最近扎堆在成功案例整理里面出不来，很久都没有更新过关于院校部分了，今天重点分享一下普通CS项目和这两年火到一塌糊涂的Data Science数据科学的欧洲院校项目比较。区别于【选校名单】特辑，这里不会列出所有的欧洲的计算机类的项目，只会集中的分析重点的几个代表性项目的差别和特点。
一。综合Computer Science项目，Data science只是其中一个分支
1.1 代表学校1 丹麦哥本哈根大学University of Copenhagen，QS排名81
Master of Science (MSc) in Computer Science：Study Track: Data Science (DS)
https://studies.ku.dk/masters/computer-science/
1.1.1 综合Computer science，下属Data science分支的课程特点：课程相对综合，DS专业课难度小一点
这里突出一下，EE专业一般只有理工学院开，但是CS专业可不是，而且综合性大学的CS一点不比理工学院弱，而哥本哈根大学的CS项目其实有两个，一个是这个CS，一个是Master of Science (MSc) in IT and Cognition, 但是后者偏向HCI，比较偏向心理学和计算机的交互部分。这里我们今天强调的是 (MSc) in Computer Science，这是综合项目，而Data science只是它其中一个分支，这种课程的特点就是项目不会集中扎堆式的数据分析的课程，并且数据分析课程基本比较多的是基础课，比如算法课程，数据结构，数据可视化这些课程，这些课程一般在本科是计算机科学或者软件工程的成绩单上面也有，所以难度并不大。同时，这样综合项目的特点是一定有很多方面的杂课，比如编程课会有，很多学校会开设比较新的python和Matlab, 并且可以看到哥本哈根的课程设置里面也会有数值优化，信号处理和图形处理（这门课是EE领域范围的）。
1.1.2 哥本哈根课程的独特性：machine learning的课程比较多，这不仅仅是哥本哈根的特点，而是应该说是整个北欧的课程特点，尤其是在KTH和DTU，Aalto的计算机专业都能看到，而且KTH还有专门的一个machine learning项目，这在其他欧洲国家非常少见，因为目前大部分都是Computer Science的综合项目，比较热门的数据分析data science和artificial intelligence人工智能会单独成立项目，而机器学习会单独成立项目的比较少见，KTH是代表性很强。所以这里哥本哈根的机器学习课程占比有是整个北欧data science的特点。
1.2 代表学校2 荷兰代尔夫特理工大学，QS排名50
Master of Science Computer Science, Track: Data Science & Technology
Track: Data Science & Technology
这也是综合的computer science， 而其中一个分支是data science,与哥本哈根大学的项目属于一类，有相似性，正如Pris讲的， 综合项目比较多会有这样的基础课。可以看到综合性的项目会涉及的比较杂，面比较多。整个core courses和分支课会涉及到人工智能，网络数据，分布式系统，嵌入式，网络安全，编程，生物信息学。
TUD分支课-分支课的含义就是你选择的这个分支必须只能在这个分支里面选课，欧洲的大部分理工学院都会这样设置，课程分为core course+ specialisation/track courses+electives.可以跨分支跨专业甚至跨学院的选课一般只有最后一部分，这个分支课是欧洲的特点，目标在于分流。因为理工学院课程比较多。
二。独立的data science专业
（不一定完全叫这个名字，有的叫做computing science, machine learning, 虽然算力和机器学习还是和DS有差别，但是可以划分在一个领域当中，就是说招收的同学背景相似）
2.1 代表学校3 瑞士苏黎世联邦理工学院 ETH Zürich: Master in Data Science
关于课程设置：
可以看到课程基本没有多余的编程课和类似哥本哈跟和TUD这样的综合性项目的编程课和其他CS分支的多样性课，而是直接上来就是数学高级课程，计算统计，数据科学优化，递归统计，机器学习，分布式计算，深度学习，自然语言处理这些核心课。所以对于数学的要求会高出一个段位。
2.2 代表学校4荷兰马斯特里赫特大学Data Science for Decision Making
马大和莱顿的statistical science下面的data science其实是代表项目，而马大的这个项目应用性非常好，也是Pris个人比较喜欢的项目，并且雅思难度不高，所以卡单科目前纠结的同学可以考虑考虑。
马大的课程也是直接切入数据分析部分，没有任何废话。上来就是核心课，大数据算法，数学优化，随机决策这些统计学知识。而到了选修课才会看到部分的其他分支的课程信号图形处理，计算机视觉等。但是还是选修课里面还是有很多精品课：深度学习，信息检索与文本挖掘，动态博弈论等等。
选修课
三。那么问题来了？谁适合综合CS的下属data science分支？谁适合纯的data science 项目？
如果一个同学就是要申请data science，但是也不知道自己究竟适合纯的Data science项目，还是要选择综合的CS项目的下属分支，可以看下面几个原则：
3.1你是否是转专业？如果你是统计学，应用数学转过来？
那么可以考虑纯的data science专业，因为这个专业从数学可以转过来，而且对于编程的要求相对一般综合的computer science要低，这正好能够发挥数学专业，统计学专业同学的长处，而避免短处。
3.2 你是否是转专业，如果你是从information science信息科学这些专业转过来的？
那么可以考虑综合的项目，相对对其他专业，information类的同学其实最接近CS专业，这样情况下大家基本都有编程课，并且部分感兴趣data science的同学会有相应算法，数据结构，数据库，data mining数据挖掘这样的课程，那么就可以尽量选CS综合性项目。
3.3 如果你不是转专业，而是本专业申请，但是软性背景不是很贴合data science?
那么你可以考虑综合computer science专业，独立的data science和artificial intelligence人工智能的硕士区别于综合性项目最大的一个特点就是要求申请者软性背景与DS和AI高度相关。比如说，一个同学做的软性背景很杂，编程有，数据分析有，网络安全也有，这样情况还是申请Computer science综合项目吧，因为如果申请data science希望你至少有2-3个与数据分析高度相关（云计算cloud computing, 雾计算fog computing, data analysis），而如果申请AI项目，那么请项目尽量做得是人脸识别，声音识别这些。
总之，综合性Computer science但是有下属分支data science的项目个数要比纯的data science项目从个数上面来讲更多，而如果你既是本专业，又软性背景高度契合data science,那么其实选综合项目和独立项目都差别不大，就按照个人兴趣选吧，就更多考虑当地就业，名气，英语环境，找工作签证政策，花费预算，录取难度这些来看了。这个差别的对比主要适用于一部分纠结却无法分辨两种差别的同学可以有参考性，但是对于什么都很强的同学，可以看看之后就继续自己更加倾向的选校。
Priscilla
荷兰，Delft
2020.3.15
