中国石油大学(北京)博士应用数学与能源数据科学专业目录

数学3433类的研究生专业共有5个，分别是基础数学，应用数学，概率论与数理统计，计算数学，运筹学与控制论。基础数学以后的发展方向基本是从事理论研究，如果想留在高校(学士，博士学位至少是211高校的)得继续读博；应用数学可以到从事应用类的工作；概率论与数理统计可以去金融，从事经济方面的工作；计算数学偏向计算机；运筹学与控制论偏向自动化。考数学类专业，两门专业课一般是数学分析(有的学校和常微分方程一张卷)和高等代数，均为高校自主命题。如果以上数学类的5个专业你都不喜欢，那就要选择专业课一是数学的专业报考了。工学，管理学，经济学的大多数专业都考数学，现在统考数学分三类，最难的是数学一，大多数的工学专业都考它，在难度正常的年份如果能考到140，那绝对可以拉别人很多分。转到经济学可能更适合数学系的学生，我觉得那才是把数学应用到实际上的学科，它考第二难的数学三，难度比数学一低20%，你的优势会更明显，这样可以弥补你在专业课上的不足。经济学是12大学科门类中的一类，下面分理论经济学和应用经济学两个一级学科，应用经济学比较适合数学系的学生，它下面差不多有10个专业，报名时只能报其中一个。所以如果你要跨专业的话，应该先决定报考哪个级别学校的哪几个专业，然后再从中选择，否则没法开始专业课的复习，因为即使考试科目甚至指定教材都相同，不同学校所考的难度和侧重点也相差很多。介绍些考研常识：考研分统考课和专业课，各两门。统考政治必考，另一门课一般专业考英语，外语类专业考第二外语。一般工学，经济学，管理学专业课一为统考数学(分理工类数学一二和经济类数学三)和专业课二(自主命题)，不考数学的专业两门专业课均为自主命题。统考由国家统一命题，自主命题由你报考的学校组织命题。理论上你可以报考任何专业。实际上只要专业跨的不是太过分(如理学考医学或法学硕士)都有机会考上。政治和英语各100分，专业课(含统考数学)150分。考研只能报一所高校的一个专业，考不上的话要靠自己联系学校调剂，所以考研志愿报的好就相当于成功了一半。9月在校生网上预报名，10月正式报名时信息转正，也可直接在这时报名。11月10－14日现场确认，带网上报名生成的报名号，验证件(身份证)，学生证(往届生是毕业证)，交费照相。初试时间大概是农历新年前两周左右的那个周六周日(只有07年例外)。2月底3月初各学校陆续开通成绩查询(判卷以省为单位，所以各省高校出分时间会相差半个月以上)，34所自主招生高校3月中旬陆续出分数线，3月底4月初复试，这也是国家复试分数线出台的时间，4－6月其它学校开始复试。复试后一周就能出成绩知道是否被录取。收起

这个要看你学得如何了，也就是看你做过多少项目，动手能力强不。收入与个人能力直接相关收起

一、两个专业分析1.热能与动力3264623931工程 热能与动力工程专业培养具备热能工程、传热学、流体力学、动力机械、动力工程等方面基础知识，能在国民经济和部门，从事动力机械(如热力发动机、流体机械、水力机械)的动力工程(如热电厂工程、水电动力工程、制冷及低温工程、空调工程)的设计、制造、运行、管理、实验研究和安装、开发、营销等方面的高级工程技术人才。 热能与动力工程专业分以下四个专业方向：（1）以热能转换与利用系统为主的热能动力工程及控制方向(含能源环境工程、新能源开发和研究方向)；（2）以内燃机及其驱动系统为主的热力发动机及汽车工程方向；（3）以电能转换为机械功为主的流体机械与制冷低温工程方向；（4）以机械功转换为电能为主的火力火电和水利水电动力工程方向。 即工程热物理过程及其自动控制、动力机械及其自动化、流体机械及其自动控制、电厂热能工程及其自动化四个二级学科。 本专业学生主要学习动力工程及工程热物理的基础理论，学习各种能量转换及有效利用的理论和技术，受到现代动力工程师的基本训练；具有进行动力机械与热工设备设计、运行、实验研究的基本能力: 1.具有较扎实的自然科学基础，较好的人文、艺术和社会科学基础及正确运用本国语言、文字的表达能力； 2.较系统地掌握本专业领域宽广的技术理论基础知识，主要包括工程力学、机械学、工程热物理、流体力学、电工与电子学、控制理论、市场经济及企业管理等基础知识； 3.获得本专业领域的工程实践训练，具有较强的计算机和外语应用能力； 4.具有本专业领域内某个专业方向所必要的专业知识，了解其科学前沿及发展趋势； 培养目标 本专业主要培养能源转换与利用和热力环境保护领域具有扎实的理论基础，较强的实践、适应和创新能力，较高的道德素质和文化素质的高级人才，以满足社会对该能源动力学科领域的科研、设计、教学、工程技术、经营管理等各方面的人才需求。学生应具备宽广的自然科学、人文和社会科学知识，热学、力学、电学、机械、自动控制、系统工程等宽厚理论基础、热能动力工程专业知识和实践能力，掌握计算机应用与自动控制技术方面的知识。毕业生能从事能源与动力工程及相关方面的研究、教学、开发、制造、安装、检修、策划、管理和营销等工作。也可在本专业或其它相关专业继续深造，攻读硕士、博士学位。主干学科 动力工程与工程热物理、机械工程:工程力学、机械设计基础、机械制图、电工与电子技术、工程热力学、流体力学、传热学、控制理论、测试技术等 传热学实验、工程热力学实验、动力工程测试技术实验等:掌握工程制图、工程数学、理论力学、材料力学、机械设计基础、金属工艺学、电工学、电子技术基础、工程流体力学、工程热力学、传热学、计算机原理与应用、自动控制原理等方面的知识(对水利水电动力工程方向，工程热力学、传热学知识要求可适当降低)。 2.应用物理专业;培养目标：培养具有坚实的物理、数学基础，掌握物理学的基本理论、方法和实验技能，具备物理工程、电子技术、计算机应用及开发能力的高级专门人才。 主干课程：外语、大学物理、理论物理、现代工程制图、C/C++与面向对象程序设计、大学数学、概率统计、线性代数、数学物理方法、数字电路、模拟电路、计算机原理、接口技术、传感器技术、程序设计、信号与通讯、固体物理、核技术基础、电磁场与电磁波、单片机及智能系统设计、放射医学物理、MATLAB技术及实验、固体光电子学、VHDL硬件描述语言、电子线路系统EDA及实验、半导体物理、激光技术、医学物理等；开设有大学物理实验、数字模拟电路实验、近代物理实验、综合设计实验、应用物理专业实验等实验课程。学生具有较完善的以物理思想为基础的科学思维和实际工作能力，也为以后进一步的发展奠定了坚实的基础。专业方向包括：应用电子物理、医学物理。 就业方向：在物理、电子物理、医学物理、物理技术、电子技术、计算机硬件应用与开发等相关领域从事科学研究和企事业管理工作，还可进一步攻读物理及技术方面的研究生。二、区别1是纯应用型专业，2是研究型专业；1偏重于实际操作中的问题解决；2偏重于理论分析中的问题研究1主干课程偏重工程物理，2主干课程偏重于理论物理，同时对数学要求较高结论：考博难度较大。建议选其他专业可以的哦！收起

在我们学校，这两个专业学习的课程有相同点应数与信记基础课:数学分析 高等代数 复变函数 解析几何这些课的内容信计还是要用到一点的收起

闽江学院数学与数据科学学院2019年数学与应用数学专业，这个是数学大学，数学的教学问题收起

本科毕业——公务员；保险公司推销员；小学教师（中学教师要硕士，待回遇较答差；大学教师要博士，待遇最差）。选修过有关工科的专业课程，那么有数学优势，择业的道路会非常宽广——技术员。考研考哪个专业比较合适？这要看你的兴趣于志气了：如果准备继续在数学方面发展，将来搞基础数学研究，继续读数学。最好读北大、复旦、南大、川大、……的；一般不能读交大、同济、……等工科大学的。如果准备转向在经济方面发展，数学基础好很容易转，人大、财经大、……都不差。读完硕士——公务员；保险公司推销员；中学教师（大学教师要博士，待遇较差）；大学政工人员，再读在职博士。选修过有关工科的专业课程，那么有数学优势，择业的道路会非常宽广——工程师。选修过有关经济金融类的专业课程，那么有数学优势，择业的道路会更宽广——精算师、会计师。收起

