미국 석사 준비하기 2 - 학교/프로그램 고르기

통계, 컴퓨터공학, 금융공학, 그리고 데이터사이언스

미국에는 대학이 정말 수도 없이 많고, 대학마다 전공이나 프로그램들도 미묘하게 달라서, 일단 어디에 지원할 것인지를 결정하는 과정 자체가 쉽지 않았다. 참고로, 나는 학교와 프로그램을 고르는 과정을 꽤나 빠르게 시작하였음에도, 실제로 지원하기 직전까지도 계속하였다.

---

1. 분야 고르기

먼저, 본인이 타깃으로 하거나 가장 핏이 잘 맞는 시작점을 정해놓고, 이에 유관한 프로그램들로 탐색 범위를 넓혀나가는 것이 편하다. 아무런 기준점도 없이 막연히 어떤 프로그램이 괜찮나 살펴보기 시작하면 수도 없이 많은 대학과 전공, 그리고 특성화 과정 등에 파묻혀 정신을 차리지 못할 것이다.

통계

나의 시작점은 "통계"였다. 경제와 수학을 전공하고, 경제 과목 중에서도 계량 등의 과목을 재밌게, 잘했기 때문에 (그러나 이론적인 수학을 전문적으로 할 실력과 재능은 없다고 생각했기에) 통계를 출발점으로 삼고자 했다.

통계 -> 컴퓨터공학

그런데 여기저기 검색을 하다 보니, 통계를 전공하더라도 결국 취업을 하려면(학문은 다른지 모르겠다), 프로그래밍 능력이 대단히 중요하다는 것을 알게 되었다. 특히 요새는 뜨고 있는 데이터사이언스는, 결국 통계적인 이론들을 아무리 잘 안다 해도, 학문적인 연구가 아닌 인더스트리에서는 이를 프로그래밍으로 구현해내는 것이 더욱 중요하며, 심지어는 통계적인 지식이 없이도 프로그래밍을 잘 활용하여 결과를 낼 수 있으면 '데이터사이언티스트'라는 직함으로 활동이 가능하다(?!)는 얘기까지 있었다. (물론 이 얘기들이 진실인지는 모른다.) 이에 따라 통계에서 컴퓨터 프로그래밍으로 범위를 넓혔다.

통계 -> 컴퓨터공학 -> 금융공학/데이터사이언스

금융공학은 2000년대 초 (혹은 아마도 그 이전) 부상한, 통계 또는 수학이론을 프로그램으로 구현하여 특히 금융 투자에 직접 접목하는 분야이다. 금융 쪽은 데이터가 정형화되어 엄청난 양으로 보관되어 있다는 특성 덕분에, 이런 데이터를 활용하는 분야가 일찍이 발전하였다고 한다. 그리고 최근 비단 금융뿐만 아니라 모든 분야에서 있어서 다량의 데이터를 수집하여 활용하는 소위 '빅데이터'의 시대가 열리면서, 데이터사이언스가 엄청나게 핫한 분야로 떠올랐다. 통계, 컴퓨터공학 등을 고려하다 보니, 자연스럽게 금융공학과 데이터사이언스도 후보로 포함시키게 되었다.

---

2. 대학 선별하기

우선, 이런저런 기준들이 있겠지만, 나의 경우 먼저 통계와 데이터사이언스의 경우 US NEWS 분야별 랭킹을 기준으로 대략 50여 개 정도의 대학을 추렸다. 통계의 경우 분야별 랭킹이 존재하였고, 데이터사이언스는 대학원 기준 랭킹이 별도로 존재하지 않아 통계 랭킹과 컴퓨터공학 랭킹을 종합적으로 고려하였다.

통계 및 데이터사이언스

통계의 경우 랭킹을 그대로 활용할 수 있었고, 데이터사이언스의 경우 통계와 컴퓨터공학의 랭킹을 내 나름의 방식대로 고려하여 종합적인 순위를 매겼다. 랭킹대로 학교를 쭉 나열한 후에는, 랭킹에 따른 등급(임의로 설정하였다), 소재지, 프로그램별 기간, 등록금, 입학요건, 기타 비고사항을 찾아 기재하였다. (사실 나의 경우 금융공학도 이와 같이 하였는데, 알고 보니 금융공학은 꽤나 신뢰성 있는 별도의 랭킹 사이트가 있어 해당 랭킹을 참조하는 것이 좋을 것 같다. 나도 결국에는 해당 사이트들의 랭킹을 참조하였다. 아래에서 다시 설명하겠다)

비고사항에는 각 프로그램 사이트에서 특히 강조하여 써놓은 정성적인 요건(예컨대, 상당히 높은 수준의 수학 과목들을 요구한다든지)이나 인터넷 등을 통해 얻은 정보 등을 기재하였다. 데이터사이언스의 경우, 예컨대 데이터사이언스 프로그램 랭킹에 대해 다룬 유튜브 영상을 보고 그 랭킹을 기재해 두었다. (GREedge - Top 10 Universities for Data Science in the USA)

이 모든 정보를 각 학교의 직접 찾아야 했으며, 특히 유사한 프로그램들이 다수인 경우도 있었기에 시간이 정말 엄청나게 오래 걸리는 작업이었다. 돌이켜 생각해보니 내가 했던 것만큼이나 세세하게 했을 필요는 없을 것 같다. 예컨대, 랭킹 등도 나는 내가 결과적으로 지원한 학교들의 랭킹보다 훨씬 넓은 범위의 학교들에 대하여 모든 정보를 서칭 하였는데 그럴 필요가 있었나 싶고, 등록금이나 세세한 어드미션 요건까지 모두 찾아본 것 역시 시간낭비였던 것 같다.

