coursera的硕士学位

CMA的认可度在中国还是很高的，越来越多的财务人士知道CMA，了解CMA，像强生，三星，3M都会优先录取拥有CMA证书的财务人员，国家现在也是十分支持CMA的学习的，它是由国资委、外专局、商务部、财政部联合引进中国的，国家下发红头文件，要求所有央企、国企的财务人士学习CMA，所以目前学习CMA还是十分有职业竞争力的。

Coursera平台上的课程证书，对于申请国外研究生是很有帮助的。Coursera是免费大型公开在线课程项目，由美国斯坦福大学两名计算机科学教授创办，旨在同世界顶尖大学合作，在线提供免费的网络公开课程。Coursera 的首批合作院校包括斯坦福大学、密歇根大学、普林斯顿大学、宾夕法尼亚大学等美国名校，拥来自全球190多个国家和地区的注册学生，课程含金量逐渐得到越来越多院校的认可。

在中国，每天都有500人死于车祸。我们的无人驾驶技术早实现一天，就相当于多拯救了500人的生命，这将会是接下来的十年中，人工智能得到的最重要的应用之一。 　　我想和在座的年轻人说几句话。我们处在一个独特的时期，这是一个人工智能将会改变世界的时期。如果你知道怎么运用人工智能，你今天的一个决策将有可能在接下来十年里改变世界。你的努力可能会拯救数以万计甚至百万计的生命。或许，你可以改变整个行业，帮助无数的人。也正因如此，我对人工智能如此兴奋！如果你还年轻，正在考虑未来的职业如何规划，我希望你能够考虑人工智能。 　　人工智能发展的如此迅猛，从事这一行业的我们应该不断的学习。再一次，我想跟在座的年轻人共勉：每个周六，你可以选择看美剧，也可以选择学习。如果你学习，两天后的周一，你不会很快的就在工作中出彩，你的老板也不会知道你花了整天的时间学习，更不会夸奖你什么。你几乎找不到任何东西可以证明你在努力学习。但是我想告诉大家：如果你每个周末都这样努力工作，持之以恒，你会发现你已经突飞猛进。我认为，学习是一件几乎没有短期回报的事，但是从长远来看，回报却是非常丰厚的。 　　下面这一篇是去年赫芬顿邮报对他的采访，讲述科学家背后的成长，经历的失败和保持的信念。译文由知乎专栏“董老师在硅谷”首发。转发请注明。 　　可以说最好的计算机科学的项目分布在卡内基美隆、麻省理工、加州大学伯克利分校和斯坦福大学等高校中，而吴恩达教授 （Andrew Ng）正是从这些地方分别取得了本科，硕士，博士学位，以及12年的任教经历。 　　吴恩达虽然不到40岁，但是已经是人工智能界的标志性人物。早在2011年，他建立了谷歌大脑(Google Brian)，这是依托于谷歌强大的计算能力和丰富的数据建立起来的一个深度学习的研究项目。可喜的是，这个项目的重要成就之一是通过让计算机分析几十个YouTube的视频截图来识别猫（《纽约时报》标题：需要多少计算机才能正确的识别猫？16,000台）。正如吴恩达解释的那样，“最值得注意的是，我们的系统自己发现了‘猫’的概念，尽管没有人告诉过它‘猫’是什么。这可以说是机器学习的一个里程碑”。 　　吴恩达流露出喜悦但却非常冷静，他欣然地讨论着他职业生涯中犯过的错误和遇到的失败，以及他读不懂的论文。他每天穿着一样的牛津蓝的衬衫。他的妻子Carol Reiley从事外科手术机器人的研究，当同事们谈及他和妻子之前那张机器人主题的订婚照片时，他也会脸红，但又非常自豪。 　　尽管他作为讲师备受欢迎，但当和他一对一交谈时，他的声音显得非常柔和。2011年，他把自己在斯坦佛教授的机器学习课程录像上传到网上，随后超过100,000人在网上注册学习了这门课。在接下来的一年里，他和别人共同创立了迄今世界上最大的在线公开课程平台—Coursera。Coursera 的合作伙伴包括包括普林斯顿、耶鲁以及中国和欧洲的顶尖高校。尽管Coursera是一个盈利性的公司，但所有的课程都是免费开放，因为“对课程本身的内容收取费用将是一个悲剧”，吴恩达说到。 　　去年春天，吴恩达宣布了一条令人震惊的事情，他将离开谷歌、离开曾全身心投入的Coursera而加盟百度。当时，中国的科技巨头百度斥资3亿美金，在位于谷歌硅谷总部不远的地方，正建立一个专注于研究人工智能的实验室。吴恩达将会领导和管理这个实验室。 　　像之前一样，吴恩达在百度继续尝试让计算机以很高的准确率来实时识别音频和图像文件。吴恩达相信，高达99%准确率的语音识别技术会为人和计算机的交互方式、以及未来操作系统的设计带来革命性的改变。同时，面对百度的数以百万刚开始体验数字生活的用户，他要帮助百度为这些用户提供更好的服务。“在中国，你可能得到和美国的完全不一样的查询请求”，吴恩达解释道，“例如，我们得到的查询可能是‘百度你好，上周我在街角的那家店吃了碗面，味道很棒，你觉得这周末那家店会有促销活动吗？’”。“像这样的查询请求”，吴恩达补充道，“我想我们已经可以很好的回答它”。 　　尽管Elon Musk （SpaceX和特斯拉的CEO）和史蒂文霍金已经发出警告：高级人工智能技术可能会威胁到人类自身，吴恩达却不以为然，“我不会防止人工智能向邪恶的方向发展，就像我现在不会去解决火星上人口过剩问题一样。”根据吴恩达所说，距离人工智能达到可以自我感知的水平，还有相当长的一段时间。但与此同时，人工智能导致了更加棘手的问题的出现：这些基于机器学习的计算机，正在取代很多人工工作，而且这种趋势正在加速。吴恩达经常呼吁政策的制定者为因此产生的社会经济后果做好准备。 　　在位于加州Sunnyvale 的百度实验室，我们采访了吴恩达先生。我们谈到了一个名为‘索菲亚’(Sophia)的项目，这个项目诣在收集非常有趣的人的经历。他解释了为什么他认为“跟随着你的热情”是非常糟糕的职业发展建议，分享了他教授创造力的方法；他也讨论了他的失败经历以及他的一些不错的习惯，对他影响最大的书籍以及他关于人工智能前沿领域的一些看法。 　　问：您最近曾说过，“我发现人们正在学着更具有创造力了”，请您解释一下？ 　　答：问题是，一个人如何才能创造新的想法？新的想法是某一个方面的天才（比如乔布斯）的不可预知的行为？还是可以通过系统的传授产生创新的想法？ 　　我相信创新的能力是可以被教授的。人们可以通过很多方式来系统的发明创新。我在百度做的事情之一是组织一个关于培养创新思维的讨论班。我的想法是，创新不是那些天才所做的随机的、不可预知的事情，恰恰相反，人们可以非常系统的创造从未被创造的新事物。 　　对我而言，无论何时，当我觉得我不知道下一步应该如何做的时候，我将会尝试大量的学习和阅读，和某些领域的专家谈话。我不知道我们的大脑是如何工作的，但它非常的神奇：当你读了足够多的书，或者和足够多的专家谈话之后，换句话说，当你的大脑有了足够多的输入信息，新的想法就会随之产生。我知道的很多人都有这样的经历。 　　当你对某一个某技术领域足够的了解，你便停止随机地寻找新的想法。你会通过深思熟虑来选择想法，把这种想法组合到一起。你也会知道什么时候尝试创造尽量多的想法，什么时候裁剪、整合已有的想法。 　　好了，现在还有一个挑战，就是面对非常多的新想法，你如何去做？如何进一步用这些想法做一些非常有用的东西？当然，这是另外一回事了。 　　问：你可以谈一下你平时会学习什么，学习的方法是怎样的？ 　　答：我阅读很多材料，也花很多时间和很多人交谈。我觉得两个最有效的学习、获取信息的方法是阅读和同专家交谈。