[经验] 镇坛好文：MIT2018届学长的大型金融工程／数据科学／金融数学／商业分析美研申请功略 [复制链接]

PaceHan
UID: 3897769

寄托新兵

Rank: 2

声望: 71
寄托币: 223
注册时间: 2018-7-23
精华: 0
帖子: 7

电梯直达

楼主

发表于 2018-7-23 20:30:11 来自小程序 |只看该作者 |倒序浏览

大家好，
我是Pace Han
这次给大家带来NYU本科生在金融工程MFE/大数据这两个方向上研究生的申请攻略。

写这个攻略，有两个原因。

一：很多学弟学妹都在问我申请相关的问题（比如哪个项目好？该怎么准备？）并且我意识到很多人的“方向”都有些偏离。为了让大家少走弯路，我在这里算是统一做一个回复。而且其实申请研究生是一个长线的工作，从大二上就基本要开始部署了。所以我也希望学弟学妹看完攻略之后更清楚自己努力的方向在哪。

二：宣传一下MFE／大数据申请交流群（详情见第7部分）。这段时间越来越意识到networking的重要性，于是想就此机会把本科有相似志向的同学都聚集起来。很可能以后大家都在一个industry里面打拼，那这个时候有一个联系平台就可以说是非常重要了。同时，希望群里也会吸引一些非常优秀的学长学姐一起来答疑解惑。

Acknowledgement

写这篇文章，并不是去宣传自己，也丝毫没有吹捧自己的意思。相反，我完完全全明白我是一个平凡的人，通过一系列平凡的努力，完成了一系列平凡的成就。也正是因为如此，我觉得我自己的感悟对学弟学妹更有借鉴作用（天才总是少之又少的）。

在此我要感谢陪伴我度过本科四年的所有同学、朋友。尤其要感谢卢卢，湿湿，戴戴，兰灵，Andrew哥，Philip等朋友对我的长期鼓励以及建议。我非常感激。

希望大家都前程似锦。

Pacehan的背景

NYU本科
Honor Math Major，CS Minor， Business Study Minor
Overall GPA：3.95
专业GPA：3.98
GRE: 阅读168，数学170，写作4.5
两个数学Research
一封牛推
无Publication
无美国大行实习

Offer：
MIT Data Science (MBAn)
MIT Finance (MFin)
Columbia MFE
Columbia Math Finance
NYU Math Finance (免1/4学费）
Northwestern Data Science（MSiA，$10000奖）
Cornell MFE（$10000奖）

Waitlist:
Stanford Data Science

Reject:
Princton Finance, Harvard Data Science, Baruch MFE (二面拒）

其他：
Berkeley MFE 给了面试，但此时已经决定去MIT，于是withdraw了application。

下面展示一下我的部分offer，也让我这篇文章更有说服力一些。

Cornell MFE

MIT Finance

MIT Business Analytics

Columbia Math Finance

NYU Math Finance

Northwestern Analytics

目录
1. MFE项目介绍
2. Data Science项目介绍
3. 研究生申请材料
4. 面试准备技巧
5. 金融工程推荐书单
6. 大数据推荐书单
7. NYU校友联系

1. MFE 项目介绍

NYU Math Finance
理想条件：GRE 330+，GPA 3.9+，提早申请
很多同学应该对这个项目有过耳闻。它活在名声响亮的Courant Institute下面，伴随着“从来不录NYU本科生”的传言。那么首先要在这里debunk一下谣言：这个项目录NYU本科生！就2018一届来说我所知道的NYU本科生就至少有4个录取，所以NYU学弟学妹们不要被谣言吓到了。但这个项目的难点在于它是分控。因为它没有面试，所以基本上完全是看分数和背景做决定。一般总录取人数在50-60左右。它的优势当然是很明显的：Courant的名声，靠近Wall Street。缺点就是Career Service不行，因为NYU没有对Math Finance的学生有点对点的服务。

Columbia MFE
理想条件：GRE 330+，GPA 3.85+
应该是很多人心中的dream program，其实每年录得人还是挺多的。一般来说会抽取200个人左右面试，录取100个左右。面试采用的方式其实就是简单的video interview。更重要的是，他们家的video interview的题库常年不变（10题左右）所以在面试前做好充足的准备是很简单的（我面试的时候5道题目全是之前准备过的）。但比较坑的一点是Columbia MFE的面试和offer发送时间都非常随机（所以会每次看到身边人拿到自己没拿到的时候都感觉心慌慌...）。这个项目的优势在于地理位置，校友联系以及历史沉淀，基本上也是属于申请金工项目的同学都会申请的项目。