大学选择数学与应用数学专业，我感觉就业前景是很有希望的。在当今社会，数学和什么东西都离不开，什么东西都需要计算，所以数学的应用是很经常的，就业的缺口应该是很大的。比如据我所了解的建筑学，里面的设计和测量都和数学的模型是分不开的，需要依靠数学来解决，在这方面数学越好的建造师就越厉害也就是说这个工作的酬劳就更高。除了建筑学，很多工作都是和数学挂钩的，比如我们经常乘坐的高铁维修，就和数学挂钩，需要用到数学模型来解决问题。还有我们的会计，财务等工作都是和数学息息相关的，所以说数学很重要。除了这些，数学还和别的科目挂钩起来，比如物理学，数学不好的人是学不好物理的，这句经典名言是经过实践的，而且很多知名的物理学家，在数学方面的研究也是十分让人吃惊的，数学就是物理的基础，两者的关系是密不可分的。再不济的数学与应用数学专业，都可以凭借自己的努力，去考一个教师资格证。做一名光荣的人民教师，在学校教书育人，如果不习惯大规模教学。还可以在自己的工作之余给自己找一份家教的工作，成为私人老师，给自己多赚一些生活补贴。这样一个月的酬劳再加上自己工作的薪资，很容易月入破万噢。不过在牛的专业，都是要看我们个人的奋斗的。数学为啥这么吃香，就因为它的难度大，而且和它相配的专业也是有难度的。比如建筑学，也需要话时间学习的，别的更加不用说了。相比之下，考证书比学习会更加简单，考个教师资格证会比较简单，但是也仅仅是相当而言，现在想成为教师还是有难度的。所以呀，无论读啥专业都有加油！收起

计算机科学与技术个人意见.您好！1、如果是女生，数学较好就业，主要是教学工作。计算机太累呀！2、一般讲，计算机的就业空间较大些，但要从基础作起，开初是不会太顺利的，要能顶过开头期。收起

应用数学的博士比较转身容易 纯数学要有段适应过程 要学一些东西 好在博士学习能力一定不差的本回答被网友采纳收起

时代兴华留学原创内容，谢绝转载。专业选择关乎留学成败，时代兴华留学一般建议如果以后有申请博士的打算，会推进学生重点考虑学校的专业排名。从专业设置来看，美国DS、金工金数都属于偏应用性的学科，开设博士学位的学校非常少，考虑到后期申请的可行性和成功率，今后读博可以重点考虑一下统计专业。统计专业也有利于留美，这是一个STEM项目，OPT36个月，另外题主本科是金融工程，数理基础应该也比较扎实，申请美国名校统计硕士也会有一定优势，最最关键的是美国统计学博士就业前景是很乐观的。在开设统计学专业的美国大学中一般都有两个方向：一个是偏重于理论研究的；一类是偏重于实际应用的。如果是选择理论研究方向的话，主要是专设的统计系或者是在数学系下设统计学，如果选择实用方向的话，所包括的方面相对就比较广泛，比如现在很热门的生物统计，还有经济统计和社会统计学等。这两年统计专业的学生接触的比较多，想要了解具体每个学校的申请要求、招生偏好、申请条件可以资讯时代兴华留学，我会针对题主的情况，提供一些建议。美国统计学专业分支及研究方向： 以上是时代兴华留学为大家提供的内容，希望可以帮到大家，关注时代兴华留学，关注更多留学干货分享，当然，如果有想了解的留学问题，也可以咨询时代兴华留学。收起

全文共2860字，预计学习时长5分钟未来预测平台的用户只需轻轻一按，就会获得需要的预测结果。用户只需要输入历史数据和预测范围。历史数据可以是CVS格式，也可以是一条查询链接。你想预测多远呢？数据之下便是答案。Uber数据科学总监弗兰基斯卡·贝尔（Franziska Bell）预测真的可以商品化到这种程度吗？Uber并不是第一个吃螃蟹的人，微软、谷歌还有亚马逊也开始为其客户提供更多“拖放式（即抓取对象以后拖到另一个位置）”的机器学习方案。Bell的话能得出两种完全不一样的结论：其一，Uber的预测平台已非常先进；其二，他们认为预测带来的挑战无足轻重。下面我们也来“预测”一下两种结论分别带来可能吧：Uber的预测平台已非常先进——Uber如何在只需要目标变量历史数据的条件下，轻松产生预测呢？1. 获取数据，确定是否需要包含其他特征，并明确这批数据之间是否有一定的特征。在这个过程中，特别是目标对象十分复杂的时候，需要外生变量来帮助构建模型。Uber不仅需在生成数据之前就已经收集所有的数据，还需了解这些数据中包括哪些特征，以及如何转化它们。2. 需比较不同的预测算法（线性回归、随机森林还有神经网络等），同时还为每种算法选择最佳超参数。3. 需对预测结果进行反向测试（当从样本中取出模型时，反向测试可以减少模型爆炸的风险），Uber需要跟用户说明模型所基于的假设以及导致故障的原因。这么多的假设依然未实现，如果平台能够将它们一一实现，确实值得表扬。如果uber认为预测无足轻重，那又会有什么结果呢？——反对者认为预测平台只是一个ARIMA模型或长短时记忆模型，仅可根据目标过去的观测数据来预测未来，应用范围不广泛。倘若将目标变量的滞后作为特征的话，反而会忽略了关键的外生关系，这样会使得模型极其不匹配，表现也不理想。保持怀疑态度我们对Uber“预测即服务”的目标表示怀疑。Uber允许其员工使用预先构建好的模型来预测某些关键业务指标的需求，而且该公司的数据科学团队已深度研究完善过这批模型。但这个目标与弗兰基斯卡·贝尔的想法还是有点距离。贝尔似乎是想按下按钮，就可以预测所有的事情。这个想法不容易，可以说几乎不可能实现。下面我们将仔细推敲预测过程的每一步，看看自动化的对象究竟是什么。首先要明确——预测的对象是什么？如果没有问题需要解决，那么构建模型进行预测的意义就不大了。因此第一步需要做的便是——我的问题是什么？预测什么才可以更好地解决问题？这个问题很难立马回答。本文继续以Uber为例——假设我们是Uber的分析师，要想预测明年旧金山市的Uber需求，只给出过去Uber的需求数据，预测平台就可以凭此完成预测吗？可能不太行。“需求”指的是什么呢？可能是：· 明年乘客的数量。· 明年的总乘车次数，即乘客数×乘车次数。· 明年乘车总费用，即乘客数×乘车次数×平均乘车价格。预测对象模棱两可，而且随着“需求”定义的深入，需要预测的变量也越来越多。单单是乘客数这一个变量就与许多因素有关：· 跟司机数量有关——司机的数目与乘客数目相互影响，司机越多，使用Uber的乘客也会也多（也就是网络效应）。· 竞争形式（Lyft、出租车、滑板车等）随时间流逝而变化，接下来的变量就包括竞争者数量，以及他们的营销策略和价格策略等。这个本来看起来很简单的问题最终变得越来越复杂，更谈不上自动化。综上所述，合理的预测模型通常包括多个模型和预测结果。如果考虑的变量不够多，模型将很快失效。但如果一次性使用太多的模型，最终只会过于复杂，无法产出理想结果。要搞清楚预测对象并不容易。经验丰富的数据科学家在这个过程中十分重要，因为他们可以区分清楚模型中每一部分，最终模型不会过于简单，也不会过于复杂。识别有意义的数据确定需要预测的变量后，给所有模型集合画一个简洁的流程图，这是不是就完事了呢？当然不是。首先需要确定是否已掌握所有需要的数据。在最理想的状态下，所有数据都可用于模型中，分析师梳理数据完毕后，输入到数据库——但这种情况几乎不可能存在。确定预测对象后，则需要决定用于生成预测的候选特征集。但要拿到这些数据并不容易，通常是由数据科学家们确定获取数据的途径和方式。如果直接观察难以实现，那么可能需要其他的候选数据了。这一步也很难实现自动化。如果一个公司的数据库纷繁复杂，那么就需要数据科学家灵活巧妙地摘选其中最有用的数据了。构建预测——特征工程，选择最佳算法这可能是最容易自动化的一部分了。假设已成功获得并处理好数据后（实际并没有这么简单），下一步就是构建模型了。在挑选合适模型、准确设置数据的过程中，有经验丰富的数据科学家或统计学家参与是十分重要的，但也可以采取一种强硬的自动化手段。也许有人会说，并不需要逐一测试以得到最佳模型。XGboost和神经网络原本训练就已经十分充分，不会过度拟合，它们即可成为首选算法。以上两种算法均可有效使特征工程过程自动化。比方说，给定足够多的神经元和神经层，神经网络可以轻易捕获特征和目标之间的非线性效应。这种情况下无需考虑日志文件、特征成分以及特征之间的互动了。当然，这种自动化也付出了一定的代价：解释性低，也就是说，我们不知道是什么推动了自动化。举个例子，在线性回归中，β系数A表示A特征中每增加一个单位将会给预测带来一定影响；但在神经网络中却无法知道增加A特征是如何影响预测的。在当下这个庞大而复杂的数据世界中，模型的解释性似乎并不是必须的。但其实，一个更简单、解释性更强的模型并不会降低模型准确度，因此还是建议使用简单模型。预估模型崩溃的时间如果每个人都有预测能力也会带来难以预估的风险——过去没有预测经验的人并不了解，无效或过度拟合的模型很容易崩溃。当我们看到定量精准度的预测时，会习惯性陷入一种虚假的安全感（我们坚信这些数据准确）。但经验丰富的数据科学家则会质疑模型的假设，同时还会考虑模型表现不佳的情况。解释性较低的模型还有别的缺点——如果不了解推动预测的关键关系，那么就无法了解所处环境中这些关系何时会失效。事实上，自动化的目标还是难以实现。但了解构建模型生成预测的好处和风险的人总能在这个领域中有一席之地。总结所有的自动化结果都殊途同归。因此，当数据科学和机器学习或多或少实现自动化时，千万别感到太惊讶。相反，我们更应该关注还没有实现自动化的部分，并为可预测的将来增添新的价值点。· 了解业务发展的关键推动力量以及其他影响因素。· 了解如何准确检查和设计模型，使其既不太简单也不会太复杂。· 了解如何挖掘可用于构建数据科学模型的有用数据。· 构建解释性“合理”的模型。· 预估判断模型崩溃，预测结果出错的时间和原因。留言 点赞 关注我们一起分享AI学习与发展的干货欢迎关注全平台AI垂类自媒体 “读芯术”收起

