距离我上次发申请总结帖一晃就2年了，时间过得真快。趁着今天心情正好，发一下我在CMU的学习经验，还有在美国的求职经历，以及我对MSBA / MIS最近几年的发展的观察，希望对后来人有所帮助。
本帖分以下几个部分：
1. CMU MISM学习经历
2. MISM课程推荐
2.1 针对咨询方向的课程推荐
2.2 针对数据科学方向的课程推荐
3. 找工作经历
3.1 咨询
3.2 数据科学
1. CMU MISM学习经历
我在2016年拿到了CMU MISM 21-month global track的录取，当年8月前往澳大利亚的南方首府阿德莱德学习。这是一个很小的“城市”，开车从一头到另一头不过区区20分钟。相比热闹喧嚣的墨尔本或者悉尼，这里可说是一个潜心学习的好地方了。阿德莱德气候宜人，附近有酒庄、农场、渔港，是个非常宜居的地方。每周末到中国城里的新鲜市场购买当地生产的水果蔬菜肉类是我们学习之余很不错的悠闲活动。
CMU在阿德的校区非常小，不过一栋3层小楼其中约一半的空间。学生人数也不多，当时约150人，其中大半是21-month track的同学。因此大家非常熟悉，周末去学校有一种高三当年一起自习的感觉。学校的员工也非常亲切，很乐意在各方面协助学生。
课程方面，第一年主要是学习必修课，大概分三类：
1. 技术类
Java, object oriented design and analysis, SQL, Statistics, basic operational research等
2. 经管类
accounting, economic, organization design, professional writing, professional speaking等
3. 选修类
我修了R, text analytics等
由于学生的背景不同，大家对课程的需求和评价差别比较大。CMU的学生一个很大的特征是想转向程序员的人数非常多，所以对于有些读计算机的同学来说，必修课显得有点鸡肋，很多人对经管类的课程并不感兴趣。而像我这样转专业的同学来说，经管类的课是重复了之前本科的学习，而且实际上想申请免修并不像技术课程那么容易，所以也是不太值得上的课。但是像professional speaking这门课我非常喜欢，学校专门请了校外专门作speaking training的一个导师来上，他平常是指导国会议员或者创业者如何做presentation的，因此很有经验，课也上得很棒，他教的一些技巧我到现在都一直在应用。
另外一个缺点是澳大利亚这边的师资跟课程与本校差距还是挺大的，不少课程需要远程上，因此效果会打个折扣。另外选修课程的选择很少。不过学校还是很乐意为同学们服务，对供不应求的课及时开了第二个时间段，这点我是很感激的。
实习因为不能到美国，基本中国同学都是回国实习为主，大概率都能进大型的互联网公司或者知名的创业公司，学校的支援有限，但是也有一点用处，我的实习就是透过学校找的。澳洲本地的机会也有，但澳洲没什么大型的IT公司，所以很多同学是进了政府部门做项目，据说体验一般。好处是实习工资挺高的，因为澳大利亚的最低工资水平甩美国几十条街。
另外一个我很喜欢这个项目的地方是它给了一个了解其他地方生活的机会，澳大利亚宜人的气候，优美的风光和相当不错的收入还是很吸引人的。有几个本来21-month的同学就转成了CMU Australia本地的项目，放弃到美国来了。
2017年就到了美国。老实讲，从生活水平上来说，21-month的同学99%都怀念澳洲，不过匹兹堡的师资／课程／设施真的非常强。第二年只有一门必修课，其他都是选修，所以可以根据自己的需求尽情选择想读的课程。MISM目前对选修CS department的课并无限制（虽然项目主任很不乐意），所以很多同学都会选4-5门CS的课，SDE主要以系统／前端／云计算为主，data类的就是数据挖掘／机器学习／编程，学有余力的同学也可以选进阶的NLP / deep learning等等，丰俭由人。相对于BIDA和16个月的项目，我们多一个学期，因此上课／找工作更从容，压力也比较小。不过来了的话还是要有吃苦的准备，学期最后3周每天睡4个小时这种就不提了。学校在这方面也考虑周到，校车+夜间小巴保证把你安全送回家，几乎全天24小时服务。
2. MISM课程推荐
这是我和Ginny（一位即将入职德勤咨询的气质美女）对自己上过的课里面比较适合咨询／数据科学的课程的推荐。由于CMU Heinz 和SCS因应同学和市场的要求还在不停地调整和开始新课程，选课时请结合实际情况。
2.1 针对咨询方向的课程推荐（感谢Ginny友情协助）
