近些年在研究生申请中随着统计学、生物统计、量化社会科学和数据科学等“量化+数据”方向越来越受青睐，本科阶段的专业选择与课程规划也变得更加重要。
本篇文章将聚焦加州大学五大代表性学校（UC Berkeley、UCLA、UC San Diego、UC Davis、UC Santa Barbara）的本科数据科学相关专业，帮助同学与家长：
- 快速了解各学校数据科学专业的院系归属与课程特色；
- 掌握核心课程模块与选修方向，结合兴趣与申研目标进行选课；
- 非DS本科生如何通过转专业、双专业或Minor补充关键技能；
- 获取针对文科或跨专业背景的选课与补充先修课建议，为未来走“量化+数据”研究生路线做好前期准备。
希望这份指南能助你在本科学习阶段及早规划、探索兴趣，并有的放矢地补齐DS相关课程与实践经历，为申研之路奠定坚实基础。
1、本科DS专业介绍
UC Berkeley – Data Science B.A.
隶属College of Computing, Data Science, and Society，授予BA in Data Science学位。
专业特色：提供27种Domain Emphasis（包括生物计算、认知科学、商业及行业分析等），允许学生根据自身背景灵活选课，致力于帮助学生探索数据科学在各个领域的应用，对各专业背景的学生非常友好。
UCLA –Statistics & Data Science B.S.
隶属文理学院统计系，授予BS in Statistics & Data Science学位。
专业特色：没有单独的数据科学专业，课程以多元微积分、线性代数与统计学理论为主，选修课包含高阶统计、机器学习、经济学应用、生物统计等，适合希望在这些领域深造的学生进行选择。
UC San Diego –Data Science B.S.
隶属于计算、信息与数据科学学院下的Halıcıoğlu Data Science Institute，授予BS in Data Science学位
专业特色：核心课程主要集中于数学和数据科学专业课，另外还包含其他领域课程必修，可在社科数据分析、计量经济学或机器学习/AI等细分领域选择，另外该专业还要求学生完成8学分的数据科学相关科研项目，适合想走技术应用型量化路径与从事数据工程岗位的学生。
UC Davis –
Data Science B.S. (Foundations Track)
隶属于统计学系，授予BS in Data Science学位。
专业特色：深度融合CS、数学与统计方法论，课程致力于为将来想要申请顶尖统计及数据科学相关项目的学生打好坚实理论基础。
UC Santa Barbara–
Statistics & Data Science B.S./B.A.
隶属于文理学院统计与应用概率系，提供B.S.与B.A.两个学位，学校更推荐B.S.学位，比B.A.学位多修12学分并且有research和Capstone课程可选。
专业特色：结合概率论与推断、教学与实战Capstone经验，适合追求数学深度与数据实践的文理交叉背景学生。
2、课程设置与方向选择
五校DS/统计项目的核心课程模块高度一致，基本都包含：
- 概率与统计理论：数理统计、回归分析等
- 微积分与线性代数
- 编程与算法：Python/R编程基础等计算机科学课程
- 机器学习与可视化：监督/无监督学习、数据可视化工具实践等。
P.S.:这些核心课程也同样适用于所有未来想要走量化路线或者从事数据科学相关工作的学生，可根据自身背景和学校课程设置的情况，进行相应的补充和选择。
本文选择的这5所加州系学校，核心课程设置高度相似，但各校在选修方向上各有不同侧重，选修方向示例：
- UCB：选修方向最为灵活，包含社会政策分析、城市数据与公平研究、生物计算等27个细分领域，适合各行各业背景的学生探索数据科学，
- UCLA：选修方向更偏重于生物统计与实验设计、统计学理论计算方法及社会科学数据。
- UCSD：选修方向可选择理论科学、社会科学、商业分析及计量经济学、或机器学习及AI。
- UCD：选修课方向可选择生物医药工程、生物信息系统、城市工程学、电子工程学、统计数学及计算机科学。
- UCSB：选修课基本都属于Statistics & Applied Probability(PSTAT)课程下，课程集中在金融工程、精算、应用经济、大数据相关方向。
TIPS：
量化申研倾向的学生需注重高阶微积分、线性代数、统计推断与优化等数理课程；
交叉学科背景的学生可选配社科、公共卫生或商科领域选修，更好的适配申请生物统计、商业分析等研究生项目；
偏应用与技术的学生应强化数据库、系统与分布式计算等计算机科学课程。
3、转专业、双专业与Minor路径
5所学校均提供给非DS major学生学习或转入DS领域的机会
1.转入DS专业或double DS major
-UCB：因DS属于高需求专业，非DS专业学生可选择每年1月开放申请的Comprehensive Review提交申请文书，同时需要满足先修课程（大一需要完成三门先修课程、大二申请需要满足5门），但GPA要求高，竞争激烈。同学院内double major较易，跨院Simultaneous Degrees需要额外申请扩充学分，并获得两个学院批准及满足各major先修课要求。
-UCLA:文理学院内部随时可申请，但需完成微积分 I、微积分 II、多变量微积分 I、多变量微积分 II、线性代数、统计学导论，以及统计编程导论7门先修课程，且GPA要达到2.5（C以上），double major与转专业渠道一致，无额外学分要求。
-UCSD:转专业或doublemajor DS都需要满足DS专业先修课程，如果满足申请条件可以随时提交申请，申请后会转交到相应学系审核，时效性较快。
-USD:因为本科DS专业名额招收有限，非DS转入转DS专业每年以学期为基准进行抽签，学生需要以下满足先修课程，并且GPA>3.2,每门课程不可以低于C，且抽签时学分不能修满超过132学分，才能获得抽签资格。
