哥伦比亚大学计算机专业博士

以下是【毕达教育美国留学】整理发布的毕达学员分享会内容。【毕达教育美国留学】坚持每周邀请全球各地区名校学员分享申请、就读、求职等经验，敬请关注。毕达学员背景陈师兄，武汉大学，计算机科学与技术入读学校与项目：哥伦比亚大学-MSc in Computer Science访谈实录 1、哥大读CS的收获主持人：师兄是15年秋入学哥大的，在现在看来，哥大读CS让你有哪些比较大的收获呢？陈师兄：嗯，首先专业上还是学到了很多新东西。哥大的课程绝大多数质量还是不错的，我修了很多本科没有上过的课，还是学到了很多。即使是本科上过的课再上一遍也觉得学到了些新东西。主持人：师兄可以具体举一下例子吗？陈师兄：我觉得美国这边最大的区别就是作业的质量很高，压力大一些，需要自己课下多学很多东西，做完后比较有收获。比如说CS的经典课操作系统，国内大家上过的话很多都只是了解概念，理解为主。而这边上一门OS的话，会深入到Android内核改代码，经常需要读几百行Linux源程序来完成一次作业，几次作业下来会发现学到很多东西。第二个收获，这里有很多实习和项目机会，无论校内校外。我第一学期在实验室做了一个项目，第二学期在纽约一家金融startup实习，觉得还是蛮有收获的。而且对于以后找工作找实习有挺大的帮助。这两条是比较突出的吧，当然还有很多出国都会经历的。比如语言的提高呀，视野人际的拓展，体验生活一类的。2、如何找实习主持人：我了解到师兄即将要去加州的Google公司实习，请问具体是哪个岗位呢？又是如何找到这一份牛实习的？陈师兄：我是software engineering，就是传统的码农啦。在Google Play组做内部系统JS控件的开发。我是去年12月左右在一亩三分地上找的师兄内推，然后今年初寒假的时候两轮技术面试后，team match了两轮以后，最终定下的这个实习。准备的话，上学期末大概花了半个月修改简历，上学期有时间刷了些题，面试前看看最近的面经，而且运气也算比较好哈哈。主持人：可以分享一下竞争是怎样的吗？比如从多少人中挑选出来，一般来面试的都是哪些背景的？陈师兄：竞争的话，今年Google招的算很少的，今年大公司实习名额普遍缩水，招的都比较少。身边基本所有人都会去面Google。无论CS还是EE的，基本都会海投各大公司，很多其它专业也会来面Google。主持人：整个内推过程是怎么样的？是怎么勾搭，然后愿意给机会的？陈师兄：哈哈，其实很简单。我就发了封邮件请师兄帮忙内推，他就同意了。我在一亩三分地的内推版找比较近期的帖子，然后准备一个个发邮件，就附上自己的简历，附带简短的自我介绍。不需要刻意勾搭，就说求帮忙内推就好。然后找的第一个师兄就愿意帮忙了。其实一般愿意发帖帮忙的，人都不会恨困难的，找最近的大胆发就好。3、关于留美找工作主持人：针对CS这个专业，对于希望在留在美国找工作的中国学生，师兄有什么建议和可行性方案吗（如遇到最大的障碍是什么？如何克服？等）陈师兄：首先对于本科就是CS的，在美国找工作还是比较有优势的。因为周围转专业来的非常非常多，但是你多学的四年还是给了你很多别人没有的经历，这尤其在找实习的时候非常有用。所以建议你们一定要在出国之前整理好你们本科做过的东西，项目啊论文啊什么的，比如建好维护好自己的Github，写好简历，这些很多在面试都会被深问的。然后转专业的话一，定要提前刷题，先好好学算法。然后挑一门语言运用熟练，可以没事跟一些网课呀，做一点小项目啊（网页啊app一类的）因为你开学了就没有时间做这些事情了，充实你的简历。当然我觉得对转专业而言，最重要的是培养对CS的兴趣。为了就业转来学不进去的话其实很累的。主持人：师兄打算在美国工作几年回国，这个规划是出于什么考虑呢？陈师兄：我毕业应该会工作3-5年回国吧，主要是觉得一年半太短了呆不够啊哈哈，我需要更长的时间体验下生活。我觉得目前国内CS的前景还是不错的吧，这方面目前还没有深入的了解。不过有一点，国内CS的饱和程度应该比美国还是低一点，所以找到工作肯定不成问题，主要看找到多好的啦。4、关于回国就业主持人：你对回国CS专业就业的前景如何看呢？陈师兄：当然工作经验是特别重要的，海外的工作经历也会有很大的帮助。世界顶尖CS公司都在美国，所以花这么大功夫出来肯定还是要体验下这里的氛围技术的。而且这对于回国的帮助也很大吧我觉得，直接回来其实对于本身技术的提高并不多，对于回国在找工作帮助也不够大，所以积累些工作经验还是很必要的。5、项目基本介绍主持人：请具体介绍一下哥大的这个CS项目，包括项目的学习长度、培养方向、学习模块，谈谈你认为这个项目适合哪些人去读。陈师兄：嗯，这个MS总共一年半，最快也可一年毕业。已修课为主10门课，修完即可毕业。