国家：美国
位置：伊利诺州·芝加哥
简介：常年稳居全美前十
建校：1890年
>>点击查看学校详情
统计学就是基于问题，收集数据、分析数据、解读数据的过程。在统计学里，这个真实的世界或者我们想研究的事物，被称为“总体”。统计学就是帮助我们利用样本的信息来推测总体情况的工具，也就是从局部到整体，从已知到未知的过程。
统计学家就是通过分析数据来推断事物的本质，预测它未来的发展。而分析数据的第一步，就是找出那些看似偶然发生的事件，背后隐藏着哪些必然性的统计规律。
这里就要用到两个概率学基本定理，即：大数定律，中心极限定理，随机抽样，“回归分析”这种数据分析方法。
统计学的基本框架：
- 描述统计：描述统计其实就是处理样本数据的过程，通过对杂乱无章的原始数据进行整理，让这些数据能够直观简练地呈现出来，并作为我们认识事物的客观依据。应用于数据团队在制作“用户画像”的过程。
- 推论统计：推论统计则带有猜测的成分，是从样本到总体的过程，通过整理出来的样本数据信息来估计总体、预测未来。因此在统计教材中，这部分章节涉及大量的统计方法和计算公式，还有复杂的逻辑推理过程。
数据科学融合了各种工具，算法和机器学习原理，旨在从原始数据中发现隐藏的模式。但是，这与统计学家多年来所做的有何不同？答案在于解释和预测之间的差异。
该专业领域主要通过预测因果分析，说明性分析（预测性与决策科学）和机器学习来做出决策和预测。通常将数据科学分为四个应用领域，即：Business Administration；Exploratory Data Analysis；Machine Learning &Advanced Algorithms；Data Product Engineering。
通常可以通过以下工具实现数据科学领域模型构建。
建模时常用的计算机语言：
- R：具有完整的建模功能，并为构建解释模型提供了良好的环境
- SQL Analysis Services：可以使用常见的数据挖掘功能和基本预测模型来执行数据库内分析
- SAS / ACCESS：可用于从Hadoop访问数据，并用于创建可重复和可重用的模型流程图
数据科学生命周期：
- 捕获（数据采集，数据输入，信号接收，数据提取）
- 维护（数据仓库，数据清理，数据分段，数据处理，数据体系结构）
- 流程（数据挖掘，聚类/分类，数据建模，数据汇总）
- 分析（探索性/确认性，预测性分析，回归，文本挖掘，定性分析）
- 沟通（数据报告，数据可视化，商业智能，决策）
数据科学需要掌握以下三个领域的技能：
从应用层面来讲分为：
- 基本的统计量：通过基本的统计量，可以进行更多元的可视化，以实现更加精细的数据分析。需要了解更多的Excel函数来实现基本的计算，或者python、R里面一些对应的可视化方法
- 概率分布：是指几何分布、二项分布、泊松分布、正态分布等
- 总体和样本：了解抽象的基本概念，知道再面对的水墨数据的时候怎么样进行抽样分析
- 置信区间与假设检验：可以应用假设检验的方法，对一些感性的假设做出更加精确地检验
- 相关性与回归分析：利用回归分析的方法，建立基本的数据分析模型，对未来的一些数据、缺失的数据做基本的预测
- 掌握一些主流算法的原理：比如线性回归, linear regression、逻辑回归 logical regression、决策树decision tree、神经网络neural network,、关联分析association analysis、聚类 clustering、协同过滤collaborative filtering、随机森林 random forest。深入一点，还可以掌握文本分析 text analysis、深度学习deep learning、图像识别image recognition 等相关的算法
统计对数据科学的贡献：
大数据分析通常分为两种主要方式，其一是统计学，另外一种是机器学习。平时大部分的数据分析任务都是基于统计学理论进行的，包括采用的数据分析工具也都属于统计学领域的范畴。从未来的发展趋势上看，一方面统计学会进一步向大数据倾斜，包括目前不少统计学专业的研究生课题，都逐渐开始向大数据方向拓展。另一方面大数据会在发展的初期大量采用统计学相关理论和技术，这也能够提升大数据相关技术的落地应用能力。
数据分析的常见工作类型：
- 取 数：
工作能力：取数每天的工作内容也比较简单、重复和机械，就是写SQL取数，根据业务的需求做数据统计、简单报表制作，总体上说价值感比较低，基本都是新人在做
取数是数据分析和后面一系列建模工作的基础，能够高效的完成取数，以及对于数据的底层架构的深入了解，也不是一件很容易的事情，这也就是“以力取胜”
必备技能：Excel(如果会VBA就更好了)；SQL取数(核心技能)；数据库(需要熟悉，具体看你公司用的什么数据库)