94808 Management Consulting：
课程中会4-5人一组，与真实的客户作项目。项目本身偏管理咨询，也有部分技术咨询的项目。这门课的特色是，随着老师每周一步一步地讲consulting project 的每个阶段，与客户的项目也进行到同样的阶段，所以可以随学随用，对课程内容的理解也加深了一层。课上会有一些讨论，也可以认识到一些其他院系的同学，还有一些工作中 part-time的同学，从和他们的交流中可以得到很多不同的insights. 适合希望了解咨询行业，走出自己圈子，又不想要太大课程压力的同学。
94800 Negotiation
这门课的老师很有意思，是一个心理学家。每周的课有不同主题，比如有关于negotiation技巧，商业道德，如何与雇主negotiate 薪水等。很多修过此课的人都说这是一门改变人生的课，因为它涵盖了小到生活中买东西，到与同学同事打交道，再到与公司等大机构之间的协商解决问题的能力。课程的作业是学生自己在生活中选择四个场景进行negotiation, (分别是 retail，service, school/work, relationship)，之后会提交自己对于此次negotiation的反思总结。适合希望提升沟通能力及团队合作能力的同学。
94803 Consulting Lab:
CMU阿德校区的课，课程很轻松，老师是Linda, 她是一位part-time adjunct professor, 有自己的consulting business, 这门课对初学者了解consulting流程有帮助，也会和班上的同学4-5人一组作项目，不过这个项目是虚拟的，不是和真实的客户，我们的任务是为他们做一个proposal 并做一个presentation, 是认识新同学，锻炼沟通能力的好机会。而且这位老师很好，也很愿意为出色的同学写linkedin 上的推荐。
94718 Strategic Presentation Skills
6周的时间完成主要两个任务，一个是有ppt辅助的报告，另一个是正式演讲（formal speech). 这六周的训练基本围绕这两个任务进行，期间会做大量的准备及训练工作（比如反复修改演讲稿，培训肢体语言和不同情境下需要使用的不同语气，这期间老师会给很多细致的feedback,一字一句的帮助提高演讲水平）。整个课程下来，对presentation 的技巧有了全面的了解，也完成了很多实践性质的演讲，对之后在各种小组作业中的presentation都有益处，增加信心。而且求职中很多公司都会有一些考察presentation skills的面试，比如我当时求职遇到一个case interview final round, 形式是单独看视频case 40分钟，手画ppt, 给面试官报告的，这门课对此类面试非常有益。
94702 Professional Writing
这门课的内容类似商业写作，主要以工作中的写作情景为主。比如作为公司领导者应如何写发给全公司的邮件，作为经理如何为下属提供考评及建议，作为下属如何用一页memo帮助经理准备会议。老师是在匹茨堡校区用视频给我们上课的，不过据说现在也有一些当地的老师了。老师很有热情，可以学到一些实用的写作技巧，比如如何将复杂的事情用简单明了的语言阐明。
94774 Business Process Modeling
这门课是关于如何优化机构中的业务流程建模并提高效率。课上会有大量的讨论，有一些case study (比如餐厅，医院如何提升效率）。作业不多，有两次quiz和一次期末考试，给分页还不错。课程后期会接触一些建模工具（Oracle’s BPM Suite 11gR1），分析一些简单的流程模型。
95866 Advanced Business Analytics
这门课注重商务分析建模，使用的工具是excel中的solver. 虽然使用的工具简单，但课程内容还是有难度的。需要一些统计基础。主要模型有when model （例如预测订阅用户何时退订服务）, count model （例如预测有多少用户会订阅服务）, choice model（预测用户行为）。适合想做business analyst, data analyst的同学。
2.2 针对数据科学方向的课程推荐
10601 Machine Learning （开设学院：SCS; 使用语言：C / Java / Python / Scala）
有多位老师开这个课，每个学期不同，讲的内容也不尽相同，我上的时候是Roni Rosenfeld.