Columbia Math Finance
理想条件：GRE 330+， GPA 3.8+，提前申请
很多人问我这个项目和Columbia MFE到底有什么区别。最重要的区别，在我看来，就是未来的方向。MFE的同学大部分进了industry之后都是做quant（尤其是quant trader），也就是在后台做算法做交易。Math Finance项目的课程则更加灵活，除了quant的基础课还会有很多其他方面的数学金融知识，就业面也更广。虽然在美国找工作可能没有MFE那么强势，但是很多毕业生都在香港找到工作，而且最重要的是就业面很广：IBD，Risk，Trading，etc。这个项目很适合数学功底扎实对金融有兴趣但是CS背景偏弱的同学。再说一点就是这个项目是Rolling的且没有面试，越早申请越越有机会很早拿到offer，所以建议提早申请。

Baruch MFE
理想条件：GRE 320+，GPA 3.7+，数学，金融，编程精通
传说中排名并列第一就业率100%的Baruch MFE项目。怎么说呢，这个项目会有两轮面试。面试发得比较多，达到基本要求就会有面试。但和其他项目不一样，Baruch的面试只有technical的题目！Pacehan自己是在二面的时候挂掉了。就考题范围来说真的是非常的广，会考很多研究生数学的东西（特别是stochastic calculus和derivative security）如果没学过那么多那么深的内容就可以不用浪费时间申请了。再说一点，二面的面试官一定是Dan Stefanica, who is the head of Baruch MFE program（准备他们家面试可以往下滑看看我推荐的MFE书单）。Baruch的优势就是在于100%就业率（因为career service极其给力）在美国找工作完全不用愁。Baruch的劣势么....在我说之前你们知道这个学校这么牛逼么哈哈哈哈。

MIT MFin
理想条件：GRE 325+，GPA 3.8+，综合素质/能力突出
虽然项目的名字叫做Master of Finance，但MFin项目还是偏向Financial Engineering方向的。此项目有18个月和12个月两个选项，还有三个不同的concentration可供选择。MFin出去就业面也是非常广的，除了在Boston做asset management里面的quant，很多也回国做IBD等等。这也造就了MFin项目里面的同学性格很diverse并且很合得来（之前去面试的时候感觉到他们的环境真的特别融洽）。这个项目一年全球面试400人，录取150人左右。NYU我们这一届面试了9+人，录取3人。MIT的面试基本上都是behavioral，但在普通的面试中怎么表现出自己的特点呢？可以参考下面的“面试技巧”部分，就不在这里详述了。补充一点：申请的时候optional video那里最好拿出一点有特点的东西。比如我是魔术集锦，有朋友是米其林后厨做饭，手工制作机器人扫地（他们都拿到了面试）。面试官真的会看这些。我在面试的时候面试官第一句话就是：“啊Pace我看了你的魔术，真的很棒！”一下子整个气氛就非常融洽不紧张了。

Princeton Finance
理想条件 GRE：335+，GPA：3.9+
这大概是所有项目中最难录取的项目了（一年录30人左右）一般会有两轮面试。重点是，Princeton特别看重之前录过的学生的学校。就我所知，从来没有NYU的学生进过这个项目，而UCLA每年会录三个。这一点成为了普林的传统，导致NYU学生进普林这个项目特别特别难（Pacehan第一轮面试都没拿到过）。

CMU MSCF/Berkeley MFE
理想条件：GRE 330+，GPA 3.85+，strong CS background
把这两个项目放在一起是因为他们还是有很多共性的。比如他们都在quantnet上排名并列第一，对CS背景的看重，就业率都非常的高。分开来说说的话CMU基本上的是网课（直播课），拿到面试一般来说就代表已经收到offer了。进这个项目的同学可以说是最卧虎藏龙的了。Berkeley的劣势在于是春季入学（3月入学），所以很多人选择放弃（比如Pacehan）。Berkeley的面试发放很少，拿到基本也代表offer了，但会问很多technical的题目。

