USC转CS神专业Data Informatics毕业后回顾介绍与评价

. 1point 3acres
首先，我个人认为这个专业还是很超值的，个人定义为“转CS神专业”。只要修28学分，相比37学分的CS要省相当多的钱，且录取方面对转专业学生也很友好，门槛也不是很高（至少是我们那时候）。就业问题下面细讲。如果10分满分的话，我给该专业两年自己的研究生生涯打8.5分。关于个人的背景，请翻看以前的帖子。
先从个人角度评价一下自己所修的课，主要分以下几个维度，分值0-5：
内容价值：这门课的教授内容是不是很新，或很有用，或很丰富，上完了以后能很有收获？
. 拿A难度：分越高，越容易拿高分。
就业帮助：课程的内容，project等，对找工作帮助大不大？

INF 551: Foundation of Data Management
内容价值：4， 拿A难度：3， 就业帮助：5

对于CS本科的同学，学这门课应该不费力，因为它只是一门introductory课程，广而泛地介绍了大数据相关的几乎一切概念。而对于转专业同学（比如我），这门课就是神课，能很迅速地给你补知识的短板。我当时作为一个command line不会用，SQL完全没学过，Python零基础的小白，上这门课完全是struggle，非常痛苦地在push自己在学。但是最后上完了以后，尤其是作为一个后进生最后拿了A，确实有脱胎换骨的成长的感觉。而且很重要的一点是，这门课讲的很多知识点都是面试大热门，自己已经被考过无数遍了。

INF 552: Machine Learning for Data Informatics
内容价值：5， 拿A难度：3.5， 就业帮助：3.5
现在最火的是什么？ML！这门课就是给你从无到有讲ML的。主流的教授Satish是Andrew Ng的博士生，上课兢兢业业，下课答疑也是很认真。虽然我没正式上过他的课，但是他的办公室在我实验室办公室旁边，他门上就贴着一张纸条，大致内容是“欢迎你随时来问问题，问了你才能理解”。对于想走应用型ML的童鞋来说，这门课很有用。

INF 553: Foundations and Applications of Data Mining
内容价值：5， 拿A难度：3.5， 就业帮助：4
Data Mining也是当今三俗（AI，ML，DM）之一。这门课的主流教授Yaoyi也是广受学生追捧（虽然我上得也不是他的session）。我之前在Zillow工作的学姐，她说自己印象最深的就是这门课。同时，这门INF的课，也是许多CS的学生争相来选修的课。如果要选一门代表这个专业的课，INF553当仁不让。

INF 554: Information Visualization
内容价值：3， 拿A难度：4， 就业帮助：3
这门课面子上说是信息可视化，大多数部分和前端开发息息相关。整门课对于前端相关知识有一个系统的应用以及一个很大的project。如果你对前端、设计等感兴趣，那么这么课必然是为你打造的。而对于走后端, data engineer, data science等等的童鞋，帮助就很有限了。

INF 558: Building Knowledge Graphs
内容价值：5， 拿A难度：3.5， 就业帮助：5
我有相当一部分的offer，人家就是主要冲着这门课来的。比如京东北美研究院，看到我project的demo，和他们的需求完全契合，给出了相当大的包裹，面试也是一路绿灯。这门课有几大特色，第一是它的独特性，各大学校里教knowledge graph的课着实不多，而这项技术的需求正稳步增长。第二是它的师资以及研究资源，当时我们的教授是两位大牛，依托USC Information Sciences Institute所提供的大量research position，能够让你既能学到东西也就机会应用。第三是这门课独特的project，最后的project很fancy，end-to-end，也很新颖，能帮助简历脱颖而出。

CSCI 570: Analysis of Algorithms
内容价值：5， 拿A难度：4， 就业帮助：5
我们的选修课之一，USC的CS神课，几乎没有之一，也被许多童鞋讨论过了。对于找工作，那是相当有用的，算是与刷题、面试、找工结合最紧密的一门课了。课上的例题、延伸作业题、考题等，面试已经被面过无数次，甚至有的面试官作为hard的杀手锏，你幸运的话，也说不定就是这门课课后讨论的一道例题（亲身经历）。

