拔尖计划学子专访|北理女孩Python零基础跑通11种模型,跨界科研圆梦康奈尔商学院!
- 2026-07-02 20:48:11
“对于跨专业的同学而言，这其实是一个难得的机会——即便从零起步，也能学到实实在在的知识与技能。”栗同学说道。
对于商科学生而言，数据处理与分析能力在当下早已不是“可选项”，而是在数字化浪潮中站稳脚跟的必备技能，更是就业市场明确的核心需求。
本期专访的主人公栗同学，便进行了一次大胆尝试：她跟随南加州大学C.A.教授参与“商业分析与数据科学”课题研究，从Python零基础起步，到独立负责树模型搭建，仅用三四个月就完成了银行客户流失预测的完整研究，最终也找到了自己的差异化优势。今天，就让我们一同走进她的成长故事。
栗同学
就读院校：
北京理工大学
录取院校：
康奈尔大学、约翰霍普金斯大学、伦敦大学学院、南加州大学、加州大学圣地亚哥分校
课题教授：
南加州大学C.A.教授
参与课题：
商业分析与数据科学：数字化转型时代的智能洞察、优化与决策
01
一次跨专业的“好奇心实验”
“我本科主修会计学，但一直对数据分析在商业决策中的应用很感兴趣，尤其是金融领域的相关场景。”栗同学说道。
栗同学生活照
说起加入拔尖计划数据科学课题的原因，栗同学的答案很简单——源于好奇。这个项目是学院老师推荐的，她最初的想法很朴素：就是想系统学习统计与建模知识，看看数据科学能和自己的专业碰撞出怎样的火花。而真正打动她的，是项目的“交叉属性”。
“它并非单纯讲解机器学习算法，而是聚焦商业业务场景。比如我们最终完成的银行客户流失预测项目，就是机器学习在商业领域的经典应用之一。这种‘技术+业务’的交叉属性，正是最吸引我的地方。”
对于这个课题，栗同学起初并非毫无顾虑。她的英语基础尚可，再加上线上课堂配备了实时翻译功能，听不懂的地方还能借助文字辅助理解。真正让她心里没底的，其实是代码相关的学习。
不过事实证明，这份担心有些多余。教授从最基础的内容讲起，RA的答疑环节也极具针对性，正式开始学习后，栗同学发现“掌握这些工具其实并不难”。
C.A.
南加州大学商学院教授
“有些学生第一节课就来问我：‘教授，我完全不懂编程怎么办？’我总会告诉他们：‘别担心，你们一定能学会。我会从最基础的内容教起，甚至会从如何把软件下载到电脑上开始讲起’。”
与此同时，这位南加州大学马歇尔商学院的数据科学教授本身就是“跨界”领域的先锋——他不仅拥有能源与环境工程、生物医学工程双博士学位，还持有MBA学位，研究方向横跨工程、医学与商业三大领域。
C.A.教授课堂
C.A.教授亦言：“我始终坚信，唯有在尝试过不同的事物后，你才能真正明晰自己的内心所向。”于栗同学而言，参与这一课题恰似一场“好奇心的实验”——她既不确定自己能否胜任，也未知这是否会对未来有所助益，但她仍想放手一试。
02
从零基础到独立跑通十一种模型
听课与真正动手开展课题研究，完全是两种截然不同的体验。
在线上课程阶段，教授从机器学习的基础概念讲起，系统梳理了分类与回归、决策树、随机森林等基础模型，以及XGBoost、LightGBM、CatBoost等集成学习算法，为后续研究搭建了完整的知识框架。栗同学提到：“我们的研究方向是用十一种模型预测银行客户流失率，课程中涉及的模型，最终都在论文中得到了应用。”
栗同学所在的小组研究聚焦两个核心问题：
• 第一，与逻辑回归、决策树等传统模型相比，LightGBM、XGBoost这类集成模型在预测客户流失时，召回率和准确率究竟能高出多少？
• 第二，不同的数据划分比例（7:3、8:2、9:1）以及过采样、欠采样等数据处理方法，会对模型表现产生怎样的影响？
这是商业分析领域的经典问题：
银行客户流失率通常仅为20%左右，数据存在严重不平衡现象，导致模型很容易“偷懒”，只预测占比更高的多数类。而SMOTE过采样正是解决这类问题的经典方法。
栗同学在小组中主要负责树模型相关工作。作为会计专业的学生，从数据清洗到参数调优，她几乎每一步都在进行全新的尝试。
