帝国理工学院
伦敦帝国学院（Imperial College Lonon），全称为帝国科学、技术与医学学院（Imperial College of Science, Technology an Meicine），国内一般译为帝国理工学院。简称帝国学院、帝国理工、Imperial、IC。帝国理工学院是一所世界顶尖公立研究型大学，在国际学术界有着顶级声望，是世界最具创新力大学之一。
帝国理工学院1907年建立于英国伦敦，由维多利亚女王、阿尔伯特亲王1845年建立的皇家科学院和大英帝国研究院、皇家矿业学院、伦敦城市与行会学院合并组成，曾是伦敦大学成员 [2] 。主校区位于伦敦著名的富人区南肯辛顿，紧邻海德公园、肯辛顿宫（威廉王子与凯特王妃住处），与白金汉宫、威斯敏斯特教堂亦相距不远。
帝国理工学院是英国罗素大学集团、欧洲研究型大学联盟和国际科技大学联盟成员，与牛津大学、剑桥大学、伦敦政治经济学院、伦敦大学学院等校并称为金三角名校和G5超级精英大学。帝国理工学院校友和教职人员中，有14位诺贝尔奖获得者 、3位菲尔兹奖获得者 。
帝国理工学院位列2020QS世界大学排名第9位 [5] 、2020泰晤士高等教育世界大学排名第10位 、2020U.S. News世界大学排名第20位、2019软科世界大学学术排名第23位。
IC帝国理工学院商业分析硕士项目课程介绍：（IC在读学生分享课程体验，供各位参考）
Optimization & Decision Moel：这门课其实相当于国内的运筹学，学习解决实际中的规划问题，主要讲线性问题、整数和binary问题，也包含一些简单的非线性问题（比如著名的资产组合优化）。授课教师Wolfram（可能很多open ay时候来campus visit的同学都知道他）为人热情耐心，讲课思路明确，很善于化繁为简，虽然有点讲的太慢了。Wolfram每星期都会留一个比较challenging的作业（不计分的，做出来有奖品）， 运筹学问题多接触一些就会发现其实是很锻炼思维的。工具使用方面，主要是excel solver和AMPL，目前已向programme team建议python（scipy），所以明年也有可能变成excel+python的工具组合。个人很喜欢这门课的，我本科学过运筹学的线性问题，但感觉这门课讲的更好一些。
Statistics & Econometrics：计量经济学，也延续了sept moule里的统计课，主要集中在讲线性模型上，80%以上的时间都在研究线性回归，最后几个lecture简单的谈了逻辑回归模型。研究cross-sectional ata为主，没有太多涉及panal和时间序列。本门课的授课老师是中国人，耐心负责，但是，确实能看出中国讲师的风范。课程内容也十分理论化，对于BA项目来讲，确实太学院派了，琐碎的概念和知识很多很多。值得一提的是，因为这门课里讲了linear regression和logistic，后面的machine learning课里就不讲了，这样是否合适，其实有待商榷。
Funamentals of Database Technologies：SQL课，顺便入门一下spark。授课老师是外面请来的，平时做eep learning，人很牛逼但讲的确实不好。好在SQL很简单，同学们也就没有太绝望了。但SQL很重要很重要，平时多练习，还是有很大必要的。Spark讲的比较浅，选修中有一门会多讲。
Machine Learning：重头戏！模型主要讲了KNN， Navie Bayes，Decision Tree（简单谈及ensemble learning）和K-means。由于是第一门ML，所以选择的模型基本都是最简单的。授课教师还是Wolfram，讲的十分透彻，所以虽然课程难度不是很大，但学起来非常扎实。编程语言要求R和Python都会做，R语言的ML函数基本来自己于各处，python则集中在sklearn里。另外，这门课作业留的比较好，像用naive bayes预测垃圾邮件、分类树预测信用风险这些经典问题都涉及了，很贴近实际。写作业的过程不是单纯的找函数调包，而是需要真正去处理数据，很多次作业都涉及到了regular expression和scrape。如果有兴趣，后面可以继续选择Avance Machine Learning，AML的授课方，是IC的ata science institute，难度会大一些。
Network Analytics：个人认为最难的一门课，主要讲graph。授课老师Kalyan是项目irector，经常把自学是本门课的重要学习目标挂嘴边。上课比较随性，课程内容不是很结构化；作业总是一次比一次难，每次像学了一门新课一样。课程主要使用python中的networkx包，其实实际中还要自学很多的。整体来说，不是特别喜欢这门课，学的很难很广，但都是浅尝辄止。后面的选修课，比如igital marketing和supply chain analytics会涉及到network的应用。
就业方面：
Sept moule的时候，基本是一半时间上基础课一半参加career培训，找工作的气氛还是很高涨的。但是到了core moule之后，课程难度和压力明显大了，一定程度上会压缩找工作的实际，这是实话。
伦敦这边的analytics就业机会没有美国多，但是好处是竞争压力也不大。英国开BA的项目并不多，IC和UCL两所处于伦敦的学校开设了BA，基本是占据最大部分资源的了。有一部分公司会专门针对BA做活动的，比如OC&C的analytics team来学校附近的酒店办了个比赛，第一名的直接获得全职的终面。还有BCG gamma、facebook等公司，也专门针对analytics开过宣讲会。虽是BA项目，但是也有近一半的同学以后并不想做analytics，纯粹读个BA扩展知识面的。