如今，人工智能成为科技和商业领域最热门的话题，而数据科学领域则是作为其工作原理的基础大放光彩。数据科学的课程现在都包含了强大的人工智能，一些机构也已经在提供人工智能专业的本科学位。越来越多的学院和大学开设了这些课程，这表明了整个行业的期望，对于那些接受过正规培训和认证的人来说，将会有一个充满回报的机会。虽然人工智能和数据科学这两门先进学科现在已是大多数计算机科学本科学位的一部分，但只有在研究生阶段，学生才能真正开始发展自身的专业技能。一些世界上最好的以技术主导闻名的学院和大学都提供了这些学科的专业硕士学位课程。近日，福布斯网站发布了一份“2021 年十大最佳人工智能和数据科学硕士项目”榜单，榜单作者是政府和公司的战略商业和技术顾问 Bernard Marr，这也是最佳数据科学“本科课程”列表的后续文章。Bernard Marr 表示，这些大学或学院，都是这个研究领域的世界领导者，同时也是硅谷企业在前沿项目上的合作者。在这个水平上学习数据科学和人工智能，会让你在雇主眼中成为一个很大肯在技术专长上超过只有计算机科学学士学位求职者的人，这也可能是迈向博士学位的一步。但如果你的兴趣不是技术性的，而是以商业为导向的，那么也有一些 MBA 课程出现在人工智能领域，这也值得考虑。以下为榜单内容：1、麻省理工学院—商业分析硕士能在世界领先的科技学校学习数据和机器学习的实际应用课程，将会是你在该领域开启高级教育征程的好地方。对于任何一门硕士课程，通常会要求你先取得相关领域的本科学位，例如计算机科学或数学，但是通常会在这些精确的要求上添加一些灵活性。而另一条符合条件的途径是，你是否能在这个领域获得丰富的工作经验。麻省理工学院的硕士学位与大多数其他硕士一样，需要12个月的时间来完成，其目标是让学生获得知识和经验，开始与企业合作并解决他们的问题。2、斯坦福大学—统计学硕士：数据科学斯坦福大学是另一所技术上世界领先的美国大学，在具有全球意义的人工智能研究领域名闻遐迩，同时还传授给学生强大的实践技能，激发AI开发潜力。由于本课程专攻“以计算为中心的数据科学”，因此可以被认为比商业硕士更具理论性。该课程涵盖科学家和工程师的高级软件开发、多核计算和统计理论。然而，选修课可以在以下应用领域学习，包括数据驱动医学、神经成像技术、地统计学和社交媒体分析。3、卡内基梅隆—计算数据科学硕士卡内基梅隆大学是另一个美国著名学府，它在人工智能和数据科学方面的研究和成就举世闻名。这份榜单虽然并非是只针对美国的，但不可否认的是，美国在数据科学和人工智能方面有很多世界排名靠前的大学。在这里，你将站在Herbert Simon 和 Allen Newell这样举世闻名的科学家的肩膀上，而他们是现代人工智能开发的两位伟大先驱。4、伦敦帝国理工学院—商业分析硕士这一灵活的课程经常跻身于世界十大大学之列，通过商学院提供一年制、全日制或两年制的兼职课程，实现了学生的远程学习。课程包含大数据管理、分析算法和数据可视化技术。学生们也有机会在实习期间完成部分课程，并接受培训，以旁听咨询的身份在商业领域处理数据科学问题。5、巴斯大学—数据科学硕士英国的另一所卓越的数据中心是一所发展极为迅速的大学。其课程教授机器学习和高级分析算法所需的基本软件技能。数据科学软件技能模块还包括评估软件包和编程语言对实际任务的适用性。该课程的重点是核心能力和基础知识，而不是其他课程所涵盖的更实际的方面，并且学生可以选择在第二学期的研究任务中从事应用领域的工作。6、多伦多大学—应用计算理学硕士：数据科学在这所技术领先的加拿大技术类大学攻读应用计算硕士学位的学生可以专注于数据科学这一轨道。多伦多大学将实践作为课程的一部分，因此你有机会参加为期8个月的技术实习，在那里你开始将你正在学习的知识用于解决大数据、人工智能以及分析学的现实世界问题。7、赫尔辛基大学—数据科学硕士芬兰投入巨资培训本国学生，使其做好充分利用人工智能和数据科学这一大爆炸的准备，而其中大部分工作就是通过赫尔辛基大学进行的。在那里，学生可以选择专攻与机器学习、计算机视觉和高级分析相关的技术领域，或者是选择这些技术对应的实际应用。学生们将学习评估数据科学、AI技术和实践，以便将其与合适的任务相匹配，并将通过世界一流欧洲院校的高级学位极大地发展他们的就业前景。8、巴黎综合理工大学—商业数据科学理学硕士这所位于巴黎的商业和技术领先的学院提供了两年制硕士课程，专注于满足全球企业对具备训练有素特质的数据科学专业人员的需求。其明确的目标是培养具备技术和商业知识的双技能毕业生，并能领导行业数据和智能计算积极性。第一年的重点是统计学、数学和计算机编程，然后学生开始学习解决实际问题的技能，其中就包括使用数据和算法来解决商业挑战。9、清华大学—高级计算硕士中国目前在人工智能的发展方面已经处于世界领先地位，这所位于中国首都北京的大学硕士学位是国内人工智能和数据科学领域最受推崇的学位之一。实际上，语言障碍不会是该领域知识交流的首要问题，因为所有课程都是用英语授课的。该课程包含独自探索以及从一些国内最著名的专家那里深入了解机器学习、大数据和人机交互等主题，同时还与微软、IBM等与大学研究人员合作的大公司合作。10、香港大学—数据科学硕士香港大学计算机科学与统计与精算学院联合办学，被誉为亚洲学术研究的领先中心之一。无论是全职学习时间超过18个月，还是兼职时间超过30个月，学生都将获得机器学习和数据分析方面的专业技能。并且还能深入研究实际应用，包括社交媒体中数据的作用以及云计算的发展。作者简介：武汉维识教育科技有限公司专注于人工智能、机器人工程、智能制造、云计算、大数据、区块链、信息安全、互联网营销、健康护理等多领域、多层次「新工科」「新职业」人才培养与输送。公司立足湖北科教大省，辐射全国，提供专业共建、师资培训、联合实验室、科研项目合作、实习实训就业、职业技能培训等整体解决方案。同时与诸多产业领军企业建立战略合作关系，融合产业先进技术，为金融、医疗、教育、安防、交通、零售、制造、农业等行业用户，提供多维解决方案。在全国众多院校、企业、研究机构、投资界等多方合作发展中发挥纽带作用，为推动相关领域人才培养和产业发展贡献力量。收起