- 数据工程：
挖掘工程师：数据挖掘工程师的主要工作是利用已有的算法模型，对业务数据进行清洗、建模
算法工程师：算法工程师更看重理论基础，比如机器学习算法原理、相关数学原理等。算法工程师的主要工作一般是研究算法、为公司的相关业务需求优化算法
必备技能：数据库；python；数据挖掘算法；机器学习算法
- 业务分析派
市场业务分析：比如说零售公司的某个业务出了问题，比如销售，分析师的任务就是要搞清业务数据异常的原因，
取数据、做调查、做分析、找业务等等，最终输出分析报告给业务部门
运营分析：每天主要的任务就是从某个系统导出excel表，然后整理一个新的excel表。至于看得懂看不懂这个excel，完全看业务能力，跟技术操作没啥关系
业务分析师的任务就是发现问题-分析问题-得出结论，为业务人员的营销策略提供数据支撑
这个岗位比较看重你的思维能力和分析能力，需要你对数据有着敏锐的洞察力，同时也需要对业务有一定的知识储备
必备技能：SQL；统计学基础；EXCEL分析基础；python/R语言；思维方法与分析模型
- 商业分析派
都是研究行业数据和竞品数据，然后研究企业发展、为公司决策者提供战略决策指导意见的
商业分析师的工作内容就是通过对市场、竞对、企业的现状分析判断，提出未来的运营、产品方向建议，从而提升份额、提高营收
必备技能：SQL；商业分析模型与方法；市场营销与金融知识；SPSS等工具
统计及数据科学常见的职业方向：
- 机器学习工程师 Machine Learning Engineer：
代表了技术含量较高的方向，工作内容主要是开发机器学习系统和用这些系统解决实际问题。一般需要ship production code，做出来的是数据产品。
包含“会一些ML的软件工程师”和“会写生产代码的机器学习专家”两种，也就是说，侧重点会有差异，但是机器学习和软件开发技能都需要。有EE或者CS博士学位最佳，统计等计量学科博士，如果辅修了CS master，也合适。如果只有EE/CS硕士学位也可以，但是硕士生们需要额外自学很多机器学习知识才能胜任，只靠在学校里简单上一两门课，可能不够。此外，找工作的时候，也需要一些运气成分才能找到合适的岗位。
- 数据分析员 Data Analyst
工作内容俗称analytics (product analytics or business analytics)，从数据中提取insight，估计投资回报比，为产品方向提建议，所用工具一般较基础，比如写SQL query取数据、用R/Python做简单的分析、用Tableau/Excel作图比较常见，能自己开发Dashboard算是analyst里面技术强的；工作需要产生各种形式的报告；在统计层次上，懂基本t-test和线性回归即可。
一般是统计、数据科学、商务分析、工业工程等专业的硕士担任。
- 数据科学家 Data Scientist
此类职位工作内容以高级建模为主，会针对复杂的问题来设计技术方案，比如Uber叫车的ETA、各种定价系统、airbnb和金融行业的Fraud Detection、Amazon物流管理，FB/linkedin的社交网络或者ebay/Airbnb/Uber这样供需双方Marketplace市场规模的实验。这些例子，听上去就不是写SQL能解决的，也不是会写代码就能做出来的，都需要比较深的领域知识。
一般是统计、运筹、经济、工业工程、EE、CS等专业的博士担任，需要某领域的深刻理解。
数据工程师职业的天然优势：
- 转行成本低，只要有一些数理基础，能学一点简单的SQL和python，就能找到一份不错的data相关的工作；
- Data这边也分很多工作种类，除了Hardcore的phd，ms的做模型的ds之外，也有ds-a这种需要conduct experimentation来跑result拿insight推动决策进行。soft skill要求高。 另外说别人浮躁不浮躁的，得无论什么方式，心态，只要拿到面试，过了面试，好好工作继续提升，就没有浮躁一说。
- 数据学的东西的确很杂，ML,SQL,PYTHON,Product，AB Testing， Data viz， Stats，communication这些，所以一旦有机结合起来，到了senior level，我觉得发展不会逊色CS的。
统计与大数据的就业领域
热门领域往往标志着更广泛的就业前景
Applied Statistics
应 用 统 计 学
Mathematical Statistics
数 理 统 计
Financial Statistics
金 融 统 计
Machine Learning
机 器 学 习
Data Visualization
数 据 可 视 化
