1. DS / AI / ML 三大方向差异
| 方向 | 核心课程 | 适合背景 | 就业方向 |
|------|---------|---------|---------|
| Data Science (DS) | Stats + SQL + ML + 业务 | 数理 / 商科 / 工程 | Data Analyst / Data Scientist / BA |
| AI | DL + NLP + CV + RL | CS / EE / 数学 | AI Engineer / Research Scientist |
| Machine Learning (ML) | ML Theory + 优化 + 概率 | CS / 数学 / 统计 | ML Engineer / Research |
| Data Engineering | 大数据 + 分布式 + ETL | CS / 软件工程 | Data Engineer / MLOps |
| Business Analytics (BA) | Stats + 商业 + 工具 | 商科 / 理工 | BA / Product Analyst |
2. 美 Top 30 DS / AI 选校清单
| 学校 | 项目 | 时长 | 特色 |
|------|------|------|------|
| MIT | MEng in AI | 2 年 | 顶尖研究 |
| Stanford | MS in CS (AI) | 1.5-2 年 | AI Lab + 硅谷 |
| CMU | MCDS / MSAI / MSML | 1.5-2 年 | 多项目可选 |
| UC Berkeley | MIDS / MEng EECS | 1-2 年 | 灵活 + 硅谷 |
| UMich | MS in Data Science | 1.5-2 年 | 综合强 |
| Cornell | MS in CS (ML) | 1.5-2 年 | 理工科强校 |
| UIUC | MS in CS / Stats | 1.5-2 年 | 性价比 |
| GaTech | MS in CS (ML) | 1.5 年 | 性价比高 |
| Columbia | MS in DS | 1.5 年 | 纽约就业 |
| NYU | MS in DS / CS | 1.5-2 年 | 纽约就业 |
3. 英 G5 + 王爱曼华
| 学校 | 项目 | 特色 |
|------|------|------|
| 剑桥 | MPhil in ML / AI | 顶尖研究 |
| 牛津 | MSc in ML / Stats | 顶尖研究 |
| 帝国理工 | MSc Computing (AI/ML) | 工科强 |
| UCL | MSc ML / DS | 伦敦 |
| 爱丁堡 | MSc ML / DS | 算法强 |
| 曼大 | MSc DS / AI | 性价比 |
| KCL | MSc AI | 伦敦 |
4. 先修课要求
### 必备
### 加分
5. 申请画像 (CS Top 30)
| 维度 | 建议 |
|------|------|
| GPA | 3.7+ (Top 10: 3.8+) |
| GRE | 325+ (Q 168+) |
| TOEFL | 105+ |
| 科研 | 1-2 段 (有 paper 加分) |
| 实习 | 1-2 段 (BAT / 大厂) |
| 项目 | 2-3 个 ML / DL 项目 (Kaggle / GitHub) |
6. 课程结构 (以 CMU MCDS 为例)
| 学期 | 课程 |
|------|------|
| 1 | 系统 / 数据库 / ML 基础 |
| 2 | 深度学习 + 选修 (NLP/CV) |
| 3 | Capstone + 高级选修 |
| 4 | 实习 / 论文 |
7. DS vs CS 选哪个?
| 维度 | DS | CS |
|------|----|----|
| 时长 | 1-1.5 年 | 1.5-2 年 |
| 编程要求 | 中 | 高 |
| 课程 | 偏应用 | 偏系统 |
| 就业 | DA / DS / BA | SWE / 全面 |
| 适合 | 转行 / 业务 | 强技术 / 算法 |
8. 就业方向 + 起薪 (USD)
| 职位 | 起薪 | Top 校 |
|------|------|------|
| Data Scientist | 110,000-150,000 | Stanford / MIT / CMU |
| ML Engineer | 130,000-180,000 | CMU / Stanford / Berkeley |
| AI Engineer | 130,000-180,000 | MIT / CMU / UCB |
| Data Engineer | 110,000-150,000 | CMU / UIUC / UMich |
| Research Scientist | 150,000-200,000 | MIT / Stanford / CMU / Berkeley |
| Quant Researcher | 200,000-400,000 | MIT / Stanford / Princeton |
9. 申请策略
10. 5 大避坑
1. 选 BA 当 DS 申请 (门槛低但就业不同)
2. 不读 paper 就申 AI (面试问论文细节)
3. 选 1 年制 MEng (学不到深度)
4. 不做 Capstone / 实习 (就业时 HR 问)
5. 忽视先修课 (很多学校硬要求)
结语
DS / AI 2026 仍是热门, 选校时考虑: 项目时长 + 课程设置 + 地理位置 + 校友网络。Top 30 录取率 10-20%。