话题：跨专业

 整理自Vicky Zhong的分享, 文科类转专业申请商科，杜克大学富卡商学院管理学硕士在读。

本文分为三个部分：

1.信息收集与选校

2.文书与简历

3.面试

1.信息收集与选校

1）文科背景不一定是劣势

有些商科项目是专门针对非商科的学生来申请。如弗吉尼亚大学的一个项目：

2）注意prerequisite coursework

虽然项目针对非商科学生，但项目有一些针对本科阶段课程的要求。申请的时候可以没有学过这些课程，但在入学之前要有这些课程的经历。有些学校大四下学期是没有办法继续选修课程的，所以在申请前就查一查有哪些prerequisite coursework的要求并尽快选修。

3）如何更好地提升被竞争力

-大一到大三的同学，如果不能转专业，可以选修一些基础的Quantitative的课（不一定是必修课，选修课也可以），如：微积分、高数、经济学的基础课（会计、微经、宏经）等。

用WES evaluation成绩验证时，不会对必修课和选修课进行区别。

-正在申请季的同学可以考虑上相关网课，增强背景知识。有的课可以充当prerequisite coursework的要求，在文书中也可以用到专业术语来增加专业度。

2.文书与简历

-强调自己相关的经历。

把多的经历删掉，简历只有一页，不要从高中开始写，从本科的相关经历（跟申请方向相关）开始写。

-重点放在对职业的探索和思考上，以及短期、长期职业目标。

职业规划在商学院申请中非常重要，长短期职业目标在面试中几乎是必问的。

-找到自己本专业和想要申请的专业之间的联系。

为什么本科阶段选择这个专业？为什么现在想转专业？给出具体的原因。

-是什么契机让你改变了兴趣，想要转专业；你本科期间的专业对你研究生阶段的学习能够起到什么帮助；你的本科背景能够如何帮助你将来的同学们学习…

例子：文学转市场营销：市场营销要理解顾客，文学也是一门理解人的学问；顾客需求由个人方面和社会方面共同决定，文学的学生能够更好地理解社会。

-如果想要强调自己学过的一些Quantitative的课程，可以在简历的教育背景里写出来，但不是必要的（分数低于90就可以不用写了），这是一个锦上添花的部分。

3.面试

-Story, story, story.

Story是整个过程中最重要的。

两种面试：1）录取委员会亲自面试，有你所有的信息。2）第三方进行面试，没有你的文书，重新对你做出新的评价。

-要牢记文书中写过的故事。

面试官默认文书是自己写的，期待你对其非常熟悉。

-可以按照简历来准备故事，每一段实习/社团经历都按照不同的角度，总结成一个故事。

Teamwork，在团队中是什么角色，有怎么样的团队合作经历，有冲突后如何解决冲突。

Cross-culture communication，交换经历。

Career，长短期职业规划，越具体越好。

Skills，实习中应用过哪些skills。

Trends，对行业发展的看法。

不一定是要实习经历，可以是社团经历，两种经历同样重要。

-STAR原则。

Situation，在怎样的情境下。

Task，任务是什么。

Action，采取了什么行动方式。

Result，结果是什么。

最后加上在这个事情学习到什么，以后遇到同样的事情会怎么做。

1. 什么是数据类的项目？

数据类硕士项目不仅是学习数据分析的项目，更是以后可以从事数据类工作的项目。

目前知名大学开展的数据类项目案例也有很多，比如大家都非常熟悉的Data Sciences（数据科学），Data Analytics（数据分析），Business Analytics（商业分析）；同时也有Decision Science（决策科学），Applied Analytics （应用分析）；甚至还包括 Statistics（统计学），Machine Learning （机器学习），AI（人工智能）。虽然各个项目的名称都不一样，但是在硕士课程中教授的内容都是相似的。

从就业角度来看，从数据类项目毕业的同学们就业方向都比较相似，但是就业选择范围非常广泛。根据不同的岗位，从事的具体工作也会有比较大的差异。比如，有些同学会从事数据库相关工作，也有人选择数据清理的工作，或者统计分析相关，又或者是机器学习建模方向的。