“我们当时犹豫了很久要不要采用SMOTE过采样方法，而且在实际写代码实现的过程中也遇到了不少问题。就在我们卡壳的时候，教授给了很多建议，助教也在代码方面提供了一些支持。”
这时，教授与助教的“分层指导”便彰显出价值：教授负责把握大方向，建议他们采用SMOTE方法解决数据不平衡问题；助教则专注于解决具体的代码细节，还会协助检查实验结果是否合理，并为论文写作提供建议。
C.A.教授的教学风格也让她印象深刻。“他不是那种严肃刻板的教授，课堂氛围总是很活跃。虽然理论知识讲得很深入，但到了课题实践阶段，会针对每个小组的具体情况补充实操内容，做到理论与应用兼顾。”教授还会为研究的每个阶段设定详细的截止时间，从文献综述、模型构建到论文撰写，一步步引导大家推进项目。
“小组氛围特别好，大家配合度高且都很努力。我记得有位男同学为了调试代码熬了两个通宵。后来他在群里还开玩笑说，代码运行时就定个几分钟的闹钟抓紧补觉，醒了就看看代码跑完没，有没有报错，改完继续跑再接着睡。”
这大概就是真实科研的模样——没有电影里那般酷炫，更多的是等待、调试、再等待的循环往复。但当十一种模型的结果全部成功跑出，当看到集成模型在召回率上确实显著优于传统模型时，那种实打实的成就感，是任何事物都无法替代的。
03
当会计思维遇上数据科学
申请季，栗同学收获了康奈尔大学、杜克大学、约翰霍普金斯大学、南加州大学、伦敦大学学院（UCL）等多所顶尖院校的Offer。经过慎重考虑，她最终选择前往康奈尔大学攻读管理学硕士（会计方向）学位。
“这段科研经历对我的申请帮助很大。我本科是会计专业，实习经历和商业分析、信息管理并不相关，但这段科研成果成了我的亮点。面试时，招生官专门问到了这段经历，还详细询问了我在课题中具体负责的工作。”
“但如果仅仅将这段经历的价值归结为帮我拿到了offer，那就太小看它的意义，也低估了我在这段经历中的投入。”
栗同学表示，这段经历带给她的最大收获可以分为两个层面。
一是知识与技能的提升——从零开始系统学习机器学习，掌握11种模型的应用方法，熟练掌握数据清洗、特征工程与模型调参等实打实的硬技能。与她此前参与的经济类实证科研不同，这个项目采用“课程学习+研究实践”的完整流程，对跨专业背景的参与者尤为友好。
二是团队协作能力的锻炼——“我之前从未与他人合作开展过科研课题并最终取得学术成果。这段跨专业线上协作的经历，对我未来的个人发展也大有益处。”
栗同学的康奈尔大学录取Offer
会计学训练出的思维，是精确、严谨且注重凭证与逻辑的；而机器学习的思维，则是概率性、迭代式且聚焦优化与权衡的。当这两种思维碰撞交融，栗同学看待问题便多了一个独特维度——当他人只关注财务报表上的数字时，她会进一步思考：这些数据能否用于预测？能否通过模型挖掘出更底层的规律？
这段机器学习的科研经历，也成了她区别于其他会计专业学生的独特标签。在数据驱动决策的时代，既懂会计又懂数据科学的人，永远能找到属于自己的立足之地。
采访的最后，我们问她对仍在犹豫的学弟学妹有什么建议。她思索片刻后说：“对跨专业的同学而言，这其实是个很好的机会。通过这个项目，你能从零开始掌握不少知识与技能。从申请的角度来看，也可以结合自身发展方向，选择更贴合的项目。”
很实在的回答，恰如她本人——细心、踏实、逻辑性强，从不说漂亮话，却字字掷地有声。
栗同学的故事，正是一段关于“尝试”的故事。
从会计跨界机器学习，她既没有因跨专业的挑战而退缩，也没有将这段经历仅仅当作申请的敲门砖。她始终沉下心学习、踏实地实践，最终在数据与模型交织的世界里，找到了属于自己的学科交叉点。
名校offer固然是令人欣喜的成果，但比这份offer更珍贵的，是那份“我能行”的坚定底气，以及一双能洞察更多可能性的眼睛。而这，正是科研赠予每一位不懈前行者的最珍贵礼物。
文字｜基于栗同学采访整理
关注「拔尖计划」视频号
课题预告、教授访谈、学生采访
