职缺需要的技能
所以最终 data 领域找工作还是各凭本事，
你会什么、做过什么 project，在业界环境做过什么样的 production
决定了能找到什么工作
最后分享一下我在 UIUC 修课的心得，我猜大致上也可以适用在其他美国的学校
CS / distributed system
上课是非常逻辑性的工程思考，我觉得完全不用 CS 背景也可以学习跟听懂
但 CS 课的重头戏是 MP 也就是 project（这什么废话）
我上的这学期有五个作业、三个 MP、两次期中考一次期末考
所以基本上就是无限轮回：作业-MP-期中
MP 截止日都在图书馆待到凌晨，作业截止前都在 TA hour 烦 TA
作业都写得出来，但 MP 基本上把我整死，还好同组美国小哥很罩 T_T
上 distributed system 的这学期我基本上没有心力做任何其他的事
这就是为什么我觉得扎实学习跟找工作其实颇互斥
Stat / statistical learning
这门课就是上经典 ML 书 ESL 的内容
但上课非常理论都在推倒，好像有七个作业两个 project（太痛苦根本已失忆）
作业说是作业其实都是用 R 或 Python 实作算法
每次都花掉我整个周末，写到生气
project 是处理很烦的高维度问题，资料又超大，我们最后根本放弃治疗
因为没有找 CS 工作，所以不确定 distributed system 对工作或面试帮助如何
但实习的时候有碰 spark 处理大量资料，觉得这门课的思考还是有帮助
statistical learning 则是比较直接的帮助，
因为相关知识很常出现在 data 职位的 OA 里
至于我们系上有着 data 甚至 programming 名称的相关课程
大部分都花时间在不太重要也对找工作没什么帮助的事情上
我的结论是：CS/Stat 重课比较能对找工作需要的技能有直接帮助
但相对的修这些课会花很多时间在
找工作比较用不到但可能也很重要的基础或分支知识上
系上开的废课有时也会出现浪费时间的课
但轻重搭配，或是放弃上课练功，全选轻课然后自学或狂实习可能也是有效率的方法
我们系上两位我很敬佩的同学，就采取后者的方式
MSIM 的 40 毕业学分中，允许有 12 学分修外系研究所的课
但他们应该是只修一门外系课或甚至不修，学分都花在不花时间的系上废课上
然后每个学期都实习，从当地小公司一路换到湾区，
连暑假都在上废物网络课补学分，最后提早毕业直接去做正职工作
我觉得有这决心跟执行规划的纪律非常厉害～
以上故事给你参考，祝大家健康平安～～～
※ 引述《KenSugo (书狗)》之铭言：
: 小弟本科经济，有修许多程式的课，但未来想做码农或是数据分析等相关工作，希望能于
: 就学期间能多修相关CS课程做好准备，最终目的希望能在美国找到工作，目前在纠结这3
: 所学校，希望板上大大能给小弟建议。
: 1.
: UIUC MSIM
: 优点：在iSchool学院下、提供四种职位导的向课程，选课非常灵活，可以修CS的相关课
: 程。
: 缺点：地理位置极差，离附近两个大城都要开车且要2小时以上，找工比较难
: 2.
: NEU MSDAE (data analytics)
: 优点：离纽约近，找工机会大，有co-op，运动风气好
: 缺点：排名不确定是否是刷的，名气较UIUC小，生活费三间里面最贵
: 3.
: Upitt MSIS
: 优点：课程偏CS，另外好像可以修CMU的课
: 缺点：爬文说好像是水课
: 原本是打算去NEU了，但是今天突然收到UIUC的ad，因此想问问看板上强者们的建议，关
: 于这三间学校的当地环境、就业情况的评价如何，谢谢