前两学期要求fulltime（至少4门课），所以绝大多数选择4+4+2，也可以5+5提前毕业。项目分这些track，每个track有自己课程设置细节，比如包括哪些必修哪些选修一类的。我是自然语言处理方向。适合的话，感觉总体而言适合准备找工作的人读，因为研究型课程比较少。实验室机会需要自己争取，当然你喜欢研究也可以选择论文毕业也有很多和老师接触的机会。6、学习节奏与课程难度主持人：师兄觉得项目的学习节奏如何？课程难度大吗？课程难度主要是哪些方面？（比如数学、编程、写论文等）陈师兄：前两学期压力还是蛮大的，4门课一学期在美国MS算多的（普遍是3门），所以尤其对于转专业底子不强的同学还是压力挺大的。因为还要准备找实习找工作，所以第一年会很辛苦。课程的话，就完全取决于具体的课了。有killer（比如刚提到的OS）也有很多水课，所以根据自身兴趣和精力调节，适合自己就好。具体难度也取决于课程，有的理论难，比如machine learning。有的编程重，一门课写3个基于web的大作业。也有论文的，完全看课程要求。本科有底子会好些但是总体还是比较累因为作业大多数比较难需要花不少时间7、教学模式与师资力量主持人：项目的教学模式有哪些？项目的师资力量如何？平时与老师的交流接触多吗？陈师兄：模式很多，比如上面提到的传统授课型，论文型research型（做一学期项目没课），沙龙型，很多的。看老师如何设置。哦还有很多很有意思的课，比如3人组队一学期全写程序啊，一学期全读论文啊，都有。1常驻师资力量一般大概40－50人左右，但每学期会有很多visiting professor来自其它学校或业界各大公司，到哥大授课。比如我上过的8门课里，就有来自密歇根大学的访问学者、IBM的高级工程师startup的CEO。和老师接触机会很多，每周都有2小时答疑时间，给老师发邮件他们也很乐意回～8、班级情况主持人：这个项目在师兄那一届招了多少人？其中中国学生有多少人？class profile怎么样（本科学校、专业、GRE、TOEFL等）？感觉身边的同学怎么样？陈师兄：一级大概200人左右，中国学生40-60人吧，转专业居多，大概60%左右。来自的学校很多很多，基本耳熟能详的院校都有来的～身边有超多牛人，而且有很多同学是有工作经验的，半年到5年工作经历的都有。主持人：师兄可以具体说说来自哪些院校吗？一般是什么专业转到CS的呢？他们的GT大概是多少呢？师兄是否了解？陈师兄：嗯，我身边的同学有来自清华的、北航、上交、华科、南大，还有很多海本的。一般是通信的、机械的，就是和EE挂钩大一点的转来的比较多。也有化学的数学的转来。我们级武大加我4个CS的。9、就业资源与就业情况主持人：项目就业资源如何？学院会提供什么就业方面的帮助？陈师兄：我觉得项目提供了很多帮助就业的资源，学院会办一学期一次大型career air和若干次小型的，每周会有很多公司来学院开info session。（平均一周3次吧有时候多的天天有不止一次）学院有专门的秘书负责转发公司发来的招聘邮件，还有很多networking的机会和校友啊hr啊什么的。主持人：师兄是否了解，项目往届中国学生留在美国就业的人数多吗？最后都去了什么企业？回国的同学都是去哪里的呢？陈师兄：嗯CS基本都就业了吧，很少听说找不到工作的。CS形势还是不错的。这个是LinkedIn里面校友的分布，我不确定是CS的还是工学院的，不过大致看大公司还是为主的。回国我知道有人去了阿里和百度我认识的校友不多哈哈。11、录取关键主持人：师兄你认为当时拿下这个哥大录取的关键是什么呢？陈师兄：嗯我觉得哥大比较看重硬件吧，分数啊项目啊什么的。当时和Daisy老师花了很长时间完成的文书，我觉得帮助很大。怎么能发掘出本科做了的东西里面的重点并且很好的表达出来很重要。PS：里面多体现下你对这个项目的研究，加点个性化的东西挺重要的。找几门感兴趣的课，或者研究型的话找一些老师的研究方向了解一下，我觉得会很有帮助。12、如何规划时间主持人：那在整个申请准备过程中（从考试复习到申请完成），你是如何规划的呢？陈师兄：我大概高二下开始准备考试吧，先G后T拖的比较长，但都是考前突击一个月。然后大三暑假实习完回国才开始准备文书，10月份左右花了一个月吧准备所有的材料，然后就改一所投一所。其实我觉得我的流程有点点偏晚了，如果9月份或者暑假就开始准备文书是最好的。