个人简介谢文倩，女，中共党员，电子科技大学自动化工程学院控制科学与工程学科2017级博士研究生，师从朱宏教授。主要从事混杂系统、网络化控制和滤波的研究。截止目前为止，以第一作者发表SCI期刊论文4篇。获博士研究生国家奖学金、学业一等奖学金、四川省“优秀志愿者”等荣誉。厚积薄发，踏上科研之路漫科研路，入门并不容易。谢文倩在攻博之前所学的专业是应用数学，在博士阶段转入了自动化工程学院深造控制科学与工程专业。研究领域的转变对谢文漫倩来说是一个不小的挑战，新的研究课题涉及到大量的控制理论概念以及线性系统理论和非线性系统理论的知识，这都是她之前完全没有接触过的。师兄师姐们一两天就能吃透的文献，她常常需要花上一周甚至更长的时间才能弄懂，一学期下来，阅读过的文献寥寥无几。有时，一个可能的创新点都能让她暗自窃喜，但经过实验验证，结果却不理想，实验了又失败，失败了又实验。于她而言，科研就像走一条漫长而荆棘的小路，让人既筋疲力尽又伤痕累累，她甚至开始怀疑自己到底适不适合读博，适不适合继续做科研？在谢文倩几近放弃的边缘，导师发现她状态不好，及时劝慰：“万事开头难，莫着急，慢慢来，找到问题，一个一个解决就好”。在逆境中，她开始尝试调整心态，认真分析自己的不足，查缺补漏。她开始加倍努力，大量阅读文献，碰到不懂的问题就查阅《自动控制原理》、《线性系统理论》、《非线性系统理论》等大量相关书籍去钻研，当遇到自己解决不了的难题时，导师耐心的指导给了她很大的帮助与鼓励。通过踏实的钻研与努力，谢文倩的基础知识很快扎实起来，并开始尝试解决实验中遇到的问题。锲而不舍，守得云开见月明谢文倩还记得在撰写自己的第一篇论文时的感受，那时实验结果常常不理想，失望和挫败感是家常便饭。然而面对挑战，谢文倩选择越挫越勇，那段日子，她经常早出晚归，在实验室里不断地调整方法，调试实验参数。几乎每天结束工作从教研室离开的时候，都已经是万籁俱寂的深夜，夜晚的学校道路上空无一人，只有明月和微风在路上陪伴着她。通过一段时间的全身心投入研究，谢文倩终于完成了自己还算满意的初稿，然而导师反馈给她的修改论文稿件上全是密密麻麻的批注，甚至连标点符号都没有错过。导师认真严谨的态度给了谢文倩很大的触动，也深深影响着她之后的科研态度。她谈到，完成这篇论文，从投稿到接收花了近一年的时间，先后经历了两次大修，反复无止尽的修改过程和审稿人繁杂的审稿意见让谢文倩几近崩溃的边缘，但一想到导师认真严谨的治学态度，她也渐渐放下浮躁，一步一个脚印地重新开始，在学期末，终于顺利将稿件投出。一篇论文的写作大概需要经过广泛阅读文献、反复试验、撰写、修改、再修改等大大小小的过程，第一篇论文的成功发表并不意味着往后的科研之路就是顺利的，在一个阶段研究中，谢文倩在研究切换系统的过程中，研究却卡壳在了仿真阶段，她不知道如何正确地将系统切换过程用相应的代码来表示，科研一度陷入瘫痪。谢文倩感到无奈又烦闷，但她深知解决问题的唯一办法就是去面对。她推翻了自己之前的工作，选择了从开始的地方重新来过，从最微小的问题和从最基本的理论进行查漏补缺，并更加广泛地请教师兄师姐，一次次追着他们请教学习。最终她终于攻克了这一难关，完成了《Extended dissipative resilient estimator design for discrete-time switched neural networks with unreliable links》这篇论文的撰写，该论文发表在了工程技术2区Top期刊《Nonlinear Analysis: Hybrid Systems》上，影响因子为4.01。遇事不急、脚踏实地、坚持不懈成为了谢文倩科研学习过程中的行为准则，这项准则帮助她在繁忙的学习过程中始终保持一颗从容不迫的心，从而高效地完成工作，付出终有回报，直至目前为止，谢文倩已成功发表四篇SCI论文。敏而好学，习惯成自然为了保持清醒的学术头脑，不断丰富自己的科研知识，为写作论文奠定坚实的基础，谢文倩还一直坚持着定期参加各种相关学术讲座，对所研究方向的最新研究动态有更加清晰的把握与认识。在研究初期，英国布鲁奈尔大学王子栋教授带给了她很大的启发，他帮助了一个科研新人加深了对这条科研道路的热爱。在讲座中她第一次了解到了抽样控制器的相关知识，为她打开了新世界的大门，这也成为谢文倩日后的研究方向。同时，谢文倩还坚持着和团队伙伴讨论最新发表的研究成果。有一次在讨论一篇与切换系统相关的论文过程中，她和同学的意见产生了诸多分歧。于是，他们和老师对如何更合理地理解该文中的切换规则进行了深度讨论，这场讨论一直持续了很久，大家都乐此不疲地不断查阅资料，不断发表自己的见解，正是在这样的学术氛围中，大家不断收获科研方法和技术知识，以及对科研工作的热爱。谢文倩谈到，在成电学习的这些日子，她收获的是一个其乐融融的大家庭，充满了人情温暖的科研室，是这些可爱的人让她的科研生活不再孤独和枯燥，也让她不断坚持着这种有规律的学习习惯，热爱自己的方向，热爱自己的学科。张弛有度，宁静以致远“陀螺旋转太久，终会停下来。若弹簧一直紧绷，迟早会失去弹性。人生之路也是如此，应适时停下来，前行时才会更加有力量。”谢文倩谈到，能在科研中保持从容不迫，一步一个脚印地克服困难，也有赖于她善于平衡自己的生活状态，在科研外找到了让她保持平静的方式。她常常参与各种各样的运动，一旦碰到难以解决的问题，一旦受到强烈的压力，“那就去跑步吧”，她说。有一次，谢文倩需要解决一个非常复杂的数学推导，经过了很多演算步骤，她看着密密麻麻的草稿纸一时之间不知如何下手。在压力之下，她选择了跑步来缓解自己的情绪。换上运动鞋，清空大脑，去成电美丽的风景里肆意奔跑。之后，她感觉心情平静了许多，回到教研室果然理清了思路。谢文倩渐渐爱上了跑步这种健康的舒压方式，10公里跑对她来说都是小菜一碟。此外，谢文茜还常常参加各种志愿者活动，在“创青春”中航工业全国大学生创业大赛等活动中进行了志愿服务工作。为了感受各地大学们积极向上的风采，丰富课余生活，她报名参与了志愿者，向参赛选手们展示了成电学子的热情。参与志愿者，不仅仅是一种风险他人的活动，也是一种在学习之余放松身心，通过帮助让他人活得内心满足的一种方式。科研这场持久战，不可能一劳永逸，不能急于求成，需要在适当的时候，停歇下匆忙的脚步，休憩疲惫的身心，不慌不忙，张弛有度。谢文倩说：“现在的我，累了或是前进不了的时候，会适当停下来，转移注意力。积蓄能量才能更进一步，不能让自己像一根紧绷的弦，人生就应该张弛有度。”现在才博二的谢文倩，还是个行进中的科研人，她或许没有一鸣惊人，也没有那么的出类拔萃，但她仍会继续努力，不放弃，不后退，在行路中不断探索，力争在课题中取得突破性的成果。学姐寄语古之立大事者，不惟有超世之才，亦必有坚忍不拔之志。努力不一定成功，但放弃一定失败。人生不如意之事十之八九，但没有解决不了的问题，只是不能急于求成。要懂得每一段经历都是难得的成长，所付出的每一点努力，都会让你成为更强大的自己。来源：电子科技大学研究生院 自动化工程学院 编辑| 杨欢 校审| 雪收起