Roni的课程有官网：https://www.cs.cmu.edu/~roni/10601/
讲授基础的机器学习算法，如linear regression / bayes / decision tree / clustering等。老师基本都是机器学习界的大牛，其中包括机器学习经典教材Machine Learning的作者Tom Mitchell。难度较大，对数理要求较高，另外课程和作业偏理论，学习完以后最好找一门其他课程做项目。
SCS还开设各类中高级机器学习课程，如10605 / 10701 / 10703等。想深入锻炼技术的同学可以考虑。
08722 Data Structures for Application Programmers （开设学院：SCS; 使用语言：Java）
由大名鼎鼎的Terry Lee教授开设，适合有Java基础的同学。
详细讲解常见的数据结构和算法，课程涵盖array / list / set / queue / hashmap / tree / sorting等常见的数据结构和算法。课程难度中等，老师上课很有激情，讲得也很好，很多细节是面试官喜欢考察的点。对于数据科学家而言，有必要了解数据结构和算法的差异来提高储存和运算效率。注意Heinz也有对应的课程 - 95-771 Data Structures and Algorithms
95869 Big Data & Large Scale Computing (开设学院：Heinz; 使用语言：Python)
由Leman Akoglu教授开设，主要讲如何使用Spark处理大规模数据，用的框架是PySpark，所以会Python就可以了。会讲解Hadoop跟Spark的原理，项目里涉及的算法是linear regression / logistic regression / PCA。老师上课的节奏很好，讲得也详细，做的项目挺有趣的，一个音乐年份预测，一个广告点击率CTR模型，面试的时候常被问到。
95791 Data Mining （开设学院：Heinz; 使用语言：R）（感谢Tina同学提供资料）
网站：http://www.andrew.cmu.edu/user/achoulde/95791/index.html
由Professor Alexandra Chouldechova (通常称为Professor C) 开设。Professor C是斯坦福统计学博士，讲课非常清楚有条理。课程内容覆盖数据挖掘技巧和一些基本的机器学习概念。具体内容有线性回归，各种分类器（Decision Tree, Naive Bayes, Logistic Regression, LDA, etc.）, Model Selection (AIC, BIC, Regularization) , Model Evaluation (ROC, AUC)，无监督学习(K-means)等。每周除了上课还会有lab，不过lab是不算分的。一个mini有五次作业，最后一次作业是optional，然后还有一个小组的final project。总的来说课程比较紧张，workload不算小。对R用得比较6的同学来说应该比较容易上手，但是R不太熟的同学可能需要换一点时间来学习。
95888 Data Focused Python（开设学院：Heinz; 使用语言：Python）
入门级python课，课程分为两部分，一是python的基本语法，另一部分是数据分析中常用的package (numpy, pandas, requests, beautifulsoup, SQLite, CSV, NLTK, NetworkX等）。适合没有接触过python又对数据分析感兴趣的同学。
95801 Data Mining Techniques（开设学院：Heinz; 使用语言：Python）
Heinz 的数据挖掘课，与95791 Data Mining 那门课不同的是这门课集中于unsupervised learning. 作业会使用jupyter notebook (Python). 内容涵盖 fast similarity search, frequent itemset, SVD, association rule, dimensionality reduction, clustering, outlier mining, link analysis, social network, data streams, text mining (topic modeling).
95885 Big Data and Data Science（开设学院：Heinz; 使用语言：Python）
数据科学及云端计算的入门课，课程内容很广泛但难度不大。写网络爬虫，常见机器学习算法，数据可视化，MapReduce, Pig, Spark都有涉及。课程有两个project，队友随机分配，2-3人一组，第一个project主要是数据可视化，注重分析insights和implications.第二个project是关于机器学习算法，自选数据集，并提升预测准确率。
3. 找工作经历
学习讲完了讲讲找工作的事。首先声明，这个经验仅针对从商科转向数据分析／数据科学的同学，如果不符合你的情况请勿对号入座。
首先要泼一下MSBA的同学们冷水。也许你们都看过麦肯锡关于数据科学家的需求那句名言，这也是目前MSBA各项目招生办最喜欢放在官网的“广告词”，但随着美国经济的进一步萎缩和特朗普关于移民的新政策，来之前一定要有思想准备，工作不那么好找了。很多往年招收国际生的公司今年都收紧政策或者缩减职位，这个对站在金字塔顶的优秀同学没什么影响，但对留学生整体的冲击还是很大的。
曾经CS专业躺着找工作，如今由于Amazon等大厂对SDE的缩招，大家纷纷转向Data这个门槛较低对CS友好的行业。而从课程的吻合角度来说，CS／数学／统计专业的同学是有先天优势的。至于另一个MSBA同学很喜欢的咨询行业，如今虽然也热衷开设各类的Analytic Consultant / Data Scientist职位，但同样，CS / 工程／有工作经验的印度同学会占据大部分的坑位。另外一个逐渐兴起的职位Data Analyst / Business Analyst, 对产品或者行业的理解要求较高，因此偏向招收至少1-2年相关经验的毕业生，对于缺乏工作经验的陆本同学并不友好。