哥伦比亚大学（Columbia University），简称哥大，成立于1754年，位于纽约市曼哈顿上城晨边高地，美国常春藤盟校之一。2019年USnews美国综合大学排名第3位，2019年USnews全球大学排名第8位，2019年上海软科世界大学学术排名第8位。哥大工程学院全美TOP11，下面给大家哥大的计算机科学硕士项目（MS in Computer Science）。1、项目基本介绍开设在工程学院计算机科学系下项目时长：1.5年2019年USnews美国研究生计算机科学专业排名第13申请截止日期：2月15日2、课程设置哥大 CS 共需完成30个学分，有10个track：Computational Biology Computer SecurityFoundations of Computer Science Machine Learning Natural Language Processing Network Systems Software Systems Vision, Graphics, Interaction, and RoboticsMS Personalized MS Thesis每个track需要修的课程会有所不同，这里就不详细叙述2015年入读毕达学子反馈：这个MS总共一年半，最快也可一年毕业，已修课为主，10门课，修完即可毕业。前两学期要求full time（至少4门课），所以绝大多数选择4+4+2 ，也可以5+5提前毕业。项目分这些track，每个track有自己课程设置细节，比如包括哪些必修哪些选修一类的，我是自然语言处理方向。感觉总体而言适合准备找工作的人读，因为研究型课程比较少，实验室机会需要自己争取，当然你喜欢研究，也可以选择论文毕业，也有很多和老师接触的机会。哥大的课程绝大多数质量还是不错的，我修了很多本科没有上过的课，还是学到了很多，即使是本科上过的课再上一遍也觉得学到了些新东西。比如说，CS的经典课操作系统，国内大家上过的话，很多都只是了解概念，理解为主。而这边上一门OS的话，会深入到Android内核改代码，经常需要读几百行Linux源程序来完成一次作业 ，几次作业下来会发现学到很多东西。2015Fall入读校友反馈：课程的话，感觉还是比较有内容的，很多课程都带有project，过去的这学期我有两门课是有学期长度的大project的，都是4人一组，都有check point督促你不把所有的工作量堆到最后，所以到ddl前一周我的两个proj大概都完成了一半，不过最后还是在lab连做了5天（从上午10点到晚上2点，最后一天上午9点到第二天上午9点），所以还是比较有收获。没有project的课程也有两周或一周一次的assignment，每次assignment如果你真正自己认真做的话还是需要花蛮多时间的（包括复习上课的内容大概十几个小时的工作量？），而且至少我上的这几门课，你assignment认真做的话会对最后考试比较有帮助。（来源一亩三分地）3、申请要求计算机科学相关学士学位，若本科不是计算机专业，则必须完成至少4门计算机科学基础课程，包括编程基础和两门数学课程，例如Intro to Computer Science，Advanced Programming，Data Structures and Algorithms；建议托福101或雅思7.0 要求GRE案例参考毕达学子：Q同学本科学校：华中科技大学，自动化申请背景：TOEFL 104，GRE 325；录取： 哥伦比亚大学，MS in Computer Science毕达学子：C同学本科学校：武汉大学，计算机科学与技术申请背景：TOEFL 108，GRE 321；录取：哥伦比亚大学，MS in Computer Science毕达学子：Z同学本科学校：重庆大学+乔治梅森大学，计算机科学申请背景：TOEFL waive，GRE 1430；录取：哥伦比亚大学，MS in Computer Science注：以上仅是部分案例精选，更多案例请锁定“毕达教育”4、招生与就业情况2015年入读毕达学子反馈：一级大概200人左右，中国学生40-60人吧，转专业居多，大概60%左右。来自的学校很多很多，基本耳熟能详的院校都有来的～ 身边有超多牛人，而且有很多同学是有工作经验的，半年到5年工作经历的都有。我身边的同学，有来自清华的、北航、上交 、华科、南大，还有很多海本的，一般是通信的、 机械的，就是和EE挂钩大一点的转来的比较多，也有化学的数学的转来。这里有很多实习和项目机会，无论校内校外，我第一学期在实验室做了一个项目，第二学期在纽约一家金融startup实习，觉得还是蛮有收获的，而且对于以后找工作找实习有挺大的帮助。项目提供了很多帮助就业的资源，学院会办一学期一次大型career fair和若干次小型的，每周会有很多公司来学院开info session（平均一周3次吧 有时候多的天天有不止一次），学院有专门的秘书负责转发公司发来的招聘邮件。还有很多networking的机会。CS基本都就业了吧，很少听说找不到工作的，CS形势还是不错的。