【能源人都在看，点击右上角加'关注'】20日，教育部网站发布《2019年全国教育事业发展统计公报》，公报显示，全国各类高等教育在学总规模4002万人，高等教育毛入学率51.6%。全国共有普通高等学校2688所(含独立学院257所)，其中，本科院校1265所。2019年研究生招生91.65万人，其中，招收硕士生81.13万人。全国在学研究生286.37万人，其中，在学硕士生243.95万人。毕业研究生63.97万人，其中，毕业博士生6.26万人，毕业硕士生57.71万人。《2019年全国教育事业发展统计公报》[1]中指出：数据显示，全国共有各级各类学校53.01万所，比上年增加1.13万所，增长2.17%；各级各类学历教育在校生2.82亿人，比上年增加660.62万人，增长2.40%；专任教师1732.03万人，比上年增加59.18万人，增长3.54%。高等教育方面全国各类高等教育在学总规模[18]4002万人，高等教育毛入学率51.6%。全国共有普通高等学校2688所(含独立学院257所)，比上年增加25所，增长0.94%。其中，本科院校1265所，比上年增加20所；高职（专科）院校1423所，比上年增加5所。全国共有成人高等学校268所，比上年减少9所；研究生培养机构828个，其中，普通高等学校593个，科研机构235个。普通高等学校校均规模[19]11260人，其中，本科院校15179人，高职（专科）院校7776人。图1 高等教育在学总规模和毛入学率研究生招生[20]91.65万人，其中，招收博士生10.52万人，招收硕士生81.13万人。在学研究生286.37万人，其中，在学博士生42.42万人，在学硕士生243.95万人。毕业研究生63.97万人，其中，毕业博士生6.26万人，毕业硕士生57.71万人。普通本专科招生914.90万人，比上年增加123.91万人，增长15.67%；在校生3031.53万人，比上年增加200.49万人，增长7.08%；毕业生758.53万人，比上年增加5.22万人，增长0.69%。另有五年制高职转入专科招生46.00万人；专科起点本科招生31.75万人。表1 普通本专科学生情况成人本专科招生302.21万人，比上年增加28.90万人，增长10.57%；在校生668.56万人，比上年增加77.57万人，增长13.13%；毕业生213.14万人，比上年减少4.60万人，下降2.11%。全国高等教育自学考试学历教育报考596.37万人次，取得毕业证书48.98万人。普通高等学校教职工256.67万人，比上年增加7.92万人，增长3.18%；专任教师174.01万人，比上年增加6.74万人，增长4.03%。普通高校生师比[21]为17.95:1，其中，本科院校17.39:1，高职（专科）院校19.24:1。成人高等学校教职工3.61万人，比上年减少1939人；专任教师2.06万人，比上年减少1267人。普通高等学校校舍建筑面积[22]101248.41万平方米，比上年增加3534.85万平方米；教学科研仪器设备总值[23]6095.08亿元，比上年增加562.02亿元。民办教育方面全国共有各级各类民办学校19.15万所，比上年增加8052所，占全国比重36.13%；招生1774.33万人，比上年减少5.42万人，下降0.30%；各类教育在校生5616.61万人，比上年增加238.40万人，增长4.43%。民办高等学校757所(含独立学院257所，成人高校1所)，比上年增加7所。普通本专科招生219.69万人，比上年增加35.75万人，增长19.43%；在校生708.83万人，比上年增加59.23万人，增长9.12%。硕士研究生招生876人，在学1865人。图2 民办教育在校生规模结构部分原文注释[1]各项统计数据均未包括香港特别行政区、澳门特别行政区和台湾省。部分数据因四舍五入的原因，存在着与分项合计不等的情况。[18]包括研究生、普通本专科、成人本专科、网络本专科、高等教育自学考试本专科等各种形式的高等教育在学人数。[19]普通高等学校校均规模，仅含普通本专科在校生，不含分校点数据。[20]根据教育部办公厅《关于统筹全日制和非全日制研究生管理工作的通知》（教研厅[2016]2号）有关要求，2017年起研究生招生、在校生指标内涵发生变化，增加了非全日制研究生数据。[21]普通高等学校生师比，不含分校点数据，学生总数为折合学生数。[22] [23]包括学校产权和非产权独立使用。[24]民办中等职业教育未含技工学校数据。免责声明：以上内容转载自中国矿业大学学报，所发内容不代表本平台立场。全国能源信息平台联系电话：010-65367702，邮箱：hz@people-energy.com.cn，地址：北京市朝阳区金台西路2号人民日报社收起

总的来说，数据科学是个跨学科专业，各个专业的人都可以申请。一、不过它有以下特点：1）面向职业培训、侧重工业界需求，没有博士学位为了符合工业界需求，专门的数据科学项目课程都很实际，侧重培养学生分析数据、解决问题的实际动手能力，课程一般不涉及理论知识。如果要读博士，申请统计和生物统计专业最对口，其次是计算机或者电子工程里做机器学习、数据挖掘这些相关方向的。另外，数学、IEOR、经济等专业也有少数博士生做的方向可以转到数据科学上，比如做优化（optimization）的。2）作为新兴专业，很多学校没有开设专门学位，综排前50里只有少数学校才有也就是说，申请选校范围很狭窄、选择非常少，这也决定了申请综排前50的学校，难度很大3）不同的项目对学生背景要求不同，录取标准各异大多数项目倾向于录取数学或者统计等计量学科背景的学生，同时希望申请人有软件编程基础、会写程序分析数据。比较牛的项目，更是如此。如果你只是上过高数、线性代数、概率统计这三门理工科专业都上的基础课程，那你的背景是不够的。尽管修课背景的缺乏并不代表你一定拿不到录取，但是你是处于劣势的。如果你修课背景缺乏，可能更适合的是商学院里开设的项目，这类项目侧重business/marketing analytics，而不是data science，对各种背景的申请人都更友好。 有的学校还有特殊要求，比如西北大学希望申请人上过Java课程、NCSU有很严格的面试。这也增加了申请难度。4）申请文书质量至关重要基本上所有学校的录取委员会，都希望在文书里能看到你对数据科学、对商务分析，能有一定的理解，而不是在对这个专业所知聊聊的情况下蒙头胡申。同时，作为很侧重职业培训的项目，有相关工作经验是加分。如果你有工作经验，那一定要结合工作，体现你对这个专业的理解和看法。如果你没有工作经验，你文书里更是要设计合适的内容，充分体现自己的背景和基础可以胜任这个专业。5）建议考GRE而不是GMAT商学院里一般都接受GMAT，但是有些项目并非商学院开设的。如果想选校不受限制，最好考GRE。二、关于数据科学专业申请定位，其实很简单：1）背景很好，可以在综排前50里选校；除非真的很牛，否则不要只考虑综排牛校。2）其他人等，建议多申请一些50名以后的学校，会比较稳妥。另外，考虑到很多申请人可能也有其他选项，比如在申请数据科学的同时，也申请本专业，所以定位问题往往需要全面考虑。三、项目情况ds因为是比较新的一个专业，项目普遍比较新也比较杂，很多不同的学校有ds的项目，但是名字不尽相同。比如说Stanford ICME，Columbia, NYU Data Science, Northwestern Analytics, Georgia Tech Analytics这些都是ds或者是ds相关的项目。但是在申请的时候，不要看到ds就申请，一定要结合自己的背景，深入的了解之后再做决定，因为不同的项目是由不同的偏重的。举例来说Stanford 的项目因为是icme和stas同时申请的，所以偏重数学多一点，Columbia 因为是在工学院的下面，所以偏重cs多一点。大家也可以结合自己的本科专业和未来的职业规划选择项目，这样在申请的时候也更有优势。不同项目的信息是可以网上找到的，也可以问问自己的学长学姐，或者校友，他们会给你很多有用的信息。四、申请建议：GPA很重要，有精力的话，一定要保证自己的GPA是漂亮的。ds项目是很偏重数学和编程的，这两方面的课程成绩尤为重要。GPA不是唯一的申请条件，但是绝对是很重要的一项。接下来，暑期科研可加分，对于大二大三的同学，尤其是大二的同学，可以在大三暑假的时候去做一份暑期科研。大三的同学应该申请暑期科研申请的差不多了，还没有申请到的同学可以继续努力，但是暑期科研对于申请来说绝对是一个加分项。暑期科研一般来讲，最最现实的意义就是国外教授的推荐信。实习可加分，大部分大三的同学应该都会遇到找实习的问题。首先，不要着急；其次，有的放矢，一定要考虑好和未来的申请相关的实习，不一定是big name，小公司也可以，只要适合申请有关的，都可以算作是一份好的实习，在实习的过程中，也是好机会了解行业的现状。知道什么是应用中重要的，而且你可能会发现和之前科研中相比，工作中真正重要的部分是不同的。申请实习的同学，简历也是很重要的，不要直接用申请学校改好的简历，毕竟企业和学校是不一样的。还是要稍微改一下地，突出自己的优势。而且国内和国外的简历要求也是不一样的。最后，因为ds是一个交叉学科，所以其实对于各方面的能力要求都有一点，不用因为觉得自己的背景差一点就气馁，有很多背景知识是可以自己提高的，做一些相关的科研项目，上一些网上的课程都是很好的选择，当然也是可以写在简历上的。收起