만일 다시 한다면, 내가 타깃으로 하는 랭킹에서 +10 ~ 15 정도까지의 랭킹에 있는 학교로 그 범위를 한정하고, 세부적인 정보 역시 등급과 소재지, 프로그램별 기간 (석사의 경우 기간은 생각보다 중요하다!), 선이수과목(Prerequistie), 비고사항 정도만을 찾아봤을 것 같다. 혹여 랭킹에 반영되어 있지 않은 좋은 학교를 놓치는 것이 아닐까 걱정될 수 있는데, 그러한 학교들은 어차피 관련 프로그램을 검색하다 보면 어떠한 학교들이 랭킹은 낮음에도 불구하고 좋은 프로그램을 제공하는지 알 수 있게 되니, 크게 걱정할 필요는 없을 것 같다.

Prerequisite을 만족하지 못하는 경우에는 애초에 붉은색으로 표시하거나 빗금으로 지워버려서, 추가적인 정보를 찾거나 (슬프지만..) 헛된 희망을 가져서 낭비되는 시간을 줄이고자 했다.

컴퓨터 공학

나의 경우, 사실 컴퓨터공학을 '석사'로 하기에는 학사 수준의 기초적인 지식도 없었기에 애초에 생각을 하지 않고 있었다. 그런데 데이터사이언스에 관한 정보를 찾던 도중, 비전공자로서 컴퓨터공학 석사 학위를 따고 데이터사이언스 분야에서 일하고 있는 한 유튜버의 영상(Tina Huang - My career changing computer science masters degree in 15 minutes (UPenn MCIT))을 접하게 되었다!

비전공자가 컴퓨터공학의 기초부터 (약간의) 심화과정에 대한 정규교육을 수강할 수 있고, 석사 학위를 받으며, 소위 명문대의 네임밸류와 네트워킹 기회까지 이용할 수 있는 길이 있다는 사실에 처음에는 충격을 받았다. (최근 느끼는 거지만, 미국에는 정말 다양한 방식으로 많은 기회가 열려있는 것 같다. 예컨대, 커뮤니티 컬리지 등에 갔다가 본인이 의지가 있고 노력을 한다면 명문대로 편입하는 경우도 상당히 빈번찮다고 한다. 우리나라의 경우에는 입시의 관문을 지나버리면 편입과 같이 두번째 기회를 얻기는 힘든데 말이다)

인터넷을 이리저리 열심히 서칭한 결과, U Penn뿐만 아니라 Northeastern, U Chicago, USC 등에도 비슷한 프로그램들이 있다는 사실을 알게 되었다. 다만, U Chicago나 USC의 경우 적어도 공학/자연과학 분야의 학사학위를 요구하는 것으로는 보인다. 나의 경우 (겨우 학위만을 받은 것이지만) 수학 학사 학위가 있기에 도전이 가능했다.

금융공학

앞에서 살짝 언급하였듯, 금융공학의 경우 해당 분야에 대하여 전문적인 랭킹 선정 사이트들이 있었다!

그곳은 바로 Quantnet과 Risknet! 다만, 두 사이트의 랭킹이 살짝 다른데 (예컨대, Quantnet상 1위는 Baruch College인 반면 Risknet에 따른 1위는 Princeton이다), 유튜브에는 위 사이트들이 각 어떠한 지표로 프로그램을 평가하는지, 어떤 점을 유의하여 봐야 하는지에 대하여 열심히 설명해놓은 영상까지 있었다 (Dimitri Bianco, Who Has The Best Quant Masters Rankings (QuantNet.Com vs Risk.net))

---

결국, 1차적으로는 랭킹을 기준으로 지원 대학의 범위를 줄이고, 다시 2차적으로 각 학교 홈페이지를 뒤지거나 유튜브, 구글이나 Reddit 등에서 정말 다방면으로 검색을 하여서, 내가 관심 있는 분야의 프로그램들에 대해 어느 정도 대략적인 감을 잡을 수 있었다. 다만, 여전히 내가 어느 정도의 랭킹에 지원을 할 때 합격 가능성이 있는지, 각 프로그램들이 실질적으로 해외취업에 도움이 되는지, 단순히 학위장사용 프로그램은 아닌지 등 헤쳐나가야 할 문제가 산더미 같았다.

이 모든 질문에 대한 답을 알고 준비를 계속할 수는 없었기에, 우선은 토플과 GRE를 준비하기로 하였다.