2015年入读校友A：求职的话，感觉氛围还是比较积极的，首先学校的career service做的比较积极，各种招聘邮件不断，并且每周五都会收到下周学校里所有求职有关的活动的汇总。而ny本身工作机会也多，同学找实习也都比较积极，学校的career fair会有很多大公司过来，也经常有大公司在学校宣讲，比如google,fb,linkedin,twitter,bloomberg,two-sigma, etc。当然求职内推也很重要，哥大cs学长中有很多在flag实习或者已经拿到全职的，所以感觉还是有比较大机会拿到面试。（来源一亩三分地）2015年入读校友B：我16年哥大CS毕业，我在我们专业所认识的所有人都找到了工作。大部分去了湾区，少部分去了西雅图。80%最后都落脚在了Google，Amazon，FB这几个公司。在美国，CS专业刷好题（关键是刷好题）找到工作不会是太大问题。正经大学正经CS的背景已经足够够用了。（来源知乎）

【前言】网上对世界顶级名校的介绍，各有特点。笔者听完约翰霍普金斯大学吴军博士对世界名校的介绍，收获颇丰。想到有诸多家长也像我一样，希望从更多角度了解世界名校的特色，近期将增加这部分内容。今天介绍哥伦比亚大学，简称“哥大”。哥伦比亚大学01第一个特点：哥大很小，但是另一方面它又很大。地处寸土寸金的曼哈顿，哥大的面积只有200亩左右。哥伦比亚大学就干脆和学生讲，就把纽约当作你们的校园就好了。这样一来，哥伦比亚大学就非常大了，纽约的机会就是哥大的机会。纽约是金融中心，因此哥伦比亚大学的很多学生后来去了华尔街。纽约是联合国总部所在地，因此对政治学和国际关系感兴趣的学生，可以参加在纽约举行的各种国际论坛。在纽约，因为全世界各大媒体在那里都有办事机构。纽约是前卫艺术和时尚之都，因此学习艺术和时尚的年轻人很多都千里迢迢跑到纽约。最后，作为百老汇、纽约爱乐交响乐团和大都会歌剧院的所在地，纽约的艺术氛围非常浓厚，它的大都会艺术博物馆和现代艺术博物馆也是世界闻名的。在哥大学习，应该去哪些地方陶冶性情，培养自己的审美和艺术欣赏水平。纽约02第二个特点：哥大的各学科发展平衡。哥伦比亚大学是常青藤大学中学科最全，各学科水平最均衡的大学。不妨看看（2018年~2019年）哥伦比亚大学各主要学科的排名：· 工学院 第12名· 商学院 第9名· 法学院 第5名· 医学院 第11名· 艺术学院 第6名另外，一半的人文和社会学科排在前10名，一半的理科排在第10名左右。哈佛大学虽然大部分学院排名在哥大之前，但是工学院和艺术学院不如哥大。由于学科平衡，哥伦比亚大学所出的名人数量仅次于哈佛大学，在美国的大学中排第二，其中光诺贝尔奖获得者就出了近百人。至于如何做到学科平衡，哥大是从本科教育做起的，它觉得所有的学科都很重要，因此学生不能偏科。哥伦比亚大学强调，学习这些课程的目的是学会如何思考，而不只是接受具体的知识。从这里我们再一次看到，美国名牌大学的首要目的是培养人的思想和未来的学习工作能力，而不是为了取得好分数。哥伦比亚大学设置的核心课程已有近百年历史，今天已经有很多大学都在采用这种教育方法，但是哥伦比亚大学很自豪它是最早强调这种通才教育的重要性的，并且在一个世纪里严格实行。诺贝尔奖获得者就出了近百人03第三个特点：对学生全面培养任何一个好的大学对学生的培养需要是全面的，哥伦比亚大学也不例外，为了帮助学生们的成长，大学给每一名学生指定一位课程的指导教师，负责指导学生的选课，并协调解决学生遇到的一般问题，包括暑假实习、个人成长，等等。指导教师的研究方向与学生的兴趣可能完全不同，角色类似中国大学里的班主任，当然美国的大学没有行政班。等学生到了高年级，确定要学的专业后，学校会另指定一名指导教师，负责在专业和研究方面给予指导。比如学生要学习计算机科学，学校就会安排一位来自计算机系的指导教师。当然，如果学生要修两个主科学位，那么就需要有两位专业指导教师。作为一所研究型大学，哥伦比亚鼓励学生参加科研，同时也强调，学生自己应该积极主动地寻找研究机会，毕竟教授们肯定不会到学生宿舍寻找想做科研的学生，不过如果学生们主动问教授是否可以进实验室做科研，很多教授都是欢迎的。读哥大的另一个好处是到国外做交换学生容易。美国很多学校都有非常多的海外交换学生计划，但是因为一些大学里学生到海外读书是要自己掏钱的，一些收入不高的家庭的学生只能望而却步，但是哥伦比亚大学设有各种各样的奖学金帮助学生到海外学习。除了学校名气大、捐赠多以外，这也得益于它在纽约这个事实，世界上很多大学的学生都想交换到那里去，于是有很多国内外组织愿意为此出资。04哥大的精髓在于民主氛围和崇尚自由的传统李开复认为，哥伦比亚大学里的人的很多思维方式领先于美国政坛。因此，哥伦比亚大学实际上在不断地向社会输出正能量。尽管我们的看法略有不同，但都认同倘若不了解哥伦比亚大学的民主氛围和崇尚自由的传统，在这里读大学的意义就减少了一半。毕竟，在哥伦比亚大学的四年人生经历，比将要学习的课程更为重要。哥大标示：瘦狮子哥伦比亚大学的标志是一头狮子，在校园里有一座瘦骨嶙峋的雄狮铜像，为什么雄狮没有被雕塑成身强力壮的样子？哥大的学生讲，“因为学校希望学生像一头饥饿的狮子，对知识如饥似渴”。这和乔布斯强调的年轻人应该“保持饥饿感”是同样的道理。