本文为 AI 研习社编译的技术博客，原标题 ：3 common data science career transitions, and how to make them happen作者 | Jeremie Harris翻译 | Eli伊莱校对 | 邓普斯杰弗 整理 | 菠萝妹原文链接：https://towardsdatascience.com/3-common-data-science-career-transitions-and-how-to-make-them-happen-588c3618942f记得以前我学习物理的时候，我经常去google那些看起来很高级的专业术语，而且大多数时候，维基百科总是第一个出来的。但是随着维基百科词条数量越来越多，它们的解释好像都达不到我想要的水平，尤其对于很多我个人需求来说，它们解释的都太过难或者太简单了，这件事情发生的频率太高，以至于我总结出了一个互联网规则：“维基百科的专业术语词典不能在容易理解和提供有用信息之间很好的平衡”。我相信很多的数据科学家职业咨询（工作搜寻/面试准备建议）都遵循一条简单的原理：有面向初学者的招聘职位，也有面向经验丰富的软件工程师招聘职位，也有帮助初级数据科学家快速打磨他们技巧的职位。太多的杂音使这些有望致力于数据科学家的的人越来越难的选择自己应该把有限的时间和经理投入到哪个部分，来获取职业生涯的转变。这是我在SharpestMinds和mentees研究的主要课题。虽然不会有一个适应于所有人的解决方案，但是我发现以下3类建议是我在做咨询时不停的提供给别人的建议。第一类：数据科学小白（完完全全的小白）如果你刚接触数据科学，请牢记这单：这个领域变化很快，所有在这个时刻我给你的意见与建议，当你准备应用在实际工作的时候，可能就已经过时了。2017年那些招募员工考察的点在今天已经不适用了，而且，那些衡量在当下申请数据科学家岗位的工作标准与那些未来（1-2年后）准备申请数据科学家岗位的工作标准肯定会截然不同，而且会差距更大。如果你没有编程或者STEM（科学、科技、工程、数学）的背景，这里有些建议可以帮助你进入到数据科学领域：保持开放。如字面意思，你是一个小白，你不知道数据科学是什么鬼东西，所以有很大可能数据科学并不是你想象中想要的那份工作。试试在领英上找一些数据科学家，买杯咖啡同他们聊一聊是个很好的帮你了解这份工作的选择。去follow一个数据科学家的podcast，对于成为一个数据科学家来说，这意味你要花大量的时间和经历在上班，从这个角度讲，如果仅仅是觉得自动驾驶汽车很酷就选择这条路，可能这并不是你的一个好选择。另外就是你要明白数据科学家并不是每天都有高光时刻，更多的时候是在清晰数据，建立数据通道。如果你看完以上信息还决定继续前进，那么你要做的第一件事情就是学习Python。选择一个MOOC平台（优达学城，慕课等），然后尽快学完，再做一个小项目。当你熟悉你的Python编程技巧后，就去学习如何使用Jupyter Notebooks（译者注：一个Python编译器，很好用），然后再在MOOC平台上学习一些数据科学课程。如果你想要更多的详细信息，可以看看这个blog，它给出了一个很好的学习路径。在学习初期将你目标定位在数据科学家这个岗位上并没有太多必要，你可以先从更基础的地方开始，比如：数据可视化，数据分析都是大量需要人才的岗位，也是最快进入市场的选择。这些岗位会同数据科学家一起工作，而且会提供晋升数据科学家的通道。如果打造你自己的个人品牌呢：如果你到了可以申请工作的那一步，你会发现建立个人品牌对数据科学来说非同寻常的重要。你可能会恐慌说自己没有一点点专业经验，也没有一个CS方向的研究生学位，个人品牌会成一个大问题。但是，这些其实可以成为你最大的品牌优势：你是一个自驱动型的开发/数据人才，不仅学的快，而且工作努力，公司完全可以信赖你。这是一个陡峭的攀登路线，但是它带来的汇报绝对超值，这是你唯一的期望，也是在身上催促你前行的重担。第二类：软件工程师我碰到的大概有20%有志于成为数据科学家朋友都曾是软件工程师。一方面，如果有软件编程和实施方面的经验，而且擅长团队工作，这将是你简历中很重要的组成部分。另外一方面，随着全栈工程师的需求越来越大，企业也会推动软件工程师向全栈工程师发展，尽管招聘简历中写的职位是“数据科学”。所以，作为一个软件工程师而不是一个数据科学家，你肯定希望避免被企业套路。其他一些想法：如果你还没考虑在近期把自己的岗位向后端/数据库方向转，那么去尝试了解数据管道是一个很好的开始，它可以帮助你构建你核心的数据控制技能。同样，这也会让你的个人品牌转向一个有实际工作经验的数据牧羊人。机器学习工程师应该是同数据科学家最接近的角色了，它可以很快的帮你转入数据科学家序列。你的工作目标就是去找那些强调部署模型，或者调试他们接入App的岗位，这些会让你现有的技术能力成为杠杆从而帮助你转型。当然，你也可以同时涉足模型的研发，不过前者是你入门的最好选择。你很可能需要建立机器学习或数据科学项目来吸引公司。利用你的软件工程技能，将这些技能集成到可以向招聘人员和技术主管展示的应用程序中。这可能特别有效，因为它是实实在在的作品，并完全展示出来你作为一个全栈数据科学家的实力。有些你必须铭记在心的：你在转型的过程中肯定会经历一次掉薪，即便你曾是高级软件工程师，在你转型后你只能做初级岗位的事情。他们之中很多人并没有做好这个心理准备，然后在收到offer的时候会感到很失望。如何打造你自己的品牌：最简单的一个方式就是通过你在软件开发方面的经验作为一个杠杆。你已经知道如何写出一个符合要求的干净、注释清晰的代码，同其他这个岗位的初级人员比，你已经知道如何同其他人合作了，这是你的优势。但是，为了更高效的展示你的编程技巧，你还得学习数据科学的编码方式及注释方式。第三类：新的计算机科学、数学或者物理学研究生如果你是一个本科生或者是STEM（科学、科技、工程、数学）的硕士或者博士，你在数学和统计方面应该会有一个很好的基础。但是你可能从来没有申请过一份科技业的工作，你也不知道如何准备面试。同样的，如果你在学习阶段有做过编程，很大概率你也不知道如何写出一个干净、有很好组织的代码。那么，这些事情你最好记住：你在学校学习的R语言知识不够用啦，如果你是物理学毕业生，你可能会以为你的Matlab或者数学技巧能帮助你在工业界拿到一份工作，这些也不够用。赶快去学习Python！这是一些你需要赶快学习的而且你很可能不知道的东西：合作版本控制（如何在GitHub上同大家协作），容器技术，devops（学习如何在云端部署模型）。SQL也是必须要会的。学习测试驱动的Python开发，学习如何文档流，学习模块化编程，如果你还没准备好，学习如何使用Jupyter notebooks编程。如果你在特定的数学方向，深度学习或许对你来说是一个很好的方向去探索。但是你会发现从一个更常规的“scikit-learn"数据科学角色开始，然后再转型深度学习会更简单一点。对你来说最重要的事情就是进入到行业里，然后开始动手生产产品级的代码。如何打造个人品牌：如果你是数学或者物联专业的，你最好的策略就是把自己包装成一个具备丰富理论知识的人，要成为这样的人，你需要能够自信的解释多个模型是如何运行的，最好是能熟悉最近、最热的论文！（尤其你未来打算做深度学习的话）注意：我提供的这份建议并没有为每一种模式提供非常清晰的路径。有些软件工程师可能要比其他人付出跟多努力，有些初学者可能具备独特的数学能力而更适合成为一个深度学习专家。但是，无论如何，你都需要规划好一个偏向你能力发展方向的开始。最后，无论你是一个软件工程师，一个刚毕业的研究生或者一个小白。一个你要自己问自己的问题就是：到底哪个职业轨迹才是最接近于你终极目标的。如果数据分析师和可视化专家能带你入门，那么它们就是对你职业生涯，一个长期的规划的的最好的开始。想要继续查看该篇文章相关链接和参考文献？长按链接点击打开或点击【三种常见的数据科学职业转型及其实现路径】：https://ai.yanxishe.com/page/TextTranslation/1302AI研习社每日更新精彩内容，观看更多精彩内容：雷锋网雷锋网雷锋网用PyTorch来做物体检测和追踪用 Python 做机器学习不得不收藏的重要库算法基础：五大排序算法Python实战教程从零开始用Python写一个聊天机器人（使用NLTK）等你来译：强化学习：通往基于情感的行为系统 高级DQNs：利用深度强化学习玩吃豆人游戏一文带你读懂 WaveNet：谷歌助手的声音合成器用于深度强化学习的结构化控制网络 （ICML 论文讲解）收起