Cornell MFE
理想条件：GRE 325+，GPA 3.7+
其实是一个非常优秀的项目了，可惜的是被前面介绍的一系列项目死死压制了，导致排名什么的并不是那么理想。但是！这个项目我真的要强推。虽然说它是作为我的保底项目，但是它有很大的优势在于他的Career Service：项目的负责人对每个本项目的学生就业问题十分关心并且用心（据说上一年到毕业了有几个中国学生还没找到工作，项目负责人直接电话了Citi把他们塞进一个special interest intern group了）这种对学生的关照力是很多前面介绍的项目做不到的。同时，Cornell在Risk方面的关注也是独树一帜，这也是为什么从Cornell MFE走出来的学生一样能和Columbia或者NYU出来的学生PK。
在提交申请之后就会有一个vedio interview，题目可以说是千变万化难以捉摸（比如说我面试的时候有一题他说了孔子说过的一句话，问我怎么interpret？）并且每题只能准备10秒钟，还是很有难度的，需要好好准备。

2. Data Science项目介绍

在各大网站上排名在tier 1的6个项目。分别是

MIT Master of Business Analytics
Northwestern Master of Science and Analytics
CMU Master of Computational Data Science
Berkeley Master of Information and Data Science
NYU Master of Science in Data Science
Stanford Master of Science in Statistics: Data Science

特别需要注意的是MIT和西北的项目名字是“Business Analytics”。这两个项目侧重点都不在技术上，而是在技术与商业分析的结合上。这两个项目申请难度都很大，因为他们是直接保证了summer intern（并且有几率直接转full time）。这一点上就吸引了一大批人。这两个项目都需要面试：西北的纯behaviroal，MIT是behaviroal和technical交织在一起（下面面试技巧部分会提及）。就业方向基本偏向consulting（data analytics）。

其他四个项目都是非常扎实的，偏向技术领域，出来读PHD或者zuodata scientist的可能性较大，很大一部分人都去了high-tech company。斯坦福应该是最难录取的（一年10人左右），然后Pacehan拿了waitlist其实已经心满意足，感觉自己实力得到了认可。NYU应该是相对比较好录取的并且也是一个很经典的老牌项目，就业也是很不错的。CMU和Berkeley都特别偏向CS背景的学生，所做的内容也是更多以engineering为主。

3. 研究生申请材料

GRE（比重大约25%）
GRE是每个申请研究生的同学必须要考的。这里说的是GRE General Test （GRE subject的话一般只有PHD申请才需要）。GRE满分340，阅读满分170，数学满分170，写作满分6。一般来说对申请MFE或者DS的同学来说，写作分数不需要很看重，达到4分即可满足要求。一般阅读达到160，数学达到170，总分上330较为理想。按分段来看的话，5分为一个档次。335-340基本拿面试没问题，330-335为比较不错的分数（在其他条件也不错的情况下结果不错），325-330是有一点风险的分数，需要其他申请material给力，320以下一定要其他条件有很逆天的（比如有美国大行实习，或者有publication，或者有牛推）才有可能被考虑。

PaceHan的阅读拿了168分，数学拿了170分，写作拿了4.5分。至于怎么考GRE怎么拿高分，我就不在这里详述了（要细讲的话可以讲一整篇文章）。其实一般来说努点力330（160+170）是很容易拿到手的。数学比SAT还是要难些的但是对数学major的同学来说拿满分一点也不困难。阅读的话首先要背单词，然后就刷题锻炼自己的逻辑，一般练习量达到了160也不是问题。

如果对GRE真的很困惑或者说想要什么指导或者有用的材料，就扫二维码加我好友再详聊（在第7部分有微信的二维码）。这里我给大家灌输的意识就是尽量让GRE的分数要达到一个安全线以上，自己的申请才是相对保险的。为了获得一个好的Gre的分数，需要尽早做准备（我是在大三暑假把分数考出来的）。因为如果大四上去刷G一是有课程影响自己状态，二是申请迫在眉睫如果考不出来压力会很大。

GPA (比重大约25%）
GPA在申请中也占很大的比重。其实更重要的是你的专业需要对口研究生项目。比如说金融工程项目都喜欢数学或者CS专业，对经济专业也较为青睐。大数据则特别看重数学和CS能力。所以说自己的major一定要和项目对口，这是最基本的。从这个角度看，double major in math and cs 可能是最好的background了。