在接触留学的过程中，我们难免会遇到一些问题和疑惑。哥伦比亚大学(Columbia University)，简称哥大，成立于1754年，位于纽约市曼哈顿上城晨边高地，美国常春藤盟校之一。USnews美国综合大学排名第3位，USnews全球大学排名第8位，上海软科世界大学学术排名第8位。今天就和选校帝了解一下美国哥伦比亚大学计算机硕士解析，希望对大家有所帮助。哥大工程学院全美TOP11，1、项目基本介绍开设在工程学院计算机科学系下项目时长：1.5年USnews美国研究生计算机科学专业排名第13申请截止日期：2月15日2、课程设置哥大 CS 共需完成30个学分，有10个track：Computational BiologyComputer SecurityFoundations of Computer ScienceMachine LearningNatural Language ProcessingNetwork SystemsSoftware SystemsVision, Graphics, Interaction, and RoboticsMS PersonalizedMS Thesis每个track需要修的课程会有所不同，这里就不详细叙述以上是选校帝为你整理的出国留学干货，希望对你有帮助。如果你想要了解更多资讯，欢迎关注选校帝。

作者 | Showthem@知乎（已授权）「 开始写这篇总结的时候是三月，纽约成了疫情震中，看着新闻报道里的中央公园，中国城，第五大道，往事浮现，于是开始写这篇回顾。陆陆续续一直没写完，转眼年底了，加州疫情更糟。前几天看新闻说Cathedral教堂发生枪击案，震惊...这教堂就在我当时住的学校公寓旁边，每天出门都可以看到。遂又忆起每天上学的时光，于是决定把这篇总结写完，会分几个part放出来。快圣诞了，希望疫情早日控制住，一切安好 」。刚上大学时，听过不少学长学姐分享会；申请博士时，读了不少留学申请总结。都收获很大，让当时啥也不懂的我，了解了每场游戏（如何度过一个充实的本科；如何拿到心仪的PhD offer）的principles：有啥规则，有啥技巧，等等。开始读博时候，我也去找类似的读博经历分享，令我收益良多的，如熊辉老师、田渊栋和李沐大牛的总结，林达华老师的blog；但可惜只有这寥寥几篇，读博又是一个复杂的事儿，当时的我并不能清晰地看见前面的路，遇到一些事亦因缺乏经验借鉴，走了弯路。于是当时便想着，等我毕业了，也得记下我的经历，希望能帮助到刚开始读博，像我当年一样迷茫的科研新人。也借此记录和感恩一路走来，所有帮助过我的人，best of luck。因为篇幅限制，有的问题难以讲得完善全面，或跟您意见不合，全当看小说，寻个乐子罢了。作者Mike Shou是Facebook AI研究科学家，他将于2021年加入新加坡国立大学，担任助理教授。他在哥伦比亚大学工程与应用科学学院的高级执行副院长张世富的指导下获得了博士学位，研究领域为计算机视觉和深度学习，主要关注视频理解和生成。 个人主页：http://www.columbia.e/~zs2262/1万事开头难（第一学期）1.1 初到纽约2014年夏天，在北京国际机场，我安慰我妈说，“没事，明年暑假我就回来啦”，万万没想到，一直忙忙碌碌，一去就是5年……可能是初次留学的兴奋，十几个小时的飞行，感觉很快就过了，到了JFK机场，坐上纽约特色的黄色的士。去学校路上，先是皇后区的平房，后来到了曼哈顿，深砖红色的高楼，跟想象中的国际大都市并不大一样，倒很有历史厚重感，日后想想也是，纽约也不能到处都如时代广场那般呀。接着，办入住，搞卫生，小憩了一会儿，傍晚出去门口的超市买点吃的；第一次从112街，走到Broadway上，看着熙熙攘攘的外国人面孔，很傻的竟然笑了出来…那会儿自然是极开心的，就是一个毛头小子，充满了对未来生活期待的样子（哎，回不去的青春啊）；当然了，怎么也没想到，接下来的一年，会如此艰难……1.2 差距开学后一系列事情，一下子让我清清楚楚地，看到自己跟师兄们比，各个方面有着很大的差距。且不说核心业务能力了，首当其冲自然是语言环境的变化。一天路上，一小哥对着我说：How are you？