整体感觉，身边的同学下定决心非要留在伦敦的工作的并没有多少（很容易理解，如果非要留下，干嘛来英国），大多数准备来年回国参加秋招。很多准备简历都是为了准备来年6-9月份的placement。所以尽管机会很多，但身边的同学少了一些拼死找工作的气势，反而学习氛围是比较浓厚的。
二.来说说，零基础补编程背景
学BA，编程和数理知识很重要，尤其是开始master学习之后才发现，就算拿到了offer，如果没有点功底，从拿到offer玩到入学，痛苦的日子就来了。所以写下这篇帖子的后半部分，是想给商科本，之前没有任何编程经验的同学一点关于补编程的建议。我本人是商科本，接触BA之前学过VB和SQL（基本忘光了），大二下学期开始了解BA，大三下学期正式决定考虑BA，开始了学习编程和数理的生涯。大概是是Coursera和Datacamp都学了很多门课，也看过一些相关的书。以下的经验，基本都是给零基础或者接近零基础的，如有相关经验，套路肯定是不一样的。
- 补编程对BA有多重要
很重要很重要，但是重要性在标准化成绩之下。尽管这篇帖子要讨论补编程，但是也不能夸大编程对于申请的作用。商学院申请，标准化成绩和吹牛逼能力永远是两个最重要的能力。这句话不是说没有标准化成绩就不能学习编程了，但是没有标准化成绩却想靠补一点编程和数理背景救世，在商学院申请很难行得通。个人认为，申请前了解一下BA所需要的基本技术，面试和写文书时候能扯上几句就差不多够了，其余的具体和深入学习部分视个人精力而定；申请后可以利用近一年的时间好好学学。
- 要补，补什么？
BA所用的工具里， R、Python和SQL三门编程，是被提及最多的 。SQL是重点，数据库查询无论到什么时候都是很常用的，R和python中的数据操纵包也使用了很多SQL的思想；Python和R是数据分析届最火爆的两门语言了，从数据清理到分析再到模型，可以说样样精通。所以要学，SQL是一定要了解的，而且SQL的入门会很快，之后是R和Python。
- R还是python？
万年辩论题，每次谈到都引起口水。作为一个使用python和R的比例都差不多的选手，感觉两门语言的差距，做数据分析而言，其实没有那么大。经常看见有人说Python rocks， R sucks……客观来说可能是真的，但是你所需要的应用范围来看，不一定。就我个人的自学心路历程而言，是先学Python，再学R，又学回Python。开始比较喜欢R，现在逐渐更喜欢python了。
关于这个问题其实问了很多人，大部分刚刚同时接触两门语言的都会认为R舒服一点。个人认为，R语言更像是一门数据分析工具，像工具像到甚至有点不像编程。比如学panas时候新手会想问，为什么有时候是function(x)，而有时候是object.metho()，但是用R的时候可以很大程度上忽略这个问题，都是function(x)。这样很容易让初学者把精力集中在数据分析本身，了解一些数据分析的基本做法和概念，而不是太过集中在编程上（毕竟，学这个是为了用）。而Python的优点在于，定义算法要比R方便。无论你是知识量多么丰富的调包侠，也不可能永远不自己写代码，一旦开始自己写代码，我相信大多数人都会认为python是更舒服的。
根据以上优缺点，如果非要选择，给一些个人建议吧：1）如果你未来就读的项目只学R或者Python，那么你就学这个吧，其实差不多的；2）如果你自学，只想学一种，那么更建议Python；3）如果你早晚两个都要学，那么建议从R先开始。
- 学什么？那个平台好？
学习网课的平台如今越来越多了，相关的免费书籍网上也有很多。诚然，平台是有优劣的，有的比较符合你的个人习惯，所以学起来会事半功倍，但无论在哪个平台，更重要的是该学习的知识点需要学到。
SQL比较容易，查询语法内容不多，学一下就好，之后多练练。
R语言的学习，先要了解基本的数据类型(vector/matrix/ataframe/list)和会应用基本函数，之后强烈推荐学习一下数据操纵package(plyr)和可视化package(ggplot2)。这些都相当于基本功，如果都用的十分熟练，后面就可以利用R来学习统计知识了（推荐一下Coursera Duke的Stat with R）。
Python而言，基础语法会需要学的更深入一些。掌握这些之后，建议开始学习numpy/panas/matplotlib这些与数据分析最接近的工具。值得一提的是，python有一个很强大的能力就是写爬虫，大名鼎鼎的coursera Umich课就是在讲完list和ict之后就直接开始讲爬虫了。然而，我并不认为这是个很合理的学习路径。
平台的话，最推荐的肯定是Datacamp。虽然需要花钱，应该是包月29刀，但是能边学边练边纠错，功能是在是太强大了。Datacamp目前还是R的课比较多，但是从入门来看，python的内容也足够了，可以说是最适合入门编程的平台。当然Datacamp也有相对的弱点，就是理论讲授的部分实在是太少了，尤其是学到比较高级的课题时就会发现，经常是看了一眼代码，模仿着敲一遍，觉得自己屌屌的；但实际一用，因为并没有学得很扎实，就发现其实并不透彻。
Coursera和Ex这些平台也提供很丰富的编程课，当然目前课出的太多了，质量就良莠不齐了。我还是倾向于认为，这些课适合讲理论知识的。比如学习统计学，之前提到的stat with R，还有machine learning届很有名的斯坦福机器学习课，就很适合在Coursera听。这种理论知识学习，听听网课远比在Datacamp上学调包扎实。
网上教材也有值得推荐的，比如《利用python进行数据分析》，基本涉及到了python数据分析的最常用工具。还是之前那句话，从哪学相对来说是次要的，学到需要学的内容就好。