所以我会花很多时间做这两件事情。在我的kindle上有不到一千本书，我大概已经阅读了其中的2/3。 　　在百度，我们有阅读小组，在那里，我们可以每星期读半本书。我试试上参加了两个这样的阅读小组，在每个小组里都会每星期读半本书。我想我是唯一一个参加了两个阅读小组的人。我每周六下午最喜欢的活动就是独自在家阅读。 　　问：我想了解一下早期教育对你的影响，你觉得父母做了什么独特的事情对你后来产生了持续的影响？ 　　答：我记得在我六岁时，我父亲为我买了一台电脑，并帮助我学习编程。这本身并不是很特别，因为很多计算机科学家从很小的时候就开始学习编程了。但我仍然觉得从小就拥有计算机学习编程是件很幸运的事。 　　不像传统的亚洲家长，我的父母对我的要求非常宽松。当我在学校取得好的成绩时，他们就会夸张地表扬我，甚至让我觉得有些尴尬。所以我有时故意把取得的好成绩藏起来[笑]。我不喜欢把我的成绩单拿给父母看，不是因为我的成绩不好，而是因为他们的反应。 　　我有幸能在很多地方生活和工作过：我出生在英国，在香港和新加坡长大，来到美国读书。我在卡内基美隆，麻省理工，伯克利都拿到了学位，最后去了斯坦福任教。 　　我也有幸因为去了这些地方，从而见到了很多非常优秀的人。我在著名的前AT&T贝尔实验室做过实习，然后去了微软研究院。这些经历使我有机会从各个角度看待问题和接受观点。 　　问： 如果可以重新规划你的教育和早期的职业，你会做哪些不同的事情？你有哪些会让别人受益的教训，可不可以分享一下？ 　　答： 我希望这个社会能给年轻人更好的职业发展建议。“跟着你的热情做事”不是什么好的建议，相反，是给年轻人非常糟糕的建议。 　　如果你酷爱驾车，并不一定要成为赛车车手。事实上，我们应该把“跟着你的热情做事”改成“跟着你的热情做事，但这些热情是对你在大学所学专业相关事物的热情”。 　　但通常，你先是掌握了一件事情，然后才会对它有热情。我相信大多数人都会很好的掌握大多数事情。所以关于选择我想要做的事情，有两个标准。第一，是否有学习的机会。就是说，做这件事情是否会让我学到新的、有趣的、实用的东西？第二，就是潜在的影响。这个世界有很多有趣的问题需要解决，但也有很多重要的问题。我希望大家把精力放在解决重要的问题上。 　　幸运的是，我不断地找到能够产生深远影响的事情去做，同时也有很多学习的机会。我想，年轻人如果能注重优化这两个标准，就会获得非常好的职业发展。 　　我的团队的使命就是要做更难、更高级的人工智能技术，这些技术会影响数亿人们。这就是令我兴奋的使命。 　　问： 在你看来，重要性就是说可以影响很多人吗？ 　　答：不是。受到影响的人的数量并不是衡量重要性的唯一标准。用显著的方式改变数亿人的生活，我想这是我们可以合理追求的境界。通过这种方式，可以确信，我们不仅仅是做有趣的事情，而且是做有影响的事情。 　　问：你之前谈到过你做过一些失败的项目，那你又是如何面对这些失败呢？ 　　答：失败在所难免，说来话长了[笑]。几年前，我在 Evernote里面列了一起清单，试图记住我所有开始做，却由于各种原因最后不了了之，或者没有成功，亦或投入和产出完全不成比例的项目。有时，我通过运气而非技能，以出乎我意料的方式，把一些项目做出来了。但我还是列了上面提到的那个清单。然后把它们按照哪里出了问题分类，对他们进行彻底的分析，找出没有成功的原因。 　　其中的一个失败的案例发生在斯坦福。当时受到鹅群成V型飞行，我们曾尝试让飞机也以V字型飞行，从而节省燃料。关于这方面的空气动力学理论非常成熟，我们就花了一年时间让飞机可以被自动控制，然后以V字型飞行。 　　但一年之后，我们发现我们没有办法让飞机以足够的精度控制飞机从而实现节省燃料。如果重新开始这个项目，我们会意识到我们用小型飞机根本不可能实现那个目标。因为阵风很容易无法让飞机准确地以V字型飞行。 　　我以前很容易犯的一种错误，就是当我做一个项目时，一步，两步，三步之后，发现第四步根本不可能完成。希望这种错误现在会少很多。上面的那个飞机V字型飞行的例子，我在战略创新组会上也讲过，教训就是尽早的发现项目的风险。 　　现在，我学会尽量早的发现评估项目的风险。如果我现在说“我们应该尽早找到项目的风险”时，每个人都会赞同，因为这显然是正确的。但问题是，如果你自己面对一个新的项目时，很难把我说的应用到你的项目中去。 　　究其原因，这些科研项目是一种策略技能。在现行的教育系统中，我们非常善于教授已有的事实，比如食谱。如果你要做意大利番茄牛肉面，你只需要照着食谱做就好了。 　　但创新或者创造力是一种策略技能，每天你醒来，便会处在从没有经历过的环境中，你需要在你自己所处的独特环境中做决策。据我所知，教授策略技能的唯一途径是通过经历无数的案例。当你已经见过足够的案例后，大脑会内化这些定律和准则，从而更好的做出决策。 　　通常，我发现做科研的人们要花好多年才能见到足够多的案例，内化这些准则。所以在这里，为创新策略，我一直试验做飞行模拟器。在非常有限的时间内，飞行模拟器可以产生非常多的案例，人们不再需要花五年时间来看足够多的案例。 　　如果你学驾驶飞机，你需要费很多年，或者几十年才能遇到紧急情况。但在飞行模拟器中，我们可以在很短的时间里展示非常多的紧急情况。这会让你学习的更快。这些就是我们一直试验的东西。 　　问： 当试验室刚刚建立，你说你之前还没看到团队文化的重要性，但你已经看到它的价值。几个月过去了，你学会到如何建立正确的团队文化了吗？ 　　答：很多机构有关于文化的文件，比如“我们要互助”等等。当你说这句话的时候，每个人都会点头，因为没有人不想帮助团队的其他成员。但当他们回去以后，过了五分钟，他们还会这么做吗？事实上人们很难把抽象和实际联系起来。 　　在百度，我们做了一件关于文化的事情，我认为这是很不寻常，因为我不知道有别的企业这么做过。我们做了一个小测验，向每个员工描述一个具体的情景，然后问他们，“如果你在这种情况下，你应该怎么做？选A, B, C还是D？” 　　没有人在第一次就能拿到测验的满分。我觉得通过在测验中让员工把具体的行动用到假设情景中，就是我们尝试帮助员工把抽象的文化和实际联系起来。当你的员工找到你，做了这些事情，你会怎么做呢？ 　　问：你是否可以分享一些对你知识构建很有影响的书呢？ 　　答：对于那些想要创新的人，我有一些书推荐。第一本是《从零到一》（Zero to One），这是一本非常好的书，给出了对创业和创新的概览。我们经常把创业分为B2B, B2C. 对B2B，我推荐《跨越鸿沟》（Crossing the Chasm）。对B2C，《精益创业》(The Lean Startup)是我非常喜欢的一本书。这本书从更窄的范围入手，但给出了具体的快速创新策略。这本书的范围有点窄，但在提及的那些领域，它讲的非常棒。 　　然后我们进一步把B2C细分，两本我非常喜欢的书是，首先是《与人沟通》（Talking to Humans），这是一本非常简短的书，教会你如何通过和你服务的用户交谈，来为他们设身处地的着想。另外一本是《妙手回春》（Rocket Surgery Made Easy），如果你想做一些重要的，人们关心的产品，这本书会告诉你一些不同的策略（通过用户学习或者是面谈）了解你的用户。 　　最后，我推荐《创业艰难》(The Hard Thing about Hard Things)。