我想，这不是新概念英语上的经典对话吗，难道我真要回传说中的I’m fine, thank you, and you？从那儿之后，我知道了，how are you就相当于，吃了么您呐，并不是真的问什么，而是打招呼，跟say hi差不多，一般回good good就可以了，甚至不回，直接也回对方how are you都行。然后到了第一天来lab，正好Y来面博后，老板让他给个talk，Y希腊口音的英语，再加上讲的内容涉及一些专业术语，几十分钟我几乎完全没听懂他说什么；会后跟他一对一meet，更是尴尬的很…后来18年来FB实习，巧了Y是我mentor之一，第一天带我吃的午饭，我们交流完全无障碍了，他也不记得当年还见过我……我有个朋友总结，刚来时候，跟外国人的交流，是三分靠听，七分靠猜……现如今，即使是印度口音，只要不是说的特别差的，或者我特别不熟悉的东西，都能通畅交流了。感觉这没啥技巧，首先要敢说，然后多跟不同的人聊天练习，慢慢就好了，倒不必太过担心，徒增压力。但是如果英语不好的话，难以跟外国专家合作，融入核心科研圈子，对长远的发展耽误很大，尽量在1-2年内做好这个提升。1.3 让老板知道你在干活因为我是本科毕业直博，刚读博那会儿，思维里还是默认，导师是教育培养学生的角色，指导学生做出成绩；明白但没有深刻认识到，博士生与导师还有雇佣关系。第一个学期，我主要是跟着师兄们做，跟导师大概一个月meet一次，每周有weekly report。开学时，老板把我分给一个师兄带，参与他的项目A，是个很好的学习机会，但是发不了paper。11月，CVPR投稿的季节，另一个师兄找到我帮忙做项目B，这个项目准备投CVPR，做出来的话可以co-author。于是我那段时间都扑在做B上，终于实现了其中一个核心的模块。CVPR投稿完的那周，正好导师约meet，我想B的事情做完了，下面精力就都是做原本的A了，meet对我来说，主要目的是确定下接下来的plan呗。正好搞CVPR之前，项目A的师兄让我reproce一篇NeurIPS文章的方法，用到项目A的data上，于是，我准备的slides主要介绍那篇NeurIPS和怎么用到项目A上。结果meeting结束，导师很不高兴，觉得我这几周没有progress。记得那天导师办公室没开灯，冬天下午五点的纽约，天已经黑了，周围一片黑压压的，更显压抑。我当时挺惊讶的，因为原还以为在导师印象中，是我参与了B的CVPR投稿，很impress呢。我后来仔细反思了下，虽然这几周我对B也算是呕心沥血，weekly report里也有提，但是，一来我只是coauthor，对于B工作整体而言算不上main contributor；二来导师很忙，不能assume对方完全了解并且记得你做过的一点一滴。同时，我也明白了这个meeting的目的既是讨论research ideas，但也是review progress，我首先得让导师明白，我这段时间有在好好干活。现在的我，不会只提项目A之后我想怎么做，会同时准备一页slide总结下我对B的贡献。1.4 自己的感受没那么重要我们系第一个学期末就要博士资格考试。这个考试，各个学校称呼不同，大概就是博士生通过这个考试，才证明有能力，qualify继续读博士。我们系给大家两次机会，第一学期末第一次考，没通过的第三学期末再考一次，要是还没考过，就只能卷铺盖走人了。而且这考试还真不是走过场，每次大概挂三分之一的人，所以真真切切见到周围有人因为qualify没过走人的。我本科学的CS，博士因为fellowship是EE发的，所以在EE系。这可愁坏我了，因为考的是EE的基础topics，电路，DSP，网络啥的我大都一窍不通。于是第一个学期的课，我选了门DSP，准备好好从头学。这是硬课，再加上平常主要精力还得放在lab的项目上，第一学期压力巨大。记得有一天，晚上睡觉做了噩梦，梦到不知什么怪物，惊醒，醒来想到各种tasks各种e，顿时只想继续回到梦中，相比而言，还是怪物比较可爱……这时候，只好把自己的感受搁置一边，累、苦，想这些又有什么用呢，只能更加平添烦恼。该做什么就去做，告诉自己干就完了，结束后反而发现，过程其实也就那样，有时候我们只是过度看重了自己的感受，夸大了困难的程度，其实自己的感受没那么重要，只要身体本身还撑得住。qualify考试在1月初。12中旬，忙完了期末考试，去Chinatown吃了顿好的，回家看了部电影，然后跟导师请好假，专心复习qualify。大概有三周的复习时间，除了DSP，其他的topics完全从零开始学。后来觉得，这考试的目的，不是考的知识本身，而考的是学习能力。