如果想了解项目的具体教学内容，就业前景，毕业生去向，建议大家去学校官网上查询，可以获得更加详细的信息。

2. 我们在数据类项目中可以学到什么？

*TIP：在申请过程中，建议大家多查多看学校的官网，因为所有项目相关信息在官网上都有非常详细、具体的陈述。或者，直接给学校发邮件询问也是获得官方一手消息的好途径！

这里以Emory University （埃默里大学）的MSBA （Master of Science in Business Analytics 商业分析硕士项目）为例，简单分析一下数据类项目的教学内容及申请要求。希望大家可以举一反三，之后自己也可以分析一下梦想学校的数据类项目。以下为大家罗列并整理分析了这个项目的五个学习阶段，以及每个阶段要求学生学习并掌握哪些知识。

在申请过程中，学校官网都会罗列出Pre-Requisites，是要求申请者在入学前必须掌握的相关学术知识，同时也是硕士学习中的基础。

如上图，在数据相关硕士项目的申请中，一般都会要求申请者熟练掌握以下学术知识：

(1) Advanced Calculus，比如微积分和高等数学。

(2) Statistics基础的统计学知识。比如，Linear Regression（线性回归），P-value（假设几率），Normal Distribution（正态分布）。

(3) Linear Algebra线性代数，比如矩阵运算。

同时，因为数据类项目逐渐变得热门，申请者的数量也逐渐增多。为了保证生源质量，有些学校也会将以下知识新增为入学前的必须学术要求。

(4) Programming Language 编程语言。

(5) Database & SQL 数据库及结构化查询语言。

*TIP：查询Pre-Requisites是申请中非常必要的一步。只有确保自己完全掌握Pre-Requisites中的学术知识，才能更安心自信的申请项目哦！

在秋季学期正式开始之前，埃默里大学为新入生提供了Summer Session，即暑期预科课程，会为大家普及数学及商业领域的相关知识，带领大家完成一些基础的计划，也会要求大家完成一些相关的演讲和报告。除了理论相关的学习，也会有导师和助教会指导新入生上机实践，也为没有编程相关学术背景的同学进行入门指导。

夏季预科课程相当于正式学习之前的预热和前瞻，以及对基础知识的再次整理和复习，为正式的学习打下较为扎实的基础。

秋季学期一般在八月中下旬开始。以MSBA项目为例，秋季学期会同时涵盖商业领域及技术领域的学习。如上图所示，会有一些对商业分析、互联网分析、数据可视化、机器学习、决策分析等各个领域分析的入门介绍，这些一般都是必修课。

之后，在春季学期的学习中将会引进一些更高级的课程。对于时长为一年的BA项目来说，春季学期将是大家上课的最后一学期，所以涉及到的课程也会比较广泛。比如上图左上角所示Managing Big Data，即如何处理大数据。举个例子，如果数据超过50G，无论是用台式电脑或是笔电都会比较难处理，这时候就需要用到GPU 或者云计算的平台，才能非常快速高效的处理大数据。这些都是目前业界非常需要的技能，但是相比于基础的数据处理来说，会比较有难度，所以会放在春季学期内学习。

每个项目根据不同的就业导向，也会提供不同的选修课。根据自己的职业规划选择更加专业对口的选秀类课程也是非常有必要的。

同时在春季学期，大部分学校会带领学生进行Capstone Projects。在与业内企业的合作中，指导学生处理业界真实的实时大数据，并进行分析和决策。数据类的项目往往对学生的操作能力和应用能力有着较高的要求，所以与企业的合作实习部分也算是数据类硕士项目的一个关键环节。

3. 申请数据类硕士项目需要哪些背景？

绝大部分的数据类硕士项目的申请者都是商科类的学生，或是有商科背景的学生。其他的同学也会有经济学、社会科学，或者理科背景。

*Tip：普遍来说，比如GMAT考试，参加GRE考试会对申请数据类硕士项目更有帮助。有些data science/statistics专业的数据类相关项目不接受GMAT考试成绩。但是也要结合个人情况和具体项目。