- ECS 32A* (4 units)
- ECS 32B* (4 units)
- MAT 21A (4 units)
- MAT 21B (4 units)
- MAT 21C (4 units)
- MAT 22A (3 units)
- STA 13 or STA 32 or STA 35A or STA 100 (4 units)
同样，想要double major DS的学生也要经历抽签过程，且计算机科学、统计学、计算机科学工程学专业的学生不可以同时double major DS专业。
-UCSB：从pre-major或非DS major转入需要满足专业先修课要求，并且在每年春季学期，最迟夏季学期提交petition申请，如申请时有在读课程，所有在读课程成绩出具完成才会进入审核过程，审核为rolling basis。Double major为同样审批过程。
2.辅修 (Minor)
- UCB：Data Science Minor：需先修Python/R与统计入门，再完成5–6门upper选修，有两种pathway可选，可选一门核心课+人文伦理课+选修，或者两门核心课+人文伦理课+选修，两种选择完成的课程总数相同。DS minor GPA门槛低，面向各背景学生开放。
- UCLA:Statistics & Data Science Minor：修满3门先修，GPA>2.5即可declare。另外UCLA还有专门针对社科学生的Social Data Science Minor，对文科学生更友好。
- UCSD：Data Science Minor主要课程包括数学、微积分和数据科学应用，共需完成36(lower)+20(upper) 56个学分课程，需注意要至少在UCSD读一学期以上才可以加minor，选课优先级低于DS Major。
-UC Davis:没有DS minor, 文理学院下有统计Minor, 需要修满20学分。另外文理学院还有一个更偏社会学科的Data in Society minor, 课程主要包含社会学中Data的应用及涉及data相关的法律和社会学研究等。所有的minor都需要在每个学期开始的当月10号前提交申请。
-UCSB:同样没有DS minor，但有统计学minor，通常很受主修生物、社科和商科学生的欢迎，需要先满足一节统计/数学先修课，联系学院academic advisor添加minor。
4、对非量化背景学生的申研启示
即便本科并非DS或STEM主修，通过早期规划、辅助路径与主动实践，文科或跨专业学生同样能在本科阶段迅速积累数据科学必备技能，为申请统计学、生物统计、量化社会科学或数据科学等研究生项目打好基础：
1. Early Planning（大一大二规划）
- 大一大二阶段，与Academic Advisor或DS项目导师定期面谈，了解学校的policy和课程设置，提前规划本科期间的选课计划，预留先修课位、避免先修课断档
- 重点完成数学与统计基础（微积分、线性代数、数理统计）和编程入门（Python/R）课程，以满足后续核心DS课程的先决条件
2. Minor & Electives路径
- 文科或理科弱量化背景的学生，可通过Data Science / Statistics 相关minor获取实用技能，无需承担主修DS的全部课业负担
- 另外辅修路径允许学生在专业课之外，每学期少量选修DS核心与应用课程，既能探索兴趣，又能累积量化能力
3. 线上/校外课程补充
- 如果校内课程安排有限，可利用Coursera、edX、Udacity等平台的热门DS入门与进阶课程（如IBM Data Science Professional Certificate、Johns Hopkins Data Science Specialization）补充相关的技能，完善简历与技能证明
- 暑期还可参加非本校的暑期课程（如Stanford Online）修读Advanced Linear Algebra、Machine Learning等高阶课程。
4. 项目与实习经历
-积极参与本科导师的科研项目或行业实习，将课堂知识应用于真实世界数据，积累未来申研方向的实践案例，提升申请竞争力
5.针对申研方向选课
- 在各校的DS课程设置中，都为不同申研方向的同学提供了专门的选修课程。根据目标项目，有针对性地挑选与建模、领域应用或方法论相关的课程，不仅能补齐学术短板，还能通过与教授合作获得科研机会和推荐信支持，更具说服力。
以生物统计和社会科学举例：
生物统计：UCLA统计系开设了多门紧贴生物统计需求的高级课程，如实验设计（Experimental Design）、生存分析（Survival Analysis）与统计机器学习（Statistical Machine Learning），帮助学生掌握临床试验设计、Cox回归等核心技术。选修这些课程时，建议主动了解授课教授的研究方向——比如在实验设计课中，不少教授会在课程项目或期末论文中引入真实生物医学数据，或者可以给学生提供跟进科研或实习的机会，从而为申请Biostatistics硕博项目积累宝贵经历。
量化社会科学：UCB Data Science专业课程下“人文社会”Domain Emphasis专门设计了社会研究方法、定量政策评估、社会网络分析等课程，学生既能掌握严谨的定量研究框架，也能亲身参与社会科学前沿课题，有利于Computational Social Science等方向的研究生申请提升竞争力。
Tips
- 不畏惧“非DS”标签：通过Minor、选修与在线平台迅速弥补量化短板；
- 导师与Advisor是资源：主动预约、咨询、争取项目机会；
- 规划与实践并行：早期选课→中期项目→后期实习，形成持续的能力提升路径。
做到以上几点，文科或跨专业的同学完全可以在本科阶段兼顾主专业学习，同时系统性地沉淀数据科学核心能力，为“量化+数据”研究生申请与未来职业生涯做好准备。
【竞赛报名/项目咨询+微信：mollywei007】