这本书有些深，但它涵盖了关于如何建立企业的方方面面。 　　对那些想做出职业发展决策的人，So Good They Can't Ignore You是一本非常有趣的书，它给出了关于如何选择职业发展道路的非常有价值观点。 　　问：你有那些好的习惯呢？ 　　答：我每天都穿蓝色牛津衬衫，我不知道你是否已经意识到了。[笑]是的，培养好的习惯的能力是你撬动你生命的最大杠杆之一。 　　当我和研究人员，或是想创业的人交谈时，我告诉他们如果你不断地阅读论文，每周认真研究六篇论文，坚持两年。然后，你会学到很多东西。这是对你长期发展一个极好的投资。 　　但这种投资，比如你花整个周六去学习而不是看电视，没有人会赞扬你。而且很可能你在周六所学的东西对你在接下来周一的工作没有什么帮助。我们很少会从这些投资中得到短期回报。但这却是很好的长期投资。确实，要想成为一个伟大的研究者，就要大量阅读。 　　人们通常用意志力做这些事情，但不起作用，因为意志力会耗尽。我觉得，人们喜欢创造习惯，比如每周都努力的学习工作，这是最重要的。这些人才是最可能成功的。 　　我有一个习惯，每天早晨花七分钟用手机应用锻炼。我发现更容易每天做同样的事情，因为我只有一个选择。同样的原因，我的衣柜里塞满了蓝色的衬衫。我以前有两种颜色的衬衫，蓝色和紫红色。我觉得我需要做的决定太多了[笑]。所以我现在只穿蓝色衬衫了。 　　问： 你主张政策制定者要花时间想一下未来，当计算机和机器人削减了大量个人工工作。对这个问题，你有什么解决方案呢？ 　　答：这是个很难回答的问题。计算机擅长做重复性的工作。迄今为止，计算机主要擅长的事情就是把人们每天重复的劳动自动化。 　　让我们从工作的难易程度来具体的分析。工人们在流水线上工作，每个月都重复同样的动作。现在部分这样的工作已经可以有机器人来实现。中等难度的工作，拿驾驶开车举例子。卡车司机每天都是做同样的事情，所以计算机也试图做这件事。虽然这比大多数人想象的要难很多，但自动驾驶很可能在未来的十几年里成为现实。最后讲的是最有难度的工作，比如放射线学家每天都要分析同样类型的X光射线，同样，计算机可能涉足这些领域。 　　但是对于那些非重复性的社会工作，我想，在今后很长一段时间内，人类要比计算机更擅长这类工作。很多工作，我们需要每天做不同的事情，见不同的人，计划不同的事情，解决不同的问题。现在，这些事情对于计算机来说还是很难完成。 　　当美国从农业经济向制造和服务型经济转型，有很多的人转变了所从事的工作，比如，从在农场工作变为制造或在电话客服中心工作。很多的人经历了那种转变，所以他们找到了新的工作，他们的生活还不错，但他们从事的工作大多还是重复性。 　　我们现在面临的挑战是，如何大规模地教人们从事非重复性的工作。从历史来看，我们的教育系统并不擅长做这种大规模的培训。顶尖高校擅长为相对少的一部分人提供这种培训。但大部分的人最后做的确实重要但重复性很强的工作。这是我们教育系统面临的挑战。 　　我觉得这个问题可以被解决。这就是我为什么一直想教授创新策略。我们要让很多人能做不重复的工作。这些创新策略，这些创新的飞行模拟器可以实现这个目标。我不是说我们已经知道如何解决这些问题，但我很乐观的相信我们能够解决它。 　　问： 你曾说过，“总体上来看，在中国的工程师要比在硅谷的工程师工作努力。在硅谷的初创公司的工程师工作非常努力，在成熟的公司，我没有见过像你这种工作强度，无论在初创公司还是在百度。”你为什么这么说呢？ 　　答：其实我也不是很清楚。我觉得在中国的工程师非常出色。在硅谷的工程师也很出色。我认为不同之处在于公司。百度的工程师团队动作非常快。 　　对中国互联网经济的现状评价很少，我更感觉，所有的假设可以受到挑战，任何事情都可以被随时利用。中国互联网生态非常有活力。每个人都能看到大的机遇，每个人也都能看到大量的竞争。变化无所不在。新的事物出现，很多公司就会在一天之内进入一个全新的商业领域。 　　举个例子，在美国，如果Facebook说要做一个新的搜索引擎，我们可能会觉得这么做有点怪。为什么Facebook要做搜索引擎呢？这非常困难。但在中国，这种事情却更可信些，因为这么做不仅仅是个假设，还可能会创造一种新的商业模式。 　　问：这看起来是一种不同的管理文化，因此你可以很快的做重要的决定，从而让这些决定更明智有效，而不是更混乱。百度是以一种独特的方式来运营吗？你觉得这种运营方式对百度的成长有帮助吗？ 　　答：这是一个非常好的问题。我想一下这个问题如何入手。在百度，决策制定可以推行到公司的最底层。百度的员工有很大的自治权，他们显得非常重要。有一件事我很欣赏公司，特别是公司执行高层，就是对世界，对竞争，有着清晰的眼界。 　　在管理层会议上，我们对公司的说话方式，没有任何的虚张声势。在公司的内部陈述中，他们会说“我们在这件事上做的很好。我们对这些是不是很满意。这些做的不错。这些做的不是很好。这些事情我们应该强调一下。我们仔细分析一下我们犯的错误。”在这里，确实没有什么虚张声势，我想，这让公司有一个不错的环境从事创新以及专注。 　　问：比起其他的问题，你非常专注语音识别。你现在遇到那些困难，当你解决了这些困难后，会让语音识别的准确率有显著的提高？ 　　答：我们现在在做基于机器学习的语音识别系统。我们正在使用的一些机器学习的技术已经存在几十年了。但正是过去的几年，这些技术才真正开始被使用。 　　为什么会这样呢？我经常拿建造火箭飞船作比喻。火箭飞船需要很大的发动机和非常多的燃料。发动机必须足够大，燃料必须足够多。如果燃料很多发动机很小，那无法飞离地面。如果发动机很大但燃料很少，飞船可以飞起来，但无法进入轨道。 　　现在机器学习才真的算得上起步，原因是我们有了建造巨大引擎的工具—大型计算机。燃料就是数据。现在我们终于拥有了所需要的数据。 　　社会的数字化创造了很多的数据，长期以来，我们已经产生了很多的数据。但就是最近几年我们才有能力建造大引擎来吸收燃料。所以处理语音识别的方法就是想办法建造大引擎，并得到的燃料。 　　举个我们做的一个例子，这个例子有点偏技术。从哪里获取语音识别的数据呢？我们做的其中一件事就是获取音频数据。其他的研究组可能只用几千小时的音频数据，但我们用的是十几万小时的数据。这比你在学术文献里使用的燃料要多很多。 　　然后我们把人们说话的音频剪切下来，加上背景噪音，听起来像人们在咖啡厅里面的录音。这就是人工合成像在咖啡厅录制的音频。通过把人们的声音和背景音合成，我们得到了的数据。我们正是通过类似的方法，把的数据放到机器里，填充火箭的发动机。 　　说到语音识别，有一件事要提一下：大多数人不理解95%和99%的准确度的区别。95%的准确度意味着20个词中有一个是错的。这非常烦人，因为在电话上退回去再去纠正它非常痛苦。 　　99%意味着一切都变了。99% 说明语音识别系统更可靠。你在任何时候使用它，它都会照常运转。所以这不是四个百分点的改进，这将会是人们几乎不使用跟一直使用的差别。 　　问： 你觉得现在达到99%准确率的困难是什么呢？ 　　答：我们需要更大的火箭引擎和的燃料。现在这两方面都很有限，而且这两方面要同时增长。我们正在为推动这些方面的发展而努力。