成为一个合格的数据类申请者，我们需要：

• 有商科或者技术领域的本科背景；
• 有比较全面且完善的数学/统计学知识背景；
• 有基础的编程能力；

成为一个有竞争力的数据类申请者，我们还需要：

• 数据分析类相关的实习经历；
• 熟悉数据分析相关工作的流程，培养相关思维倾向和分析模式；
• 对自身的职业规划有明确的认识。

*TIP：建议有时间的同学去领英网站查找业界前辈的背景介绍和相关职业经历。从中培养对数据类行业工作的理解，以及学习职业规划。同时，多多阅读相关职业指导或职业规划的书籍，对于自身的背景提升、专业选择以及未来的求职过程中会产生很大的帮助。

4. 如何根据要求来提升申请背景？

针对有时间的大三及以下的同学：

• 主动选修更多数学/统计/编程（Python, R, SQL）相关课程，并在官方成绩单上体现出这些课程的成绩。成绩单是展现申请者学术背景和专业素养最直观也最有说服力的证据。

*TIP：根据个人经验，Python, R, SQL的相关知识将是数据分析相关职业中运用最多的语言。建议大家在本科阶段打下比较扎实的基础，对未来就业有帮助。

• 多多阅读相关书籍或文献，或业界企业的网站。
• 时间和精力允许的话，从线上教育平台选择数据分析相关课程，提升数据分析的技能。更推荐英文版的课程，美国比较有名的线上教育平台有Coursera, EdX, Udemy, Datacamp 等。学成可以拿到网站颁发的电子证书，建议写入简历中。
• 寻找数据分析相关的实习机会。

*TIP：可以在应届生求职网站或其他求职平台搜索“数据分析师”/“数据挖掘师”等类似的职业。一些短期的数据分析项目也会招收短期实习生，可以在较短时间内跟完一个完整的数据分析项目并积累相关经验。

针对即将申请的大四同学：

• 将简历和论文与官网上项目的招收要求比较，增加个人材料和学校官网课程的匹配程度。
• 进行短期数据分析的相关实习或相关比赛。比如，KAGGLE平台上就有比较多数据分析相关的专题项目竞赛。如果拿到前10%的成绩，可以将成绩写在简历中。
• 如果在成绩单上不能体现出比较好的理科背景，一个很高的GRE数学成绩会成为很好的补足条件。
• 有时间就多参加线上教育课程。数据分析是一个快速发展的行业，需要保持快速学习跟进的步伐。前文所提到的线上平台在美国认知度比较高，也能成为补足相关技能的证明。

5. Q&A

Q: 怎么在美国找数据分析类的实习？

A: 一般来说有三个途径。

第一个平台是在大学职业发展中心网站，会有当地的公司以及欢迎学校学生的公司，简历命中率会比较高；

第二个途径是熟人内推，可以找本校的学长学姐，也可以在领英上主动寻找业内的HR相关人员，争取机会，这样针对比较大的公司来说命中率也会比较大，但也需要提前准备；

第三个方法是“广撒网”，大规模地海投简历。这种比起前两个方式来说会更加需要时间和精力，但由于量大，可能也会收获更多的面试机会或交流机会。

Q: SAS课程重要吗？

A: SAS课程的相关知识主要运用在统计领域。如果申请统计相关专业，SAS课程是必需的。但是对于大部分的数据分析相关专业，对SAS课程没有硬性的要求。如果是统计专业，努力学好SAS课程，并考到SAS相关证书会对就业非常有帮助；但如果是非统计专业，对SAS并没有硬性要求，在Python/R/SQL/SAS中选择精通一门也是可以的。

1. 推荐CMU的几门课，网上都能找到课件或者视频。

15688 Practical Data Science http://www.datasciencecourse.org/

这门课会把各种基本的机器学习算法都串一遍，并让学生用Python实现一遍来加深印象。

11747 Neural Networks for NLP http://www.phontron.com/class/nn4nlp2019/

这门课教授的授课水平非常高，讲的内容深入浅出。课下会要求学生看很多paper，课上会讨论最新的NLP model。在YouTube上这个老师开了个人的频道，能找到完整版的课程视频。