复习的过程是很惨了，时值圣诞节假期，朋友圈各式各样在佛罗里达坐游轮的，迪士尼看烟花的，回国火锅小烧烤的；而那年的纽约还尤其的冷，家里的暖气开到最大，还是冷的不行，我只能早出晚归的去图书馆；路面冻得白花花的，公车开过扬起白沙，从家里112街到图书馆114街只有5分钟，但却那么漫长；每天几条裤子叠着穿，有天开始一度冷到零下负十几度，我刚出门一会儿就赶紧回来，在牛仔裤外面又套了件运动裤……所幸最后考试通过了，小秘告诉我竟然考了第三，震惊，真是功夫不负有心人讷……1.5 上课没那么重要第一学期，选DSP，纯为了考qualify exam修的，跟我日后的研究，基本不搭噶。我第一学期还修了机器学习，机器学习我之前没有系统学过，学完还是受益良多。但为了达到学分要求，我博士期间，被迫修了14门课，第四年还在上课……我的感觉是，CV是实践科学，上课没那么重要，很多时候甚至是浪费时间。我觉得值得选课去学的，可能就是机器学习，算法，就够了。搞CV方向的，与其上门CV，还不如自学网上教程，亲身参与几个项目，学的更快，对书上的知识有更深刻的理解。我觉得上课最大的作用，就是去了解这门学科，有哪些基本的概念和算法（所谓把unknown unknown变成known unknown），哪天你要用到他们了，需要把known unknown变成known known的时候，知道在Google里输入啥关键词去搜。当然如果有时间，上些基础型的硬课，自然没啥；但对于博士生，时间本就紧张，就得做做平衡了，选些seminar的课比较好，一般主要就是读论文，做project。我后面陆陆续续带了很多低年级的学生，很多人学期伊始，觉得要多学些知识，选的都是硬课，学期过半，发现作业做不完，科研没时间，两头耽误，都是后悔不已…2方向比努力重要2.1 PhD选题第一学期在课业，科研，qualify考试，适应国外环境，种种碾压之下，总算过去了……虽然痛苦，但只是工作量大，努力使劲就好了……第二个学期开始，2015年于我，关键词是迷茫，努力努力但怎么也使不上劲的那种……第二学期开始，重心主要集中在research上了，跟导师的meeting也从一月一次变成了每周一次，有幸得导师亲自调教各种真正做科研的能力了。导师给我定了个新的项目，深度学习下的incremental learning。这其实是个很难的问题，现在5年后来看，都没有被很好的解决；亦没有一个标准的benchmark，也就是说，其实大家还没有定义好这个问题；记得导师那会儿说，if you can formulate this problem，这个问题就已经解决70% 了。结果忙忙碌碌几个月，研究了很多文献，做了很多实验，还是没有太大的进展，就是感觉很迷茫了，不知道下一步该干嘛。幸运的是，到5月份，导师让我跟师兄一起参加一个叫THUMOS的比赛，这其实又是个新的项目了；开始我还觉得，已经忙不过来了，哪有时间再多一个项目，后来庆幸参与了这次比赛，开始了我做video这个方向的科研生涯。那会儿video领域，大家主要做classification，而且是几秒的短视频；THUMOS是长视频，而且不光有action classification task，还要一个task是action detection，检测你所感兴趣片段的开始/结束时间。参加比赛时，我跟着师兄主要搞classification，边做边学，上手了处理视频的模型和框架，收获很大。比赛完后，我发现classification大家搞的火热，而detection，同样很重要的一个课题，却没有人研究过基于深度学习的方法，于是就有了我的第一篇CVPR文章，收到了很多follow-up。我自己也算是找到了自己的研究方向，不再迷茫。我觉得这段经历，对新手很有参考价值，很多时候光努力不够，方向更重要。新手如何选博士几年的topic，有两个问题值得思考：能不能快速上手？有几个简单的评判标准：state-of-the-art的paper有没有开源的代码？目的是你能迅速复现baseline，熟悉整体pipeline（如怎样预处理，后处理），加深对实现和细节的理解有没有对这个topic有hands-on经验的师兄，或者community里面approachable的前辈？目的是，当你遇到实现上的细节问题，可以及时咨询和得到反馈这个topic有没有比赛，或者标准的benchmark？目的是，有大家已经定义好的数据，实验setup，评价标准；这样，你有可以直接比较的baseline，outperform baseline的时候也容易被人认可能不能有大的impact？这里我指的是博士期间的大方向，由一系列单项的工作或者paper构成。单篇paper通常有三种类型：（1）First work：开创了一个topic，比如RCNN于object detection（2）Last work：基本解决了一个topic，比如Faster-RCNN，YoLo于object detection（3）Improve类型，介于First和Last之间的。