先講結論：申請結果是 Penn MAS-CS Online（原 MCIT Online）錄取。背景完全不是CS，經濟系學士畢業後又念了公共政策碩士，目前在做 Data Analyst，想轉 Data Engineering，把整個申請的思路跟過程整理給有類似狀況的人參考。 【背景】 NTU Econ UCLA MPP 3.9/4.0 目前在一間消費品公司的Product team做 Data Analyst，工作內容橫跨數據分析、定價策略、跨平台串接、儀表板維運，也自己寫過一些內部自動化工具 沒有正式 CS 學位，正規的量化課程只有過去經濟系必修跟一門 Network Science 因為已經在美國念過碩士，符合英語能力測驗豁免資格，托福不用另外考 Penn MAS-CS 的 GRE 是 optional，考量到自己的量化背景跟做過的專案應該足夠佐證能力，最後決定不考 【選校考量】 想轉 Data Engineering 這條路，卡關的地方很明確：工作內容上其實已經在做一部分資料工程的事(比如寫 batch pipeline 串接外部平台 API，這些都是工作上遇到需求才自己自學摸出來的，沒有受過正規訓練)，希望透過學校來接受系統性的 CS 訓練，所以决定申請一個正式的學位來補這塊。 為什麼是 Penn MAS-CS，不是其他學校 申請前比較了一輪，包括 UPenn MSE-DS、GT OMSCS、UIUC、Northeastern Align、UChicago MADS/MPCS、Northwestern MSDS/MSIS、Brown MSDS、UCLA MSOL、USC CS37、JHU EP MSCS 等等，大概篩選邏輯是這樣： 1. 先看有沒有先修門檻：像 UCLA MSOL 要求學士學位要是工程/數學/CS/物理，經濟系直接被排除；JHU EP MSCS 也需要先修或 PREP 課程，等於要多繞一圈。 2. 能不能邊上班邊念：我沒有打算離職全職讀書，所以純線上或 hybrid、步調可以自己彈性安排的 program 都在考慮範圍，這也是一開始就把一些偏全職導向的學校排除的原因。 3. 再看課程走向是「工程」還是「分析」：UChicago 的 MADS 偏 applied data science、比較analytics導向，跟我想補的 DE 技能（工程實作）不算對口；反而是同校的 MPCS 更對得上，可惜評估下來還是 Penn 的選項更完整。 4. UPenn MSE-DS vs. MAS-CS：MSE-DS 需要 CS 先修課我沒有，MAS-CS（原 MCIT）本來就是設計給非CS背景轉職的人，是 Penn 底下唯一可行的路。  5. 課業 loading 是否能跟全職工作並行：GT OMSCS 課程步調相對緊湊，根據其他人的經驗都是作業量對要上班的人負擔比較重，所以後來就先放到備選 最後鎖定 Penn MAS-CS，而UChicago MPCS、Northwestern MSDS、GT OMSCS、UIUC Onlin MCS列為備選。因為是在職申請，能投入準備申請材料的時間有限，加上 UPenn MAS-CS 本來就是心中的第一志願，所以先丟UPenn。沒想到備選的學校都還沒送出申請，就直接收到 offer，也就沒有再申請其他學校了。 【資料準備】 Personal Statement Penn MAS-CS 的 PS 是要在一篇 1000–1500 字裡回答八個提示題，等於要把「為什麼是CS、為什麼是Penn」這些提示的答案，串成一個能講清楚自己整體動機的故事。 我抓的核心敘事線是：從「拼湊出一個能動的解法」走到「有系統地把它工程化」。工作上很多專案其實已經達到目的（比如某個推薦功能上線後歸因營收翻倍），但用的方法是東拼西湊、能跑就好，不是真正經過設計的工程解法。這個「assembled vs. engineered」的落差，就是整篇 PS 的張力來源，也是我為什麼要念這個學位的理由——不是要學會寫程式,而是要學會怎麼把東西做得有架構、可維護、可擴充。 寫的時候也花了不少心力在用詞的精確度上，確保每個角色跟成果的描述都貼近事實，不誇大也不模糊。 根據個人及網絡上查到的經驗，SOP是招生官判斷錄取與否的關鍵，所以強烈建議這部分好好打磨，學校要求的問題都要回答到點上 推薦信 三封推薦信分別找了直屬主管、CEO、業務總監，刻意讓三個人從不同角度切入，避免內容重複: 主管：日常工作流程、技術執行細節 CEO：跨部門影響力、專案的商業成果 業務總監：跨部門協作、對外客戶端的視角 從投遞到收到結果,大概等了一個多月。有問題歡迎留言,我會盡量回。