剩下的四个学分，我是通过实习+research凑的。

讲完课，来谈一谈就业。这里我就谈我微观上个人的感受。

这个专业，就是为data engineer, data scientist量身打造人才，对于找这两种工作，比较有优势。而如果你想找general software engineer的工作，主要还得看个人的刷题水平和业务能力。

为什么说它对data engineer, data scientist有优势呢，因为比如data engineer方面，它里面有系统的Spark, Hadoop等的训练，大部分programming用Python，也有Scala, Java等，其他的技术栈包括SQL, NoSQL, AWS等等。而对于data scientist方面，除了之前提到的Python，还有ML的系统学习，选修还有AI，NLP等课可以选，以及knowledge graph等等。对于这两个岗位技术栈训练都可以很完善，看你想选哪条路。个人选的是偏data engineer的Software Engineer方向。面试的时候，自己的Map Reduce熟练度，Spark经验，Hadoop经验等等相当加分。举个例子，有些面试题的follow up会问到“当数据量变得极大时怎么处理”，这时候面试官很可能就是想听你Map Reduce的思路。又或者，我遇到过很多次，面试官就直接问你怎么用Map Reduce解一个问题。这种面试题对于我们真的就是拿着鱿鱼钓螃蟹——手到擒来，而且让面试官感觉很牛逼。

当然，这也并不是说，你只要学了这个专业，面试就是庖丁解牛。你课后也需要以专业所学知识为基点，主动地根据你的职业发展方向，进行拓展和延伸。还是拿我自己作为例子，课后就拓展了data modeling, Tableau, data warehouse, hive, presto, kafka, data pipeline等等知识，上了20几门小网课（udemy, linkedin上那种一门课几个小时的）。我周围也很多人说“哎呀我上了这个专业，都是浅尝辄止，我感兴趣的面试拿不到，我也没有找到相吻合／理想中的工作”。这其实是缺乏自主学习能力的体现。俗话说得好，师父领进门，修行在自身。这个专业只是为你打基础，做知识储备，而个性化的深度延伸，全靠自己自觉。举个例子，比如Hive相关的知识，直接问这个专业（没有课后主动延伸）的同学，其实和一般CS general专业的同学，反应应该是差不多的。可是，我们Data Informatics会强调讲SQL、Hadoop、MapReduce，这三点是基础。那么延伸一下，传统SQL的缺点是什么？应对大数据无力呗。那怎么解决呢？用Map Reduce啊。用什么做Map Reduce呢？Hadoop啊。那是怎么实现的呢？这就是Hive啊！其实Hive本身课上几乎并没有提到过，如果自己不做课外延伸学习，它也就是一个孤零零的软件。而当你主动把学的东西串起来之后，就会发现其实很多都学过，延伸会变得自然而然，同时你和周围同学的差距也就拉开了。

再说说career fair。很多人都说career fair无用，但是其实是你没有找对career fair的正确打开方式。

USC Viterbi的career fair每次都是早上十点开始，那么，请你早上七八点去你最喜欢的大厂排队。为什么？1. 这些大厂往往队伍会特别长，节省时间， 2. 早面谈，早拿on campus面试。举个例子，2018年春招普遍不是很很景气，二月的时候，亚麻早就freeze，FB几乎已满，G家虽然在招但是不会在career fair上给面试，而传统的一些知名厂，比如IBM, Cisco， eBay等，也没有来career fair。当时最受欢迎的是我司Oath （Yahoo）。如果你8点开始排队，那么10点开始后，大概15分钟内就可以面到。而如果你10:10分左右开始排队，那么不好意思，大概下午2点你才可能被面到。career fair的时间是上午10点到下午3点，这之间的时间是黄金时间，而之前和之后的时间都是垃圾时间。你想想，用垃圾时间去换取黄金时间，这难道不是天底下最划算的买卖吗？你花15分钟就能排到别人4个小时才能排完的队，省下来的时间，可以别的大公司，或者无数的小公司，拿到的面试机会，也自然多得多。