BA这两年是美国留学申请非常热门的专业，目前综排前100的三十多个BA项目绝大多数的项目是属于STEM专业的，这也是相对于其他商科专业的优势所在。有三年的OPT期间，更有利于国际学生找工作。BA大概分为两种类型，一种偏理，一种偏商。可以具体从项目的课程设置上来看到。一般一些偏理的项目会有机器学习（machine learning）和数据挖掘（data mining），数据库的一些课，比如Emory， UCLA， UCD等学校，这些偏理科的项目适合数学功底好一些的。还有很多BA项目是设置在商学院的，像Rochester ，wakeforest等，这些偏商点的项目适合文商科，数学基础弱一些的学生申请。另外BA的院校在培养方式上有一个特点，就是绝大多数学校都和当地企业有合作，给大家提供project，帮当地企业做数据和分析。企业多了N多免费劳动力，学生有了实习、实践的机会，是个双赢的培养方式。哥大的商业分析项目有两个，一个是MSBA项目录取难度大。 另一个是SPS继续教育学院下的MSAA项目，这个项目的录取难度比MSBA的录取难度相对小一些，虽然在继续教育学院下，但是课程设置也是非常的有吸引力。有硕士学位或者三年工作经验的可以免GRE，当然有分数不错的GRE也可以提交作为申请辅助材料。包含两个核心领域的必修课程:1、领导管理沟通核心领域2、应用分析核心领域。因为BA是business+statistics+computer skills的一个组合，最好business方面有过一些财务管理等的基础，统计方面的一些基础，修过概率论统计学方面的课程，理想状态是需要会编程、数据处理软件：SAS, Python 以及一些语言比如 R 语言；学校希望你能具备这这方面的能力，但是相对于 CS, data science 的要求是低的，不必须要会 coding 和 Mathematics。同时，很多的 BA 项目对申请者都表达出很强的包容性。即便没有编程、数据处理软件的相关知识，但是可以让学校看到你的学习能力也是可以的。有些学校项目对背景要求比较严格（如 UT Austin），推荐网站Coursera，可以修 BA的相关课程来提升自己的背景。不同学校对于申请者背景要求不同，如果背景偏文的：属于极度缺乏先修课程（如纯文商背景）且已经无法通过学校选课补充的情况下不推荐申请BA；如果只是缺乏编程课（已有线性代数，微积分，和统计课）的情况下可通过寻找和数据相关的实习补强背景；如果缺乏多于两门先修课程的情况下建议考虑其他社科类/商科 STEM 项目，若坚持申请 BA，可通过 Coursera 网课+实习增强背景。实习一定也要做数据分析的相关工作，比如社会性学科实验室（科研数据分析）商科类专业：银行风控部门，IT 咨询，市场调研公司，互联网企业；理工类专业：互联网企业，理工类实验室（科研数据分析），IT咨询；计算机类专业：互联网企业，IT 咨询，数据相关竞赛官方电话在线客服官方服务官方网站免费规划录取案例明德学堂精英导师

吴恩达（1976-，英文名：Andrew Ng），华裔美国人，是斯坦福大学计算机科学系和电子工程系副教授，人工智能实验室主任。吴恩达是人工智能和机器学习领域国际上最权威的学者之一。吴恩达也是在线教育平台Coursera的联合创始人（withDaphne Koller）。2014年5月16日，吴恩达加入百度，担任百度公司首席科学家，负责百度研究院的领导工作，尤其是Bai Brain计划。吴恩达1976年出生于伦敦，父亲是一位香港医生[2] ，英文名叫Andrew Ng，吴恩达年轻时候在香港和新加坡度过。1992年吴恩达就读新加坡莱佛士书院，并于1997年获得了卡内基梅隆大学的计算机科学学士学位。之后他在1998年获得了麻省理工学院的硕士学位，并于2002年获得了加州大学伯克利分校的博士学位，并从这年开始在斯坦福大学工作。他（2002年）住在加利福尼亚州的帕洛阿尔托。吴恩达是斯坦福大学计算机科学系和电子工程系副教授，人工智能实验室主任。吴恩达主要成就在机器学习和人工智能领域，他是人工智能和机器学习领域最权威的学者之一。2010年，时任斯坦福大学教授的吴恩达加入谷歌开发团队XLab——这个团队已先后为谷歌开发无人驾驶汽车和谷歌眼镜两个知名项目。吴恩达与谷歌顶级工程师开始合作建立全球最大的“神经网络”，这个神经网络能以与人类大脑学习新事物相同的方式来学习现实生活。谷歌将这个项目命名为“谷歌大脑”。吴恩达最知名的是，所开发的人工神经网络通过观看一周YouTube视频，自主学会识别哪些是关于猫的视频。这个案例为人工智能领域翻开崭新一页。吴恩达表示，未来将会在谷歌无人驾驶汽车上使用该项技术，来识别车前面的动物或者小孩，从而及时躲避。2014年5月16日，百度宣布吴恩达加入百度，担任百度公司首席科学家，负责百度研究院的领导工作，尤其是Bai Brain计划。[1] 2014年5月19日，百度宣布任命吴恩达博士为百度首席科学家，全面负责百度研究院。这是中国互联网公司迄今为止引进的最重量级人物。消息一经公布，就成为国际科技界的关注话题。美国权威杂志《麻省理工科技评论》(MIT Technology Review)甚至用充满激情的笔调对未来给予展望：“百度将领导一个创新的软件技术时代，更加了解世界。”2007年，吴恩达获得斯隆奖（Sloan Fellowship）。2008年，吴恩达入选“the MIT Technology Review TR35”，即《麻省理工科技创业》杂志评选出的科技创新35俊杰，入选者是35岁以下的35个世界上最顶级的创新者之一。[4] “计算机和思想奖”的获得者。2013年，吴恩达入选《时代》杂志年度全球最有影响力100人，成为16位科技界代表之一。

随着名校的录取率逐年降低，作为中国学生，想要实现名校梦，想在国外留学，硬实力如学习成绩（GPA）和标准化考试成绩（托福、雅思、GRE、GMAT、SAT等）又不够强大，那就需要足够强大的软实力，如学术背景、实践经验、活动经历和研究经历等等来弥补 。美国大学面对申请者通常关注的更加全面，通常会去思考这个学生是怎样的一个人，做过哪些事情，他的思想是怎样的，有哪些理想，潜力与能力又是怎样等等。这些都是标准化考试无法体现的，这就需要中国学生们去通过有价值的社会活动来展现，但这确是其他国家留学生已具备的能力。其中学术背景一直以来都是美国大学最为重视的录取标准之一，学术研究被认为是批判性思维、独立学习思考能力、逻辑性表达及理解能力三个核心评判标准的最高体现形式，然而这也是中国学生面临国际化教育时最大的软肋所在。在欧美发达国家甚至中国港台地区，学术研究都是高中及本科阶段教育的核心组成部分之一，而中国高中及本科阶段极度匮乏一个真正完整的学术研究背景。找到一个适合自己的常春藤级别科研项目对于已经确定专业的学生真是一个非常好的经历，它可以帮助提前体验到美国大学的讲课氛围，帮助学生们提高批判性思维，跨学科的学习能力，独立自主的学习能力以及逻辑表达能力，而这些能力的集中体现就是做科研，写论文，获得教授推荐信，成功获得理想学校的offer。