10601 Introduction to Machine Learning http://www.cs.cmu.edu/~mgormley/courses/10601/

这门课比起吴恩达的机器学习，会更注重算法从底层开始的推算，需要很好的数学基础，难度也会更深。

2. Andrew Ng的machine learning和deep learning课程都是入门自学很好的材料，在Coursera上可以找到资源，YouTube的官方频道也收录了全部的视频。https://www.deeplearning.ai/

3. 斯坦福的CS231n，deep learning入门课，网站有机器详细的课件资料，把deep learning的基础知识点讲的很透彻。http://cs231n.stanford.edu/

cs229的官方笔记：http://cs229.stanford.edu/notes/cs229-notes1.pdf

4. 台大李宏毅教授的机器学习课程是我听过觉得最适合零基础学生的课，虽然适合零基础，但是他讲课内容由浅入深，后面会讲到很多复杂的模型和machine learning最新的知识点，比如前几年他专门出了一个讲attention的视频。这个教授上课喜欢拿宝可梦来举例讲解各种算法。https://www.youtube.com/channel/UC2ggjtuuWvxrHHHiaDH1dlQ

（上面连接国内打不开的可以看这个http://speech.ee.ntu.edu.tw/~tlkagk/courses.html）

另外感兴趣的话推荐关注机器之心、PaperWeekly之类的微信公众号，会经常有机器学习方向paper的解读，自学资料推荐和机器学习/人工智能行业的热门新闻。

答主先自我介绍。我本科学的生物，在master期间暴力转了CS，修了很多我们学校ML部门的课。求职过程面了很多machine learning engineer和data scientist的职位，现在就职于湾区某大厂做软件工程师，从事人工智能语音识别设备的开发。

我想从【传统机器学习】、【深度学习】和机器学习目前在工业界主要的【三大应用】这几个部分来谈谈转专业自学需要补哪些课程和哪些知识点。

【机器学习（非深度学习部分）】

对于传统机器学习，一门很重要的基础课就是线性代数。我相信大部分理工科大学生都学过这门课，但很可能考完就忘了，也并不知道这门课的作用。在机器学习中，扎实的线性代数基础能帮助你更好的理解各种算法。

需要掌握的线性代数概念有：标量（Scalar），向量（Vector）和矩阵（Matrix），矩阵相关的运算法则（包括矩阵和标量的运算，矩阵和向量的运算，矩阵和矩阵的运算），矩阵的逆（inverse），矩阵的转置（transpose），特征向量，特征值等。这些都是常用在机器学习中的基本概念，尤其矩阵的乘法和点乘很重要。

除此之外，机器学习需要掌握的算法主要分为三种：监督学习（supervised learning），无监督学习（unsupervised learning）和半监督学习（semi-supervised learning）。

监督学习所使用的训练数据是已经有label的，举个例子，这个label可以是某一时间点的股票票价，也可以是垃圾邮件/非垃圾邮件这样的类别。监督学习主要用于解决回归（regression）和分类（classification）问题。

常见的监督学习算法有：linear regression，logistic regression，K-nearest neighbor，decision tree，SVM，朴素贝叶斯，贝叶斯网络。

无监督学习所使用的数据没有label，主要用于解决聚类（clustering）问题。

常见的无监督学习算法有：K-means，hierarchical clustering。

半监督学习所使用的的数据是混合的，一部分有label，一部分没有。这类算法通常比较复杂，初学阶段不需要太多关注。

在这些基本算法之上还需要学习优化算法的技术，比如regularization，常规的线性回归加上L1 regularization就是Lasso Regression，用上L2 regularization就是Ridge Regression，两种regularization都用就是Elastic Net算法。还需要掌握降维相关的算法，比如PCA（Principal Component Analysis）。除此之外还有一些ensemble algorithms，就是用一些统计的方法使多个weak learner组合成strong learner。常见的有random forest，AdaBoost，Bootstrapped Aggregation等。

【深度学习】

深度学习的基础是perceptron（感知器算法）和multilayer perceptrons（MLP，多层感知器），需要掌握back-propagation、SGD、GD等基础算法。深度学习目前主要的算法有CNN（卷积神经网络）、RNN（递归神经网络）和LSTM（RNN变种）三种。CNN需要掌握的知识点有卷积运算，池化运算，全连接运算等，目前公认训练效果比较好的通用的CNN有VGG，ResNet，DenseNet，这些模型在PyTorch中都能直接调用。RNN主要用于处理有一定时间顺序的数据，如语音数据。为了解决时间上梯度消失的问题，RNN又衍生出了LSTM。