同时，早排队，早面谈，那时候，和你面谈的那些engineer, HR等等，经历还很充沛，很愿意去了解你，愿意给你出题。他们手上on campus面试的名额还很多，很容易拿到。而到了下午，大家都累了，他们愿意跟你聊只是尊重你排了他们的队，走走形式而已。他们已经累得不愿意深入了解你了，面试名额也在上午发光了。最后，要聪明一点，多问问前辈学长学姐经验，了解哪些公司值得排，哪些公司不值得。比如Oath，FB, 微软，英伟达，思科，Bloomberg等等，是会给on campus interview的。而Google，GE等等，纯粹就是来走个过场，还是要你回家网投。

我当时为了充分利用career fair，做得就比较绝。一方面，一大早就去排队，另一方面，还雇了两个社会上的人帮我排队。所以，基本上career fair就几乎没怎么在排队，一直在和公司代表聊天，面试也拿到手软。当然，像我这么极端也完全没必要，来早+做好计划对于大多数人来说足矣。

最后，说一下我们这个专业最强大的后援，USC Information Sciences Institute。INF和CS专业的同学，如果有学长学姐内推的话，申请它的student worker, researcher等等非常好进（尤其是我们组），名额也挺多。进去之后，能做很多有趣的大项目，和自己专业学到的知识息息相关，顺便挣一点生活费，攒一点工作经验，给简历加个分，也算是一大优势了。

综上所述，Data Informatics是个非常好的专业，课程设置和质量也是极佳，但是，你一定要主动学习，课后积极研究行业趋势，结合自己职业规划做拓展。另外，USC有着非常强大的就业和校内工作资源，积极找，积极networking，毕业出来之后，人与人之间的差距真的可以很大。

看了楼主的描述好心动...
后悔当初没申data informatics.

补充内容 (2018-7-4 17:18):
这回复也有人踩？？？我又不是让别人去申Data Informatics，只是说说自己的想法罢了。

补充内容 (2018-7-6 09:55):
超开心der~

补充内容 (2018-7-6 18:29):
祝福大家收到想要的录取～

emmm发现一个好玩的点 ：
为何这帖子下 几乎 所有回复都有人踩？
坐等踩 lol

"另一方面，还雇了两个社会上的人帮我排队"  23333 黑道既视感

谢谢楼主的宝贵经验，想问一下前辈本科CS的除了申general 再申一波DI可以吗，感觉不是很想申37

点赞lz，说的很详细并且看了你之前的文章。。。 真的很棒 向你学习。

楼主是从什么专业转过去的？需要啥基础吗？

楼主，我现在申请usc春季，申请cs37和这个Data informatics。请问你当时写DI的sop的时候，着重强调了你未来data engineer 方向的职业规划吗？我自己的项目和实习没有和data相关的，不知道影不影响

WWWWGWWWW 发表于 2018-7-4 21:03
楼主，我现在申请usc春季，申请cs37和这个Data informatics。请问你当时写DI的sop的时候，着重强调了你未来 ...

.--请问春季现在可以申了么
我之前是系统里没办法选春季

wyh19961224 发表于 2018-7-4 17:46
谢谢楼主的宝贵经验，想问一下前辈本科CS的除了申general 再申一波DI可以吗，感觉不是很想申37

这没关系，可以申多个项目的

三本小学渣 发表于 2018-7-4 20:51
楼主是从什么专业转过去的？需要啥基础吗？

通信工程（EE）转过去的，刚进来的时候几乎0基础（除了本科学过一点算法和java），都是研究生阶段补的