　　国内外相关高校开设《数据科学》课程、数据科学学位计划、数据科学短期培训班，进行数据科学家和数据工程师的培养。在中国，香港中文大学从2008 年起设立“数据科学商业统计”科学硕士学位；复旦大学从2007 年起开设数据科学讨论班，2010 年开始招收数据科学博士研究生，并从2013 年起开设研究生课程《数据科学》；北京航空航天大学于2012年设立大数据工程硕士学位。在美国，加州大学伯克利分校（UC Berkeley）从2011 年起开设《数据科学导论》课程，并从2012 年起开设《数据科学和分析》课程；伊利诺伊大学香槟分校（University of Illinois at Urbana-Champaign，UIUC）从2011 年起举办“数据科学暑期研究班”（Data Sciences Summer Instituteprogram）；哥伦比亚大学（Columbia University）从2011 年起开设《数据科学导论》课程，2013 年起开设《应用数据科学》课程，并将从2013 年秋季起开设“数据科学专业成就认证”（Certification of Professional Achievement in Data Sciences）培训项目，并计划从2014 年起设立硕士学位，2015 年起设立博士学位；芝加哥大学（University of Chicago）开设3 个月的夏季培训课程；纽约大学（New YorkUniversity）将从2013 年秋季起设立“数据科学”硕士学位；南加州大学（South California University）设立“数据科学”硕士学位；华盛顿大学（University of Washington）从2013 年5 月起开设《数据科学导论》课程，并对修满数据科学相关课程学分的学生颁发数据科学证书（Certificate in Data Science）；雪城大学（Syracuse University）也提供数据科学高级研究证书（Certificate Advanced Studies in Data Science）培训项目。在英国，邓迪大学从2013 年起设立“数据科学”科学硕士学位。从上述人才 的培养计划来看，数据科学家应该系统地掌握数据分析相关的技能，主要包括数学、统计学、数据分析、商业分析和自然语言处理等，具有较宽的知识面，具有独立 获取知识的能力，具有较强的实践能力和创新意识。其中，只有复旦大学的课程设置强调了数据科学家是研究数据的科学家，而不仅仅是一个数据工程师或者数据分 析师[2]（查看中国大数据技术与产业发展白皮书2013原文）。　　国内开设《数据科学》课程调研结果　　大陆：根据网络调研结果，国内高校目前还没有关于已开设《数据科学》课程的相关资料，但是，不排除个别已经开设《数据科学》课程（因为有些教师可能没有为课程建立主页）。相关高校在数据科学领域开展了相关工作，比如，复旦大学设有“上海市数据科学重点实验室”和“数据科学研究中心”，清华大学数据科学研究院计划在2014年9月开始培养大数据硕士，华东师范大学设有“数据科学与工程研究院”。在教材方面，复旦大学朱扬勇、熊赟等人编写了《数据学》，北京理工大学杨旭、汤海京等人编写了《数据科学导论》。　　香港：调研了中国香港几所主要大学，香港大学、香港中文大学、香港理工大学、香港科技大学、香港城市大学、香港浸会大学、香港岭南大学，都没有开设《数字科学》这门课，但是，有几所大学开设了《Data Analysis》这门课，但是并没有课程信息，只有简单介绍。（查看调研报告）　　台湾：中国台湾省各高校暂时未开设《数据科学》课程，通过公开的资料也未显示有开课准备。台湾民间有一个“资料科学实验室”组织，2014年召开了“台湾资料科学爱好者大会”，有开设资料科学相关课程。（查看调研报告）　　国外开设《数据科学》课程调研结果　　美国：华盛顿大学开设了《Introction to Data Science》，介绍了关系型数据库、MapRece、NoSQL、基础数据分析、机器学习、可视化、图论。约翰霍普金斯大学在Coursera上一口气推出了9门Data Science方面的课程，组成“数据科学家”专项课程。（1）数据科学家的工具箱；（2）R语言程序开发；（3）获取和整理数据；（4）探索性数据分 析；（5）可重复性研究；（6）统计推断；（7）回归模型；（8）实用机器学习；（9）数据产品开发。纽约大学开设MS data science项目。哥伦比亚大学设有数据科学学院。MIT开设Introction to Computational Thinking and Data Science（计算思维和数据科学导论）这门课，介绍如何利用计算机来理解真实世界的现象，目标受众是具备一定Python编程经验和计算复杂度基础知识的学生，课程强调必须更加照顾涉猎范围，而不是一味增加深度；为了这个目的，该课程会为学生提供许多主题的浅显介绍，这样学生就可以知道之后在他 们的职业生涯中可以用计算机去完成什么样的任务了；课程的主题包括，绘图、随机程序、概率和统计、随机漫步、蒙特卡洛模拟、数据模型化、优化问题和分类归 并。哈佛大学开设CS109 Data Science，有GitHubk课程资料。（内容请查看调研报告）　　英国：目前大概有七所高校开设了《数据科学》及其相关课程，包括谢菲尔德大学、爱丁堡大学、伦敦大学学院、东英吉利大学、布里斯托大学、曼彻斯特大学、 伦敦大学皇家霍洛威学院。其中，谢菲尔德大学和爱丁堡大学对于这一新兴专业归纳最全，并设立了相应的MSc；其他高校只设立了与数据科学相关的一些课程或专业，如曼大设立了数据与知识管理专业，东英吉利大学设立了知识发现与数据挖掘专业。（内容请查看调研报告）　　韩国、日本：经过对韩国科学技术院(KAIST)、浦项大学、首尔国立大学以及日本东京大学和京都大学的网络调研，可初步得出，韩国和日本目前还没有高校开设《数据科学》的课程。其中，韩国的三所大学有设立与数据科学相关的课程，但没有课件资料，也没有简要的课程介绍。（查看调研报告）

在中国，每天都有500人死于车祸。我们的无人驾驶技术早实现一天，就相当于多拯救了500人的生命，这将会是接下来的十年中，人工智能得到的最重要的应用之一。我想和在座的年轻人说几句话。我们处在一个独特的时期，这是一个人工智能将会改变世界的时期。如果你知道怎么运用人工智能，你今天的一个决策将有可能在接下来十年里改变世界。你的努力可能会拯救数以万计甚至百万计的生命。或许，你可以改变整个行业，帮助无数的人。也正因如此，我对人工智能如此兴奋！如果你还年轻，正在考虑未来的职业如何规划，我希望你能够考虑人工智能。人工智能发展的如此迅猛，从事这一行业的我们应该不断的学习。再一次，我想跟在座的年轻人共勉：每个周六，你可以选择看美剧，也可以选择学习。如果你学习，两天后的周一，你不会很快的就在工作中出彩，你的老板也不会知道你花了整天的时间学习，更不会夸奖你什么。你几乎找不到任何东西可以证明你在努力学习。但是我想告诉大家：如果你每个周末都这样努力工作，持之以恒，你会发现你已经突飞猛进。我认为，学习是一件几乎没有短期回报的事，但是从长远来看，回报却是非常丰厚的。下面这一篇是去年赫芬顿邮报对他的采访，讲述科学家背后的成长，经历的失败和保持的信念。译文由知乎专栏“董老师在硅谷”首发。转发请注明。可以说最好的计算机科学的项目分布在卡内基美隆、麻省理工、加州大学伯克利分校和斯坦福大学等高校中，而吴恩达教授 （Andrew Ng）正是从这些地方分别取得了本科，硕士，博士学位，以及12年的任教经历。吴恩达虽然不到40岁，但是已经是人工智能界的标志性人物。