【三大应用】

Natural Language Processing

NLP是现在machine learning在工业界应用较多的领域。比较常见的有speech recognition（比如Google Home，国内小米开发的小爱），machine translation，sentiment analysis，auto-complete（比如搜索时的自动补全功能），natural language generation。

Computer Vision

CV常用于自动驾驶领域。通常做CV方向的研究，除了要有扎实的机器学习背景之外，还需要学习C++和传统CV方面的知识，比如
用deep learning来解决的CV问题通常包括OCR，object detection，image classification，image segmentation等。想做这个领域的一般都会要求求职者会C++，因为C++运算速度比较快，自动驾驶对运算速度的要求很高。

Recommender System

推荐系统也是机器学习应用很广的一个方向，比如YouTube、Yelp、Airbnb、豆瓣电影等都大量使用了推荐算法。推荐系统常用算法分别是content-based methods和collaborative filtering methods。最近几年也有用神经网络做推荐系统的算法出现。
想在工业做data scientist或者machine learning engineer一类的工作，需要掌握至少一种流行的machine learning framework，比如TensorFlow，PyTorch，Caffe，Keras等。

本文干货多，包括

1、跨专业申请的要求
2、准备工作、注意事项
3、对转专业申请友好的学校
4、什么专业方便转到什么专业

每年申请季，都有很多同学在后台向蒙圈儿咨询跨专业申请的相关问题。

确实，在漫长的大学时光，一年又一年的上着自己不喜欢的专业课，度日如年已经很悲惨了，好不容易下定决心出国留学继续深造，当然要选一个自己喜欢的，或者真正适合自己的专业啦！

而英国大学由于开设的专业丰富，再加上留学利好大趋势，更加受到跨专业申请党的青睐，每年的英国留学申请者中，跨专业申请的同学都能占到申请总数的15%~20%。

今天，蒙圈儿专为跨专业申请的同学们整理了一篇关于英国跨专业申请的文章（其实美国也通用啦），希望优秀的大家都能在激烈的竞争中脱颖而出。

跨专业申请的要求

在考虑跨专业申请的问题上，我们必须明白国内外跨学科的要求是存在着很大的区别的。

首先国内门槛低，最多也就是要求几门必修课，主要是考研的分数决定。但是在国外跨专业的要求，不同国家、不同专业甚至不同档次的学校，门槛高低都不一样。

在英国，留学生转专业并不罕见，也并不是一件很难的事。比如文科生转商科、传媒、教育等等。工科生转商科也比较多，商科中的MSc本身就是理学硕士。

也有一些专业对学术背景的要求比较严格。比如法学、建筑学、医学以及一些工科类高技术专业，都需要有相关的经验或者学术背景，否则就算是转成功了，学起来也会比较吃力哦！

同样的，美国大学跨专业申请的要求也相对低些，学校可以接受基本知识和基本技能在不同专业间的转换。但是美国跨专业的难度对于不同档次的学校有明显不同，比如美国排名前三十的学校，对跨专业的考察相对严格些，排名较低或者专业性比较低的学校政策就宽松一些。

跨专业申请前的准备

选修课程

无论以前的本科专业是什么，学校一般都要求你学习一些相关的专业基础课程。在这方面，一些名校的要求可能会更高。

背景要求

这里提到的专业背景要求是说你是否有相关的实习经验或具有相关工作经验，还有你是否参加过相关的学术研究项目或相关研究成果，以及你是否阅读过大量相关专业书籍等。如果符合上述条件，申请跨专业研究生就没那么困难了。

学校规定

在申请跨学科的研究生时，重要的是要注意在申请的学校中是否有“非专业背景的学生不推荐申请”的要求。

总之，跨专业申请一定要注意这三点，每个大学和学院的专业要求都不同，你需要什么样的条件以及你是否能申请都取决于学校的官方声明。

专业申请过程的准

首先，要结合自己的教育背景、家庭背景、实习经历等，在个人陈述中给出一份充分的证明来表明自己的立场，打动相关专业的教授，让你心仪的学校认可你的动机并相信你可以顺利完成学业。