Pacehan我自己呢 GPA 3.95， Honor Math Major GPA 3.975。一般来说，3.9+的GPA在之前所有说到的排名靠前的项目中都很有竞争力，很多项目拿面试或者无面录完全没有问题；3.8-3.9这一段的GPA就是属于人比较多的段落，但也是非常强势的，属于不扣分不加分的段落（MIT大数据GPA平均3.9，西北大数据GPA平均3.87）；3.8以下的GPA可能会偏低了一些但是不要慌，GPA只要在3.5+还是有希望的。这种时候就要多多展示自己其他方面的优势并且focus on那些对GPA要求不那么高的项目（比如Mit的finance平均GPA为3.7）。

Personal Statement (比重大约10%）
可能有人对10%这个看法异议。但在我看来，金融工程/大数据的研究生申请中文书的比重真的不是很大。基本上所有项目的文书都是雷同的why essay，我最后写的文章也基本每个学校雷同（除了最后一段小小改动一下）。

一般来说文书都是两页的长度，并且要注意的是着重讲一些干货干货！不要说废话！比如我的文书3/4都在说我做过的两个reserach和实习经历，以及从这些经历中我收获了什么。最不应该写的就是空话。比如我很喜欢你们项目，因为就业率，因为我对这个行业有兴趣，因为我从小就喜欢金融（真的么...)。多聊干货，自己的背景才是王道。

但是essay呢，还是有地方可以给你骚一骚的。比如我分享一段我斯坦福data science和Mit finance的personal statement的开头：

文书里面该骚一下，该皮一下的时候还是要有的，把握好度就好，否则Admission的人会觉得你作为一个applicant没啥特点。还有就是文书一定不能抄袭别人的，如果被发现抄袭的话可能后果真的不是一个reject那么简单了。

推荐信（比重大约20%）
一般来说各种program都是要两个professor的推荐信+一个intern supervisor的推荐信。我这里着重说professor的推荐信。从结果上来说，最后大家都能要到推荐信，但是推荐信的质量差异还是很大的。那怎么保证自己的推荐信质量高呢？

1.多找research机会，和教授有交流和合作。这样他们在最后推荐信的时候会很了解你并且牛推（比如我有两个research，sure和durf，分别对应两个教授，推荐信就这样搞定了）
2.找给自己上过课并且有一定reputation的教授。
3.课余时间和教授搞好关系。（比如我的两个推荐人一个来参加过我魔术show，还有一个邀请我去给他家儿子变魔术过生日party...) 课余处好关系可遇不可求，但一定是可以给自己加分的。

Research（比重大约20%）
其实在我心中，research的比重远远超过了20%，尤其是在竞争非常激烈的顶尖项目中如果拿不出一个像样的research很可能直接被淘汰。那NYU数学专业的research机会我在数学攻略（本文下面有链接）中已经说得很清楚了（SURE和DURF）。其他专业也可以各自在部门有research机会可以申请。需要注意的是：如果想去MFE，就做与金融有关的research；如果想去Data Science，就做数据或者算法方面的research。原因是做研究的内容和申请方向如果挂钩的话，会很受admission office的人青睐。

就我自己经历而言，我SURE的research是关于Data Science的（西北和MIT面试的时候都问了这方面的东西，说明他们确实很关注学生的research能力）而我DURF的research是关于洗牌的，不算金融也不算数据，所以当时我很尴尬。幸好我最后把DURF的research摇身一变改成了一种压缩信息的算法，才勉强和申请方向扯上关系。所以劝大家research找topic的时候最好和自己的未来方向相关。最后加一句：research是在顶尖项目中脱颖而出的很重要的一环。

Internship (比重大约10%-30%）
实习这方面我做的不是特别好，只有在国内的两段暑期实习。而国内的实习在申请中基本就算是“够用”，“不会扣分”。但是如果你有美国大行或大公司（叫得出名字大家都知道的公司）的相关经验实习，那这在申请中是很能加分的。Internship的经历是在申请中作为一个救命稻草使用的（硬件不好的时候工作经历可以帮你脱颖而出拿到面试）。
我在这方面就不做更多点评了，毕竟自己在拿美国summer intern上经验也不是很丰富。如果有机会我会邀请身边的找工作大神来写个攻略。

4. 面试技巧

其实就像我之前说的，很多项目拿到面试就代表你过了第一轮。但这个时候千万不能掉以轻心因为面试也会刷掉一批人。准备面试其实也是一个很有技巧的事情，我来给大家讲讲我的面试技巧。