早在2011年，他建立了谷歌大脑(Google Brian)，这是依托于谷歌强大的计算能力和丰富的数据建立起来的一个深度学习的研究项目。可喜的是，这个项目的重要成就之一是通过让计算机分析几十个YouTube的视频截图来识别猫（《纽约时报》标题：需要多少计算机才能正确的识别猫？16,000台）。正如吴恩达解释的那样，“最值得注意的是，我们的系统自己发现了‘猫’的概念，尽管没有人告诉过它‘猫’是什么。这可以说是机器学习的一个里程碑”。吴恩达流露出喜悦但却非常冷静，他欣然地讨论着他职业生涯中犯过的错误和遇到的失败，以及他读不懂的论文。他每天穿着一样的牛津蓝的衬衫。他的妻子Carol Reiley从事外科手术机器人的研究，当同事们谈及他和妻子之前那张机器人主题的订婚照片时，他也会脸红，但又非常自豪。尽管他作为讲师备受欢迎，但当和他一对一交谈时，他的声音显得非常柔和。2011年，他把自己在斯坦佛教授的机器学习课程录像上传到网上，随后超过100,000人在网上注册学习了这门课。在接下来的一年里，他和别人共同创立了迄今世界上最大的在线公开课程平台—Coursera。Coursera 的合作伙伴包括包括普林斯顿、耶鲁以及中国和欧洲的顶尖高校。尽管Coursera是一个盈利性的公司，但所有的课程都是免费开放，因为“对课程本身的内容收取费用将是一个悲剧”，吴恩达说到。去年春天，吴恩达宣布了一条令人震惊的事情，他将离开谷歌、离开曾全身心投入的Coursera而加盟百度。当时，中国的科技巨头百度斥资3亿美金，在位于谷歌硅谷总部不远的地方，正建立一个专注于研究人工智能的实验室。吴恩达将会领导和管理这个实验室。像之前一样，吴恩达在百度继续尝试让计算机以很高的准确率来实时识别音频和图像文件。吴恩达相信，高达99%准确率的语音识别技术会为人和计算机的交互方式、以及未来操作系统的设计带来革命性的改变。同时，面对百度的数以百万刚开始体验数字生活的用户，他要帮助百度为这些用户提供更好的服务。“在中国，你可能得到和美国的完全不一样的查询请求”，吴恩达解释道，“例如，我们得到的查询可能是‘百度你好，上周我在街角的那家店吃了碗面，味道很棒，你觉得这周末那家店会有促销活动吗？’”。“像这样的查询请求”，吴恩达补充道，“我想我们已经可以很好的回答它”。尽管Elon Musk （SpaceX和特斯拉的CEO）和史蒂文霍金已经发出警告：高级人工智能技术可能会威胁到人类自身，吴恩达却不以为然，“我不会防止人工智能向邪恶的方向发展，就像我现在不会去解决火星上人口过剩问题一样。”根据吴恩达所说，距离人工智能达到可以自我感知的水平，还有相当长的一段时间。但与此同时，人工智能导致了更加棘手的问题的出现：这些基于机器学习的计算机，正在取代很多人工工作，而且这种趋势正在加速。吴恩达经常呼吁政策的制定者为因此产生的社会经济后果做好准备。在位于加州Sunnyvale 的百度实验室，我们采访了吴恩达先生。我们谈到了一个名为‘索菲亚’(Sophia)的项目，这个项目诣在收集非常有趣的人的经历。他解释了为什么他认为“跟随着你的热情”是非常糟糕的职业发展建议，分享了他教授创造力的方法；他也讨论了他的失败经历以及他的一些不错的习惯，对他影响最大的书籍以及他关于人工智能前沿领域的一些看法。问：您最近曾说过，“我发现人们正在学着更具有创造力了”，请您解释一下？答：问题是，一个人如何才能创造新的想法？新的想法是某一个方面的天才（比如乔布斯）的不可预知的行为？还是可以通过系统的传授产生创新的想法？我相信创新的能力是可以被教授的。人们可以通过很多方式来系统的发明创新。我在百度做的事情之一是组织一个关于培养创新思维的讨论班。我的想法是，创新不是那些天才所做的随机的、不可预知的事情，恰恰相反，人们可以非常系统的创造从未被创造的新事物。对我而言，无论何时，当我觉得我不知道下一步应该如何做的时候，我将会尝试大量的学习和阅读，和某些领域的专家谈话。我不知道我们的大脑是如何工作的，但它非常的神奇：当你读了足够多的书，或者和足够多的专家谈话之后，换句话说，当你的大脑有了足够多的输入信息，新的想法就会随之产生。我知道的很多人都有这样的经历。当你对某一个某技术领域足够的了解，你便停止随机地寻找新的想法。你会通过深思熟虑来选择想法，把这种想法组合到一起。你也会知道什么时候尝试创造尽量多的想法，什么时候裁剪、整合已有的想法。好了，现在还有一个挑战，就是面对非常多的新想法，你如何去做？如何进一步用这些想法做一些非常有用的东西？当然，这是另外一回事了。问：你可以谈一下你平时会学习什么，学习的方法是怎样的？答：我阅读很多材料，也花很多时间和很多人交谈。我觉得两个最有效的学习、获取信息的方法是阅读和同专家交谈。所以我会花很多时间做这两件事情。在我的kindle上有不到一千本书，我大概已经阅读了其中的2/3。在百度，我们有阅读小组，在那里，我们可以每星期读半本书。我试试上参加了两个这样的阅读小组，在每个小组里都会每星期读半本书。我想我是唯一一个参加了两个阅读小组的人。我每周六下午最喜欢的活动就是独自在家阅读。问：我想了解一下早期教育对你的影响，你觉得父母做了什么独特的事情对你后来产生了持续的影响？答：我记得在我六岁时，我父亲为我买了一台电脑，并帮助我学习编程。这本身并不是很特别，因为很多计算机科学家从很小的时候就开始学习编程了。但我仍然觉得从小就拥有计算机学习编程是件很幸运的事。不像传统的亚洲家长，我的父母对我的要求非常宽松。当我在学校取得好的成绩时，他们就会夸张地表扬我，甚至让我觉得有些尴尬。所以我有时故意把取得的好成绩藏起来[笑]。我不喜欢把我的成绩单拿给父母看，不是因为我的成绩不好，而是因为他们的反应。我有幸能在很多地方生活和工作过：我出生在英国，在香港和新加坡长大，来到美国读书。我在卡内基美隆，麻省理工，伯克利都拿到了学位，最后去了斯坦福任教。我也有幸因为去了这些地方，从而见到了很多非常优秀的人。我在著名的前AT&T贝尔实验室做过实习，然后去了微软研究院。这些经历使我有机会从各个角度看待问题和接受观点。问： 如果可以重新规划你的教育和早期的职业，你会做哪些不同的事情？你有哪些会让别人受益的教训，可不可以分享一下？答： 我希望这个社会能给年轻人更好的职业发展建议。“跟着你的热情做事”不是什么好的建议，相反，是给年轻人非常糟糕的建议。如果你酷爱驾车，并不一定要成为赛车车手。事实上，我们应该把“跟着你的热情做事”改成“跟着你的热情做事，但这些热情是对你在大学所学专业相关事物的热情”。但通常，你先是掌握了一件事情，然后才会对它有热情。我相信大多数人都会很好的掌握大多数事情。所以关于选择我想要做的事情，有两个标准。第一，是否有学习的机会。就是说，做这件事情是否会让我学到新的、有趣的、实用的东西？第二，就是潜在的影响。这个世界有很多有趣的问题需要解决，但也有很多重要的问题。我希望大家把精力放在解决重要的问题上。幸运的是，我不断地找到能够产生深远影响的事情去做，同时也有很多学习的机会。我想，年轻人如果能注重优化这两个标准，就会获得非常好的职业发展。我的团队的使命就是要做更难、更高级的人工智能技术，这些技术会影响数亿人们。这就是令我兴奋的使命。问： 在你看来，重要性就是说可以影响很多人吗？答：不是。受到影响的人的数量并不是衡量重要性的唯一标准。