Big Data Analytics
大 数 据 分 析
统计Stat的常申院校
点击查看详情
数据科学DS的常申院校
点击查看详情
统计&DS专业的申请条件专业背景 硬性成绩 软性背景
统计&DS专业的申请条件
专业背景 硬性成绩 软性背景
统计&DS专业的申请条件
申请背景要求
什么样背景的学生可以申请统计&DS专业？
需要申请者有一定的数理基础知识和较强的分析演算能力，通常需要有较好的理工科背景。
尤其本科所学专业是统计学、数学、精算、应用数学等专业的学生，申请比较有优势。其次计算机背景也会受到学校的青睐。
但是总的来说，申请者的专业背景以数学和统计占绝大多数。
如果申请者学习过高数、线代、微积分、概率论与统计等等数学课程且分数优秀，并且有很好的统计相关的实习，也可以申请转专业到统计学专业进行学习。
大部分学校会有先修课程的要求，尤其是综合排名靠前的学校。
申请中的硬性条件和软性背景
GPA分数
- 对于美国第一梯队的大学，建议GPA在3.8以上，才会是一个有竞争力的分数
- 对于美国TOP30的院校，建议GPA至少在3.5以上，将会是一个有竞争力的分数
GRE分数
- 如果准备GRE考试的话，GRE最好在320以上，申请会比较有竞争力
托福/雅思（注意各项小分要求）
- 有的学校不接受雅思成绩，因此建议准备托福。如果要申请TOP院校，建议托福100以上，最好在105+，雅思7分以上。部分学校会要求托福90+以上
- 另外，需要注意部分学校会要求提供GRE Sub成绩
成绩越高越容易申请名校，如果软性背景非常优秀，考试成绩可适当放宽
先修课程
一般美国大学要求修过的先修课程包括：微积分(数学系三个学期、理工科与部分学校商科两个学期)、线性代数、概率论、统计等。
其他的工具：
R：具有完整的建模功能，并为构建解释模型提供了良好的环境
SQL：可以使用常见的数据挖掘功能和基本预测模型来执行数据库内分析
SAS / ACCESS：可用于从Hadoop访问数据，并用于创建可重复和可重用的模型流程图
SQL：可以使用常见的数据挖掘功能和基本预测模型来执行数据库内分析
SAS / ACCESS：可用于从Hadoop访问数据，并用于创建可重复和可重用的模型流程图
研究生留学申请安排【早规划 稳录取】整体规划 有的放矢 目标导向
研究生留学申请安排【早规划 稳录取】
整体规划 有的放矢 目标导向
标准化考试
雅思 / 托福（海本可根据情况豁免）
GRE（理工 人文社科 商科）/ GMAT（商科）
自身学术资料
中英文成绩单 / 在读证明 / 毕业证学位证
排名证明（如果成绩排名不错的话）
留学文书准备
个人简历 / PS 或SOP / Writing Sample等
推荐信-通常3封 来自老师或者实习工作单位
其他材料
获奖证书 / 论文等
其他证明性材料
留学申请
材料清单
护 照
这个需提前在当地办理
准备好首页扫描件
作品集-艺术类
视觉传达类（平面设计 交互设计 插画 摄影)
建筑类 / 工业设计
建筑类 / 工业设计
银行存款证明
这个需要根据具体的要求来准备
注意时长和金额
信用卡
用于标化考试送分、学校申请费等 Visa or Master 双币信用卡
留学服务流程针对不同的申请群体匹配更合适的服务内容和方式
留学服务流程
针对不同的申请群体匹配更合适的服务内容和方式
认识你的团队
你的服务团队帮你实现
* 从定位评估到申请规划
* 从选校定校到文书创作
* 从网申递交到行前指导
* 在留学过程中遇到的一切困惑都
可以随时联系你的服务团队
可以随时联系你的服务团队
申请前
* 留学定位评估规划
* 制定考试计划
* 申请专业方向的选择沟通
* 多维度选校定校方案确认
* 已有软性申请背景梳理
* 软背景提升规划
申请中
* 基本材料准备：
成绩单，标化成绩，送分，WES认证
成绩单，标化成绩，送分，WES认证
* 软性材料准备：
头脑风暴文书准备，推荐信，网申
头脑风暴文书准备，推荐信，网申
* 面试及等待：
面试辅导，网申跟进，录取选择
面试辅导，网申跟进，录取选择
录取后
* 确认录取：
根据位置、课程质量、就业情况来选
* 签证服务
签证材料准备、制定签证方案、指导
* 行前准备
入学需要材料准备、当地生活指导
公共政策管理专业-->留学申请服务
公共政策管理专业-->留学申请服务
西柚留学服务团队
北京 上海 广州 成都 武汉 杭州
免 费 资 源GRE模考 留学攻略 文书写作 录取信息库
免 费 资 源
GRE模考 留学攻略 文书写作 录取信息库
美国TOP50申请攻略
整体认知、时间规划、申请竞争力提升、选校策略、文书写作、网申
答哥·文书写作指南
美研文书的组成以及文书写作指导 常见专业文书赏析
留学录取信息库
完全免费公开我们的录取数据库，上万条留学案例信息，均可查阅