说完了负面的新闻，是不是意味着不鼓励大家继续转MSBA专业呢？也不是的。从科班训练出来的同学还是有我们的优势，思考问题的方法论更加成熟，对工具（R / Python / SQL）的掌握也更全面。但是希望大家要有危机意识，从入学开始除了学习也一定要多为找工作做准备，即使不是马上有offer，积累一些校友人脉和面试经验，对不同行业多加了解，选择自己最适合的方向，这都需要长时间准备，不是一朝一夕的功夫。
下面是我找工作这一年觉得自己做得还不够好的地方，希望未来大家可以参考：
1. 把找工作作为一个长期工程，至少从毕业前1年开始启动。我个人的理解找工作并不是从投简历那一刻开始，而应该从对未来行业／工作内容的了解开始。但这是我观察很多中国学生比较少注意的地方。对行业的了解可以通过一下几个渠道：学校举办的各类讲座、LinkedIn上加学长学姐聊天，读一些关于行业介绍的书籍等等。除了工作内容，更重要的是选择行业，要思考未来5-10年行业的发展是否能为个人带来足够的机遇。
2. 不管是刷题还是投简历，首先要明确自己找的职位类型，像我一开始就在咨询／数据科学家之间摇摆不定，浪费了不少时间。正确的做法应该是花1-2个月想好自己想从事的方向，然后努力去寻找工作机会。
3. 求职比申请更让人焦虑，也许好几个月都毫无反馈，这都是正常的，关键是要持之以恒，保证每天投简历／面试的数量，多投才有机会。对于工作机会不完全符合自己背景的也要投，争取每一个电话面试，练练口语，学学求职的礼仪，这对最后获得offer都有作用。特别是自己比较心仪的公司，面试前一定要多准备，不要浪费机会。
4. 求职的渠道可以多样化，我买了LinkedIn的premium，主要投的渠道是学校career service / LinkedIn / Monster / Glassdoor / 校友同学搭线等。可以准备一些cover letter的模版和2-3句话的自我介绍，很多internal referral program会要求介绍人提交对被推荐人的了解，这时候就可以派上用场了。
5. 除了投美国职位，也关注一下国内各大公司的招聘时间
即使你一心想留美，也不要错过国内各大豪门如BAT的招聘时间线。如今BAT在美国都有招聘专场，开出的offer跟机会也不比美国差，多拿几个offer让自己有更多选择。即使不回国，练练面试也好啊。
6. 简历修改。这个就不多说了，改10遍，20遍，一边求职一边改，把最新的项目／实习及时更新在上面。另外注意LinkedIn profile要同步，美国这边HR还是喜欢看看的。
针对想找咨询和数据工作的同学，下面是我对找工作准备的一点个人建议，请轻喷：
3.1 咨询求职准备（此处向为我提供意见的Frank／Ginny表示感谢）
1. 了解管理咨询MBB／技术咨询 (data / system integration / ERP / information management) 的异同，决定自己求职的方向，也可以同时准备两边，区别不大。注意CMU 并不是传统管理咨询的target school，因此大部分同学从事的实际上是技术（IT）咨询。
2. 阅读行业书籍，如经典的the McKinsey Way、www.consultingcase101.com，看一下公司官网上的介绍和公布的相关行业的report，学习咨询的目标、工作内容、方法论等
3. 参加学校举办的咨询求职会等，跟校友，recruiter多交流，主动跟recruiter follow up，了解工作机会
4. 了解不同公司的team的发展方向，比如Deloitte跟A.T.Kearney里不同职位的区别。
5. 学习记忆咨询case interview资料，如分析框架，分析Model，常见的基础数据（美国人口／年龄分布），经典学习资料Case in Point等，锻炼逻辑性。
6. 找小伙伴练习case interview。练好口语和面试礼仪。
7. 练习case interview同时多投简历，大部分职位会在秋招（8-10月）放出。春招职位非常少。
面试需要准备的地方：
7.1 正式开始之前的small talk
7.2 管理个人形象，着装等
7.3 why company? why you? why consulting? 准备好这三个最常问的问题，一定要突出自己的优势
7.4 do you have any question? 这个是另一个突出自己与众不同的地方
7.5 面试后一定要寄thank you note
3.2 数据科学求职准备
1. 复习统计、概率、微积分。
2. 复习SQL跟你熟悉的编程语言（R/Python）。把做过的项目都详细过一遍，做到能自信地给别人介绍项目流程跟结果，以及各种细节。
3. 复习基础的机器学习算法，linear regression / bayes / decision tree / random forest / SVM / logistic regression / clustering必须熟悉原理、数学公式推导、优缺点、应用场景等。学有余力者可以拓展更复杂的算法，如neural network / Markov Chain / Deep learning。面试官不一定要求你掌握最复杂的算法，但写在简历上的必须熟练。
4. leet code题还是有必要刷一下，easy & medium刷个100题够了。主要考察工程实现能力。
5. 复习基础数据结构跟算法，比较常问的是stack / linked list / binary tree / 各种sort算法（bubble sort / insertion sort / selection sort / quick sort）。你要是能说明白heap sort的话会很惊艳的。
6. 改简历／投简历／找校友refer 无限循环
好了，这估计就是我在cd的最后一篇长帖了。感谢2年前cd给我的帮助，希望大家在这里继续找到适合自己的未来。
[复制链接]
京公网安备11010202008513号 京ICP证101109号 京ICP备12012021号
发表于 2018-4-18 04:27:06