北京大学作为中国的最高学府享誉海内外。求学北大是很多学子的梦想，有的考生通过高考考入北大，有的考生通过考研考入北大，也有不少人通过考博考入北大。据悉，1917年，北京大学成立研究所并开始招收研究生，至1919年共招收研究生148名。1952年至1966年，共招收研究生1200余人。目前，北京大学共有48个博士学位授予权一级学科，270个博士学位授予权二级学科。有86个二级学科国家重点学科（其中61个涵盖在18个一级学科国家重点学科中），另有3个国家重点培育学科。此外，还有26个专业学位授权点。截至2016年9月，北京大学共授予18209人博士学位，77106人硕士学位。近些年来，北京大学博士研究生招生规模显著扩大，近些年每年博士招生人数达到2000多人。但是由于长久以来，北京大学不一起公布全校博士研究生录取名单，因此大家并不清楚具体的数字。只能从新闻报道中得知2019年北京大学研究生应报到新生共计9675人，其中硕士生6896人，博士生2779人；中国学生（含港澳台地区）9034人，以及来自96个国家和地区的641名国际学生。那么北京大学2020年的招生数据又是多少呢？学术之路观察到2020年7月15日北京大学公示了最后一批博士研究生拟录取名单，因此我们就可以手动计算具体的招生人数了。以下为各个学院的招生数据，由于系人工一一核对计算，工作量巨大，难免有误或遗漏，还望见谅。地球与空间科学学院2020年博士研究生拟录取公示名单（联合培养）：11名博士研究生深圳研究生院2020年博士研究生拟录取公示名单（第二次递补）：1名博士研究生国家发展研究院2020年博士研究生拟录取公示名单（第二次递补）：1名博士研究生深圳研究生院2020年博士研究生拟录取公示名单（递补）：3名博士研究生国家发展研究院2020年博士研究生拟录取公示名单（递补）：1名博士研究生社会学系2020年博士研究生拟录取公示名单（递补）：1名博士研究生深圳研究生院2020年博士研究生拟录取公示名单：83名博士研究生信息科学技术学院2020年博士研究生拟录取公示名单（少干计划）：1名博士研究生中国语言文学系2020年博士研究生拟录取公示名单：56名博士研究生政府管理学院2020年博士研究生拟录取公示名单：28名博士研究生城市与环境学院2020年博士研究生拟录取公示名单（递补）：1名博士研究生哲学系2020年博士研究生拟录取公示名单（递补）：1名博士研究生新媒体研究院2020年博士研究生拟录取公示名单：7名博士研究生前沿交叉学科研究院2020年博士研究生拟录取公示名单：79名博士研究生教育学院2020年博士研究生拟录取公示名单：41名博士研究生城市与环境学院2020年博士研究生拟录取公示名单：38名博士研究生历史学系2020年博士研究生拟录取公示名单：41名博士研究生软件与微电子学院2020年博士研究生拟录取公示名单：22名博士研究生信息管理系2020年博士研究生拟录取公示名单：14名博士研究生工学院2020年博士研究生拟录取公示名单：87名博士研究生人口研究所2020年博士研究生拟录取公示名单：7名博士研究生化学与分子工程学院2020年博士研究生拟录取公示名单：14名博士研究生法学院2020年博士研究生拟录取公示名单：52名博士研究生对外汉语教育学院2020年博士研究生拟录取公示名单：9名博士研究生环境科学与工程学院2020年博士研究生拟录取公示名单：21名博士研究生社会学系2020年博士研究生拟录取公示名单：18名博士研究生地球与空间科学学院2020年博士研究生拟录取公示名单：48名博士研究生数学科学学院2020年博士研究生拟录取公示名单：9名博士研究生哲学系2020年博士研究生拟录取公示名单：46名博士研究生物理学院2020年博士研究生拟录取公示名单：未查到，47人参加复试，2019年录取21人，复试人数为32人，因此我们假定2020年录取人数为28人。考古文博学院2020年博士研究生拟录取公示名单：12名博士研究生经济学院2020年博士研究生拟录取公示名单：17名博士研究生新结构经济学研究院2020年博士招生拟录取公示名单：10名博士研究生国家发展研究院2020年博士研究生拟录取公示名单：7名博士研究生外国语学院2020年博士研究生拟录取公示名单：30名博士研究生心理与认知科学学院2020年博士研究生拟录取公示名单：22名博士研究生国际关系学院2020年博士研究生拟录取公示名单：28名博士研究生光华管理学院2020年博士研究生拟录取公示名单：24名博士研究生新闻与传播学院2020年博士研究生拟录取公示名单：8名博士研究生艺术学院2020年博士研究生拟录取公示名单：14名博士研究生现代农学院2020年博士研究生拟录取公示名单：3名博士研究生分子医学研究所2020年博士研究生拟录取公示名单：22名博士研究生马克思主义学院2020年博士研究生拟录取公示名单（递补）：1名博士研究生马克思主义学院2020年博士研究生拟录取公示名单（申请-考核制）：46名博士研究生信息科学技术学院2020年博士研究生拟录取公示名单：72名博士研究生北京大学2020年拟录取推荐免试研究生公示名单：1097名直博生经统计，以上学院共计录取2093名博士研究生。另外北京大学医学部还招生博士研究生，各个学院的招生人数（不含直博生）分别为：基础医学院：46名博士研究生药学院：47名博士研究生公共卫生学院：37名博士研究生护理学院：8名博士研究生医学人文学院：5名博士研究生第一临床医学院（第一医院）：69名博士研究生第二临床医学院（人民医院）：53名博士研究生第三临床医学院（第三医院）：57名博士研究生第四临床医学院（北京积水潭医院）：1名博士研究生口腔医学院（口腔医院）：36名博士研究生精神卫生研究所（第六医院）：15名博士研究生临床肿瘤学院（肿瘤医院）：34名博士研究生第五临床医学院（北京医院）：2名博士研究生中日友好临床医学院（中日友好医院）：5名博士研究生第九临床医学院（北京世纪坛医院）：1名博士研究生首都儿科研究所教学医院（首都儿科研究所）：1名博士研究生深圳·北京大学/香港科技大学医学中心（深圳医院）：4名博士研究生北京地坛医院教学医院（北京地坛医院）：1名博士研究生临床医学院（解放军医院）：名2博士研究生回龙观临床医学院（北京回龙观医院）：5名博士研究生中医药临床医学院（西苑）（中国中医科学院西苑医院）：2名博士研究生经统计，共计426名博士研究生。另外北京大学医学部还有109人直博生。数据显示北京大学医学部2019年申请考核制博士研究生拟录取名单（含港澳台、留学生）共计360人，北京大学医学部2019年校内临硕转博名单共161人，北京大学医学部2019年校内择优攻博名单共41人，即共562人。综上，北京大学2020年至少录取了2093+535=2628名博士研究生。收起