其次，在成绩单上要体现出你对要转的专业有过相当的研究，哪怕是选修课程，要证明你的研究学习能力足以帮助你成功转型。

打个比方，英国商科专业是热门，虽然文科理科专业都可以转，但是金融专业对于专业基础的要求比较高，一般本科学习数学或者经济的学生学起来可能比较的得心应手。

如果你本科专业学的是数学，但是你大学期间选修了很多关于经济学的选修课并且成绩良好，那么你在研究生阶段转为经济学把握就很大了。

所以多数文科生比较倾向于转向管理、市场营销等等，理科生比较倾向于转热门的金融、投资等专业。

跨专业申请推荐学校

还是以金融专业为例，有的学校需要一定的专业背景，也有完全不需要专业背景的。

布里斯托大学的金融会计管理和利兹大学商学院大部分专业都需要相关专业背景；约克大学、雷丁大学、巴斯大学等学校的金融专业则需要学生最好是工程或者数学背景的。

跨专业申请商科比较容易成功的大学
 

1.东安格利亚大学：

International Accounting and Financial Management MSc

2.KCL：

Accounting, Accountability & Financial Management MSc

3.格拉斯哥大学：

International Finance MFin

4.杜伦大学：

Management (Finance) MSc

5.纽卡斯尔大学：

Accounting, Finance and Strategic Investment MSc

6.雷丁大学：

Accounting and International management MSc

7.伦敦大学皇家霍洛威学院：

Accounting and Financial Management MSc

8.阿斯顿大学：

Accounting and Finance MSc

9.斯特林大学：

International Accounting and Finance MSc

10.阿伯丁大学：

Accounting and Finance MSc

比较容易接受跨专业申请的专业

理工科专业可转专业：

部分会计、部分金融、管理、商务、传媒、翻译、教育专业等

艺术设计专业可转专业：

部分金融、管理、商务、传媒，翻译、教育、广告设计、产品设计专业等

医学护理专业可转专业：

部分金融、管理、商务、传媒、翻译、教育、公共卫生、营养学专业等

英语等语言专业可转专业：

部分金融、管理、商务、传媒、翻译、教育、语言学等专业

商科相关专业可转专业：

传媒、翻译、教育、语言学等专业

跨专业申请注意事项

在本科期间，一些大学会让你在大二或大三的时候选择另一个专业的双学位或辅修，那么我们就要充分利用这个机会，对于计划未来跨专业的学生来说，辅修两个专业的选择非常重要，也是跨专业申请中的一大保障。

对于那些大三在读且没有辅修过任何专业的学生，你也有改变的空间，就是通过相关的实习来提升你的背景。 例如，如果你想前往英国学习统计或金融，那么你可以利用假期前往银行、证券公司或保险公司进行实习来提升自己。

除此以外，还可以利用相关成绩来证明自己的实力。例如，你的本科专业是自动化，研究生申请想要选择CS，虽然自动化专业也研究过一些基本的计算机课程，但这些课程对于申请英国的计算机科学专业来说，并未达到要求。

此时，不妨参加一些计算机专业相关的考试，以证明你在计算机领域的专业能力和水平，如果分数可以取得优异成绩，它将在未来的应用中发挥重要作用。

跨专业准备要趁早

如果确定跨专业申请，那么最好至少提前一到两年开始准备，提前对申请学校进行研究，以了解学校对跨专业申请的态度和相关政策。

此外，还需要了解申请所需要的相关材料以及流程等，并根据自己的情况规划好时间来提升自己的个人背景。

有明确目标规划的学生应该在大学二年级就要开始为申请工作做准备了。由于跨专业申请，学校不仅要看本专业的表现，还要看申请人的经验和能力是否与申请专业相匹配。

蒙圈儿多嘴一句：跨专业申请是一项严肃的决定，不能因为我就是喜欢或者我就是对一些领域感兴趣就贸然转型，否则自己挖的坑，跪着也要填完。