用显著的方式改变数亿人的生活，我想这是我们可以合理追求的境界。通过这种方式，可以确信，我们不仅仅是做有趣的事情，而且是做有影响的事情。问：你之前谈到过你做过一些失败的项目，那你又是如何面对这些失败呢？答：失败在所难免，说来话长了[笑]。几年前，我在 Evernote里面列了一起清单，试图记住我所有开始做，却由于各种原因最后不了了之，或者没有成功，亦或投入和产出完全不成比例的项目。有时，我通过运气而非技能，以出乎我意料的方式，把一些项目做出来了。但我还是列了上面提到的那个清单。然后把它们按照哪里出了问题分类，对他们进行彻底的分析，找出没有成功的原因。其中的一个失败的案例发生在斯坦福。当时受到鹅群成V型飞行，我们曾尝试让飞机也以V字型飞行，从而节省燃料。关于这方面的空气动力学理论非常成熟，我们就花了一年时间让飞机可以被自动控制，然后以V字型飞行。但一年之后，我们发现我们没有办法让飞机以足够的精度控制飞机从而实现节省燃料。如果重新开始这个项目，我们会意识到我们用小型飞机根本不可能实现那个目标。因为阵风很容易无法让飞机准确地以V字型飞行。我以前很容易犯的一种错误，就是当我做一个项目时，一步，两步，三步之后，发现第四步根本不可能完成。希望这种错误现在会少很多。上面的那个飞机V字型飞行的例子，我在战略创新组会上也讲过，教训就是尽早的发现项目的风险。现在，我学会尽量早的发现评估项目的风险。如果我现在说“我们应该尽早找到项目的风险”时，每个人都会赞同，因为这显然是正确的。但问题是，如果你自己面对一个新的项目时，很难把我说的应用到你的项目中去。究其原因，这些科研项目是一种策略技能。在现行的教育系统中，我们非常善于教授已有的事实，比如食谱。如果你要做意大利番茄牛肉面，你只需要照着食谱做就好了。

谷歌员工眼中的 6 个关键点在我向你提供课程列表前，先读第一二点全职工作人员——基于你的行业经验和学术背景去选择性的看待这个回答准大学生——请直接跳到第七点标记说明：# 可选的**必须的#第一点：让我们回到这个问题本身，也即是如何准备才能让自己成为“优秀”的软件工程师？是的！这个问题的剩余部分都是可选的。加入谷歌不是登月计划。任何优秀的软件工程师都有好机会成为谷歌工作文化的一部分。问题是你如何定义“优秀”。**第二点：调整态度在你给谷歌招聘人员留下深刻印象之前，让我们来看看谷歌的软件工程师这一角色是否是你真正想要的。软件工程师并不是像普遍观念所说的那样有趣。除了用户界面和用户体验的职位，通常来说，不管你用什么文字编辑器——Eclipse、Vim或者Emacs——你的屏幕将是黑的，无聊和枯燥的。全职的软件工程师，不仅需要有从事复杂算法的能力，还需要足够的包容和耐心来一丝不苟地关注大型程序上的细节。在谷歌，通常大多数软件工程师的角色主要是处理数学问题。你掌握了多少种语言或者你把Java、C、C++等玩得多溜是无所谓的。重要的是这个四个目标：你创造有效算法的能力你阅读别人写的代码以及发现其中存在任何问题的细心品质你的学习和实现新技术趋势并且适应需求的好奇心最后也是最重要的：你创造了什么，如何创造的？我必须之处要实现以上四个目标并不容易。我们大多数谷歌员工都有一段苦逼时间来达到这些目标，但是我们尝试过，所以你也应该去尝试。每个人都有不同的学习方法。于我，我每天读一篇我在Quora链接上找到的研究论文（可能和也可能不和计算机科学有关），一篇谷歌的研究文章（内部记录）。一旦你加入谷歌，将可以访问所有的代码库，数据库，论坛，研究论文和一些能给你学习时提供巨大帮助而你却无法在维基百科上找到的项目。但当你在为加入谷歌而准备路上时，有几样事情在学习的过程中很常见。在第五点中，你将会地了解到——怎样来实现这四个目标——但在这之前有些前提还是需要看看的。所以，我们进入下一点吧。也即是：#第三点： 2014年技术发展指南——来自谷歌作为一个成功的软件工程师，有着扎实的计算机基础是很重要的。对于大学生，通过自我把握节奏地亲身实践学习，来专业性地或者非专业性地培养他们的技术能力，跟随这份谷歌指南是一条建议路径。请自己权衡使用这份指南这份指南之外可能也有你想学或者想做的其他东西——尽管去做吧！**第四点：对专业性学习的建议计算机科学入门课程注：计算机科学的入门课能提供编程的一些指导。在线资源：Udacity – intro to CS course,Coursera – Computer Science 101*译者注：这些在线资源大都是英文授课，因此没有翻译课程名（下同），另外作为程序员英语必须得好啊，可以参看伯乐在线老码农写的《老码农教你学英语》一文。至少用一种面向对象的编程语言写代码：C++，Java，或者Python初学者在线资源：Coursera – Learn to Program: The Fundamentals,MIT Intro to Programming in Java,Google’s Python Class,Coursera – Introction to Python,Python Open Source E-BookIntermediate Online Resources:Udacity’s Design of Computer Programs,Coursera – Learn to Program: Crafting Quality Code,Coursera – Programming Languages,Brown University – Introction to Programming Languages学习其他编程语言注：可以将这些语言加到你的仓库里：Java Script, CSS, HTML, Ruby, PHP, C, Perl, Shell. Lisp, Scheme.在线资源：w3school.com – HTML教程*, Learn to code测试你的代码注：学会如何跟踪bugs，创建测试，并且破坏你的软件在线资源： Udacity – Software Testing Methods, Udacity – Software Debugging培养逻辑思维和积累离散数学知识在线资源：MIT Mathematics for Computer Science,Coursera – Introction to Logic,Coursera – Linear and Discrete Optimization,Coursera – Probabilistic Graphical Models,Coursera – Game Theory.译者注：coursera课程大多都有中文字幕，对于学习语言门槛会降低，不过仍推荐学习原版课程。