Behavior类型
其实behavior类型是我准备下来觉得最简单的一部分了。由于我英语freestyle能力不是很强，基本就靠一个字：背。原因是behavior的问题基本就那几个。比如：为什么选这个项目？你为什么觉得你适合这个项目？你过去的experience？团队里面有人发生争吵怎么办？无论出什么样的behavior的题目都逃不出这个大致框架。我先把这些问题答案想好写好再背下来，这一部分就算是圆满完成了（如果口语好大可不必这样，但是还是要先想一想可以说的points）。还有一点要说的就是我准备了两个我过去经历中的万能事例，可以套在任何一种题目上以备不时之需。所以也建议大家准备。

Technical类型
对于MFE的技术面试请参考我下面的MFE的推荐书单。一般来说MFE项目除了Berkeley和Baruch面试都不太问技术问题。而Baruch的技术面试是出了名的难。我Baruch二面的时候就有几个让我非常懵逼的问题。打个比方：为什么put和call with same S and T 有一样的iv？（当时内心MMP）解释一下Gamma的图像以及形成原因？如果这些问题作为读者的你不会回答，就还需要好好准备。
对于Data Science的面试，technical的问题就会更加广泛，经常会问到编程、数据库、算法、统计、概率等各方面的问题，可以说是防不胜防。唯一的准备方式就是打好基础+保持清醒的头脑。打个比方Mit面试的时候问了我几个问题：1. python和R的优劣势说一下？（内心os：根本不会R）2. 如何处理大数据库？（内心os: ？？？）3. 怎么算out of sample R square? (内心os：out of sample？）4. 一枚硬币连续投8次，请问能get至少连续3个head的概率多少？（只给了一分钟，当时想了三种方法去答，结果也算不出来。回来之后仔细想了一下这个题觉得根本不可能1分钟想出正确思路...)。这些题都是很有可能在大数据项目面试中出现的题目。如果读者你不太知道怎么回答这些问题，建议赶快再去巩固统计，编程和概率的知识。

市场类问题
这一类问题是真的很难准备，需要平时多关注industry里面的事情（比如多看WSJ）来积累自己的理解。然而在面试中，一定要expect会遇到类似的问题。打个比方，在Mit finance面试中面试官突然就问我你是否关注bitcoin？问我bitcoin最高价曾到过多少？Bitcoin是一个fad or not？我之前从来没准备过这方面的回答，也没有特别深入的了解过比特币。幸好湿湿老师在去boston的路上跟我讲了一下，我就蒙混过关了。在Mit MBAn的面试中，我和面试官也聊到了blockchain（热门话题）的优点缺点。整体来说，对金融/数据领域内的新闻或者话题关注并且保持思考是一定会对面试有帮助的。

歪门邪道面试法
人，一定要有特点。对于面试官来说，他们每天面试的人背景，经历都是千篇一律的。如果你没有特点，很容易就把你忘了。那，人的棱角是可遇不可求的。我在申请期间养成了一个习惯：每次面试结束给面试官变一个魔术（一个真正特别强的效果，甚至我魔术show的时候都不舍得拿出来的效果）。我内心里知道变魔术一定给我面试加了不少分，因为我给他们留下了印象，展示了我的特点，那他们也自然更可能记住我（Mit给我打电话录取的时候还说希望我以后多去给admission office变魔术）。
但这种，我称为“歪门邪道面试法”是不能强求得来的。因为很多人不一定有特长可以展示，或者在面试的场合下展示不出来。这个我没法提供建议，但是我想传递的信息是如果你有能力展示自己不一样的一面，一定要找机会展示自己，因为“歪门邪道”才是面试官记住你的关键。

5. 金融工程推荐书单

其实金融工程这个专业很需要课外书来补充知识。原因一是学的专业知识很多时候和实际金融市场还有有差异，如果不看课外书了解金融市场以及一些相关背景，最后出来工作也是很有局限性的。原因二是读了这些课外书在MFE的面试中可以发挥得更加自由，让面试官觉得你是一个dynamic的学生。

接下来推荐的书籍全是Pacehan自己已经至少读过一遍，并且觉得含金量很高的书籍（Note：排名不分先后）。

《The Quants》
这本书基本上讲述了quant的历史背景以及历史上传说中特别强的几个quant（like Ed Thorp, Jim Simons)。我觉得这本书更着重的是提高读者对quant的兴趣。如果你不知道quant或者MFE到底是干嘛的，可以看看这本书。同时这本书里面的很多故事都很有借鉴作用。举个例子，我很喜欢里面描述Ed Thorp怎么面对1986年的黑天鹅事件的。而这又是一个经常出现的面试题：怎么面对黑天鹅？如果回答这个问题的时候你能引用一个Ed Thorp的例子再说自己观点，面试官是不是会觉得你学识渊博呢哈哈哈哈哈。好啦，重点就是，这本书还蛮好看的（充满了钱的味道）