2019年高考马上就要来临！首先来讲一下写这篇文章的原因吧。不久前听邻居的一位妈妈讲，她把自己女儿送到了澳大利亚去学大数据专业，说毕业以后就业工资非常可观，年薪起码20万。说话的时候自带骄傲的神情，大家自己脑补一下。小编内心想，这位妈妈可真是时尚，一大把年纪了连大数据都懂，真懂行情！那今天小编带大家简单了解一下数据科学与大数据技术专业吧。1. 数据科学与数据技术到底是什么样一个专业呢？数据科学是随着现代信息技术发展而产生的一门新型交叉学科。简单来说，它应该是计算机与统计学这两门主要学科的交叉。但是，所涉及到的知识领域还有很多，比如说你需要有数学学科背景，还涉及到人工智能化技术、机器学习、可视化技术、信号处理、概率模型理论技术、不确定性建模等这些学科领域的知识。从这个角度来看，数据科学与大数据技术人才是高级复合型人才，他与传统的计算机专业还不太一样，单纯会计算机相关知识还不够，还需要具备多个领域的知识。2. 学数据科学和大数据技术专业的人才，未来就业去向是哪里呢？不知道大家有没有听过“数据科学家”这个称号。数据科学家就是数据科学与大数据技术专业毕业后能够从事的一大职业，听起来很高大上有没有。这类的工作职位主要是以高级建模为主，然后会针对实际的问题来设计解决方案。比如说亚马逊物流管理、各种定价系统以及金融行业的防欺诈系统。这些都需要比较精深的领域知识，也就只有从事数据科学的数据科学家才有能力做到。数据科学与大数据技术专业毕业生还可以去计算机和互联网领域从事数据分析、系统分析、大数据工程应用开发；也可以成为信息分析师、商业分析师、数据库协调员、开发机器学习系统等等，并且用它来解决实际的问题。像开发机器学习系统这一类，技术含量就比其他分析师之类的要高了，需要你做出来数据产品，而且一般要解决实际的问题才是好的数据产品。总结一句话，哪里有大数据，哪里就需要数据科学人才，通过数据分析可以预测未来、通过数据分析可以了解历史、通过数据分析可以掌握现在，最重要的通过数据分析，可以找出最佳的解决问题的思路和途径，优化结果。3. 工作职位听起来就很高大上，就业情况和工资水平如何？就业情况可以说是相当好。为什么呢？近十年来，我国的大数据市场规模增速从11年到14年的年均20%到16年的45%，增速飞快。在2020年，我国大数据的规模预计将会8000亿元，很有可能成为世界第一大数据资源国。有相关报告显示，我国大数据人才目前处于非常短缺的情况。未来三年到五年之内，对于大数据人才的需求达到150万左右。但是人才的供给数量却只有30-40万左右的小数目，与数据人才的缺口相比还真是差的很远。可以看到，数据分析师的市场需求量是现有人才量的大好几倍，这就表明，该专业人才供给属于极度供不应求的状态，就业形势是非常乐观的，工资也是非常高的。比如在澳大利亚，数据科学家的年平均工资大概在9万澳元，折合人民币大概45万，大家参考一下，虽然严格来说，你还需要考虑澳大利亚的生活成本等等，不过总体来说这个工资水平很高了。在国内的话，暂时还没有权威数据。有相关数据表明，数据分析师的平均月工资为接近1万元，可以说是非常高了。而且在北、上、广、深等大城市，数据分析师等需求量是相当大的。4. 国内有哪些学校开设了数据科学与大数据技术专业？像北京大学、中南大学和对外经贸大学是首批开设数据科学与大数据技术专业的院校，资历也比较深。其中，中南大学在18年的时候，该专业排在了全国第一；次之就是浙江财经大学，再然后是广西科技大学。这三所是首批开设该专业的院校，专业发展较为成熟，很值得大家报考。其他也有一些学校在数据科学方面做的比较好的，比如人大、电子科技大、北邮、北京信息科技大、北师、华师、上海财经、同济大学、南开大学等等。收起

全文共1983字，预计学习时长5分钟图源：unsplash别再看没完没了地看油管上的猫咪视频！是时候利用它“武装”自己的大脑了。这5个油管博主，笔者强烈安利，让他们带你去了解如何有效地规划数据科学事业，或者在等待损失收敛的同时，学习如何增强对人类思想和意识起源的直觉吧。1.莱克斯·弗里德曼莱克斯·弗里德曼的油管频道可以说是迄今为止机器学习从业者最具洞察力的频道。这个频道的视频内容是莱克斯·弗里德曼本人与电脑运算、机器学习、深度学习、人工智能等领域的先驱或顶尖研究人员进行的简单对话。推荐这个频道的主要原因是，莱克斯·弗里德曼曾与机器学习和深度学习领域的先驱进行过交流。大多数深度学习从业者多多少少会熟悉一些下列的深度学习先驱。· 伊恩·古德费洛（生成对抗网络发明人），· 伊利亚·萨斯特凯弗（AlexNet的共同发明人）· 杨立昆（深度学习先驱）· 约书亚·本吉奥（深度学习先驱）除了莱克斯频道上与深度学习相关的视频，我最喜欢的视频就是他与约沙·巴赫的对话，十分引人入胜。约沙能够快速巧妙地回答围绕意识、人类思想和宇宙所提出的问题。不要犹豫，去寻找这个频道有约4500万浏览量的原因吧！2.肯恩·杰他是最有趣的数据科学油管人物之一，有五年数据科学领域工作经验。大多数数据科学家可能已经很熟悉肯恩·杰了，也许你看过他简历和作品集中的一个视频，也许你看过他的“从零开始的数据科学项目”系列视频。我订阅了肯恩·杰的视频，因为他采访的是数据科学家和机器学习从业者。这些访谈提供了嘉宾在数据科学和相关领域的学习和经验。我从本频道的几位访谈嘉宾那里获得了丰富的信息，了解如何在人工智能领域内进行职业生涯规划。如果你是一名数据科学家，以下是你应该订阅这个频道的理由：· 有关数据科学家的视频采访，信息丰富，适用于科技巨头公司。· 对阿布舍克·塔库尔的采访卓有见地，他是数据科学界的一位知名人士，四次获得Kaggle特级大师称号。· 有大量数据科学从业者会涉及到的内容。肯恩有视频介绍如何有效地学习数据科学、处理冒名顶替综合症、以及你应该从事哪些项目才能被雇佣。· 等待机器学习模型完成训练时，你可以观看五分钟短视频。3.亚尼克·基尔彻亚尼克·基尔彻的频道出色地解读了有关最新机器学习技术的研究论文。下面是这几期展示了亚尼克在解释研究论文时所采用的直观和直截了当的方法。· OpenAI的GPT-3研究论文解读· 介绍变压器网络的论文解读· 机器学习领域经典研究论文视频系列并不是所有的机器学习实践者都有以前的硕士或博士经验，这些经验使他们具备阅读和理解研究论文所需的开发技能。大量的数据科学家和机器学习工程师是自学成才的，不具备有效分析研究论文所需的学术纪律。这就是为什么亚尼克频道是我最喜欢的5个油管频道之一，我将向数据科学家和机器学习从业者推荐获取传统和现代机器学习模型和技术的深度技术信息。4.乔丹·哈罗德乔丹·哈罗德是麻省理工学院和哈佛大学的毕业生，他制作人工智能相关主题的视频内容。在乔丹的频道上，你可以找到大量视频解释基于AI技术直接应用于解决现实世界的问题。乔丹频道上的视频大多简明扼要，不到10分钟。然而，它们包含了很多相关和最新的信息，大多数机器学习从业者都能从中受益。乔丹的视频从技术角度探索了有高兴趣价值的话题，比如AI如何用于预测新冠病毒，或者AI解决方案内部的种族偏见。图源：unsplash5.3Blue1Brown这频道的创作者是格兰特·桑德森，他的视频内容爆赞。对于那些对频道背后的面孔和个性感到好奇的人来说，可以看看莱克斯·弗里德曼对格兰特的两次访谈。熟悉3Blue1Brown的人会同意我的说法，他用15-20分钟的短视频教授大学讲师要花上几个小时的课程。这个频道教会了我机器学习和神经网络的基础知识，使数学变得简单。在机器学习中，了解诸如线性代数、微积分和偏微分之类的主题是至关重要的。在研究神经网络时，理解神经网络的基本组成部分是至关重要的。理解反向传播，梯度下降和一般的神经网络等概念也是至关重要的。油管上的数据科学/机器学习油管博主有太多太多，你可以好好规划自己的学习观看列表了。留言点赞关注我们一起分享AI学习与发展的干货如转载，请后台留言，遵守转载规范收起