培养算法和数据结构的深刻理解能力注：了解一些基本数据类型（栈、队列和包），排序算法（快排、合并排序、堆排序）和数据结构（二分查找、红黑树、哈希表），大O表示法等在线资源：MIT Introction to Algorithms,Coursera – Introction to Algorithms Part 1 & Part 2,Wikipedia – List of Algorithms,Wikipedia – List of Data Structures,Book: The Algorithm Design Manual培养对操作系统的深刻理解能力在线资源：UC Berkeley Computer Science 162**译者注：这个链接是YouTube上的，国内有很多电驴的资源，亲测可用（如果找不到可用链接，译者可提供）学习人工智能的知识在线资源：Stanford University – Introction to Robotics, Natural Language Processing, Machine Learning**译者注：斯坦福Andrew Ng的这门机器学习课程强烈推荐，译者也有大量该课程资源。学习如何构造编译器在线资源：Coursera – Compilers**译者注：这门课程也是相当实用，最好跟着可能动手完成课程的编译器项目。学习密码学在线资源：Coursera – Cryptography, Udacity – Applied Cryptography学习并行编程在线资源：Coursera – Heterogeneous Parallel Programming**第五点：对非专业性学习建议参与课堂之外的项目注：创建和维护一个网站，构建你自己的服务器，或者做一个机器人。在线资源：Apache List of Projects, Google Summer of Code,Google Developer Group参与大系统（代码库）中的小代码片段，阅读和理解已有的代码，查文档并且跟踪调试。注：用GitHub来阅读别人的代码或者去贡献一个项目是一种很好的方式。在线资源：Github, Kiln和其他程序员一起参与项目注：这将会帮你提高在团队工作的能力，也使你能够向他人学习。锻炼你的算法知识和编程能力注：通过像CodeJam或者ACM ICPC这些编程竞赛来锻炼你的算法知识在线资源： CodeJam, ACM ICPC**译者注：国内有很多OJ也可以起到这个作用，比如POJ、九度等成为一个助教注：帮助教其他学生将会有助于增加你在这个学科的知识软件工程方面的实习经历注：确保你在实习招聘期来临前申请了实习工作。在印度和美国，实习期在暑假，5至9月份，而申请通道通常提前几个月就打开了。在线资源：google.com/jobs#第六点：谷歌推荐/赞助的项目和团队在你兴趣领域内，你可能选择订阅的课程很少。这些课程和项目是非常好的学习地方，但他们不会增加或减少你进谷歌的机会——他们不等于实习。（信息来自 Robert Love）谷歌课程——Making Sense of Data这门自我把握节奏的在线课程是为任何想学习关于结构、可视化、操作数据的人准备的。2. 谷歌课程——BOLD Discovery这个为期两天的互动会议将给一二年级的大学生提供一些关于谷歌文化和这家公司职业前景的介绍。3. 谷歌编程之夏一个全球在线项目，提供给上完中学且年龄在18以上学生开发者津贴，让他们为各种各样的开源软件项目写代码。4. 谷歌奖学金政策这个项目提供学生在暑假期间为互联网工作的机会和在公共利益组织上提出的技术政策。5. 谷歌学生退伍军人峰会谷歌学生退伍军人峰会包括为老兵适应工作环境而准备的职业培养课程。也可以参看：Ellen Spertus 在 How can I effectively use my last two years of college to prepare for a great Software Engineering job at Google/FB or a startup? 这个问题上的观点。**译者注：这是Quora上Ellen Spertus对另一个问题（我是怎样高效地利用大学最后两年来为谷歌/Facebook或者初创企业的一个很好的软件工程师职位做准备的）的回答。**第七点：对数学课程的建议（对准大学生而言）个人观点：任何忽视这些学科企图将使你进入完全以错误方式学习的平庸程序员的范畴。之前准备的越充分就越使得写代码越享受。这些是软件工程的几个前提，对软件工程你需要去理解算法的精髓。如果软件工程师能够回忆起学校里学的简单知识，大多数他们犯的错误本可以避免的。在你深入学习数学或者计算机科学中，你将意识到你“大学本科时学过的数据结构”和“研究生时学过的机器学习”的重要性。因此，要想设计复杂的算法，一下是你必须精通的课程清单。对于大学研究生，如果你忽视了这些学科，我强烈建议你应该你能做到的最好的方式去复习它们。在你学习完学校课本上的介绍性大纲之后，练习下面的课程来加深理解吧。大多数大学生（甚至在职员工）低估了这些课程然后成为了另一类平庸的程序员；线性代数1. Linear Algebra | Mathematics | MIT OpenCourseWare (我推荐的)2. Coding the Matrix: Linear Algebra Through Computer Science Application (同事推荐的)学习这些会帮你理解后续的回归模型——机器学习基本的一步。任何学校、大学、研究室或者机构都不会教你这些线性代数课程。自己去学吧。微积分1. Calculus 1 – Ohio State University2. Pre-Calculus Courses – Universitat Autonoma de Barcelona3. Calculus for Beginners and Artists – MIT统计&概率注：当你上大学和读研究生时，大纲就会变成机器学习的算法了。对于大多数大学生，机器学习课程的头三个月里数学使他们苦不堪言，而当他们好不容易赶上进度了，大纲又推进到更加机器学习复杂的领域，比如深度学习，神经网络和神经网络流处理。#准大学生：谷歌推荐/赞助的项目谷歌的Code-in项目（GCI）这个比赛为年龄在13至17岁的准大学生介绍了各种各样使得开源软件开发成为可能的贡献。RISE奖金谷歌RISE是一种对合伙人的奖励，它奖励旨在促进和支援为全世界的K12*小学生和中学生的STEM*以及计算机教育举措的项目。*K12，从幼儿园到12年级*STEM，Science，Technology，Engineering，Math，科学、技术、工程、数学前沿计算机科学研究院（LEAD-CSI）这个项目使得来自不同社区的中学生可以接触到STEM领域的大学和职业。用代码创造编程是种新能力-它承载着创造、创新和文明改造世界的潜能。这个举措旨在激励数以百万计的女孩体验代码的魔力。高中座谈会这个为期一天的项目旨在为优秀的高年级中学生在上大学前提供有价值的商业技巧。先驱者先驱者项目是一个全球性的网络，这里聚集着领导者、倡导者和计算机教育大使，大使们负责让全球的青年和教育工作者通过计算机科学被联系和激励。谷歌科技博览会谷歌科技博览会是对13到18岁青少年开放的全球性竞赛。学生在线提交项目并得到赢得大奖的机会。计算机科学暑期研究所（CSSI）CSSI是一个为期三周的暑期项目，针对即将进入大学且对学习计算机科学感兴趣的新生而设。Google+露营项目30天的DIY和制作活动。Maker Camp是一个在Google+上对所有人开放的免费虚拟暑期露营活动互联教室在Google+ 上和老师、教育组织协作来为K12学生提供经验性的学习机会。参考：http://blog.jobbole.com/79736/