《A Random Walk Down Wall Street》
中文译名“漫步华尔街”。这本书我觉得很多同学应该或多或少有听说过，是一个金融市场的经典之作，讲的主要是EMH（Efficient Market Hypothesis)。不过我刚开始看这本书的时候我是冲着random walk去看的（我以为是讲很多random walk的知识结果只是一个噱头...)。整体来说这本书我觉得不是很好看，但是让我对EMH有了深刻的理解，而EMH对一部分Quant来说也是很重要的。所以大家可以了解一下。

《Fooled By Randomness》
中文译名“随机漫步的傻瓜”（我是真的喜欢随机漫步）。这本书可以说是我的最爱了，主要讲的topic是survivorship bias和black swan。怎么说呢，我觉得这本书和下面推荐的《black swan》是MFE学生必须应该读的两本书。这两本书串在一起就构筑了一个人在金融领域基本的风险意识以及对小概率事件的理解。如果不理解这些，那你就是真的拿Luck在Trade了。

《Black Swan》
这本经典之作我觉得我不需要多介绍了（至少在我心中是经典之作）。也是因为这本书（和上面那本）让我对小概率事件/正负黑天鹅产生了浓厚的兴趣，并且我有种感觉我研究生在Mit做research我会把big data 和 black swan联系起来。整体来说，这真是一个让我特别感兴趣的话题。推荐阅读，更推荐来和我讨论哈哈。

《A practical guide to quantitative finance interview》
本来基于私心这本好书我是不准备给大家分享的（因为这本书真是太useful了）。但我想想还是要尽力帮助大家，那就把这本书和盘托出。这本书涵盖了很多很多MFE/quant工作的面试问题，这些问题你也是迟早会遇到的。讲句实话，在看这本书之前我quant interview基本上一个technical都没答出来过。精心看完这本书之后所有（注意是所有！）quant面试的technical题目我都轻松做出来。行了，不能再吹这本书了，再吹下去就不能arbitrage了。

《150 Most Frequently Asked Questions on Quant Interviews》
和上面那本一样，讲的都是相关面试题。这本书独特之处在于他的作者是Dan Stefanica, who is the director of Baruch MFE program。如果进了Baruch的二面，一定是Dan老哥来面试，那如果读过他写的这么interview的书就会比较helpful。

6. Data Science书单推荐

Data Science其实对读课外书要求并不是很高，更重要的是技术&Coding水平。最重要的两个语言：R and Python。数据库的学习：SQL。下面的书也基本上都属于半个教科书类型的书，大体讲了数学分析的理论方法。具体的实现还需要上上网课做做project。

《The Analytics Edge》
这本书可以说是非常非常comprehensive了，包含了data science的各个领域：healthcare, internet, finance, etc. 更重要的是，这本书对Analytics背景故事方面讲的特别特别全啊！很透彻很深入的讲解，可读性很高，是一本不可多得的好书。（By the way，作者Dimitris Bertsimas 是MIT Operation Center的老大（CV有34页...）业内大佬）

《Data Analytics》
那这本书相比前面那本就是“水”了一些，因为它并没有很多技术的内容。但是，这本书的优势在于它把Data Analytics这个领域完完整整并且很快速地介绍了一遍。如果还不确定是不是想去做data analytics或者data scientist，可以看看这本书（很快就可以看完，50多页）。

《An Introduction to Statistical Learning: with Application in R 》
这本书我本人也没有读过，但是是MIT学姐强烈推荐的，同时是MIT MBAn一门课的教材，基本上是machine learning的入门级的教材。在这里推荐给大家。

7. 申请交流群

这次写这个攻略，还有一个很重要的目的就是希望可以建立起一个热爱此类专业学生的群。就像我之前说的：1是可以增强同专业朋友联系，以后在industry里面可以互相帮忙；2是学弟学妹们可以在群里问问题，很多优秀的甚至已经工作的学长学姐可以解答（有很多申请或者行业细节是这篇攻略没有概述到的）; 3 是群里有时会组织饭局，便于大家互相交流。

希望大家前程似锦。