Last很难，Improve常见但影响力不够深远，对于新手而言，博士的早期工作，在有能力做出来和有impact之间的trade-off比较好的，估计是First了，不一定非要是第一篇，只要是某个topic里面开创性工作的那一批之一，都是不错的。这个早期工作之后，你会对这个问题哪里要改进，有很清楚的认识，因为improvement room大，也会有很多ideas。同样，早期的时候怎么选这样一个topic呢：相关的比赛是这一两年新开的吗，相关的benchmark是这一两年出来的吗，上面的结果提升空间大吗（现在是20%还是已经80%了）？2.2 单篇Paper选题前面说的PhD选题是大方向上的，具体到每一篇paper，选择的principle和重点则不太一样。来Facebook后从马爷爷那知道了一个著名的Heilmeier问题系列，是指导老师们申项目的，我觉得稍微改改，便很适用于我们考虑，某一篇paper的选题，合不合适：What are you trying to do? Articulate your objectives using absolutely no jargon.How is it done today, and what are the limits of current practice?Who cares? [Support other’s research? Shape research landscape? Power applications in instry?]What's new in your approach and why do you think it will be successful?If you're successful, what difference will it make? [e.g. Contributions in theory/modeling? Improve accuracy by 5% on dataset A, B, C…?]What are the risks and the payoffs? [Further, how would you mitigate the risks? If your proposed method does not work, what could be alternative design? These can end up as discussions such as ablation studies in your paper.]How much will it cost? [e.g. How many GPUs do your experiments require? How long is each training process? How about data storage?]How long will it take? [How many hours are you going to work on this per week? When is the submission DDL? Can you make it?]What are the midterm and final "exams" to check for success?3谈谈PresentationPresentation分为作报告，还有就是写paper3.1 谈谈做报告14年，刚来哥大那会儿，每周五是我们组会，导师让我在组会上present RCNN，这是我第一次给老板作报告，而且是在全组面前报告，自然想要好好表现。我对object detection之前完全没了解过，于是paper读了一遍又一遍，文中用到的前人技术不懂，便找到前人的文章去学怎么回事。感觉自己学到好多，自我感动，觉得花了这么大工夫，一定到时候会让导师刮目相看。结果就是啪啪打脸：导师极其严谨，当我解释了A，解释了B，问我已经有A了为啥还要B；我大脑一片空白，尝试着解释了半天，导师表示听不懂，这是可想而知的，因为其实我自己也并没有搞清楚为啥；当时自己读paper的思维模式其实只是，memorize怎么做怎么做，但没有去搞清楚要这么做背后的原理；另外当时slides准备的也不够好。总之结果是，这次报告搞砸了。还好事后，师兄们继续跟我讨论，让我对技术原理有了更深刻的认识；有的师兄更用亲身经历安慰我，说当年他刚来的时候，第一次汇报工作连slides都没做，干讲，导师自然也是没能听懂。之后几年，从导师身上学到了很多presentation的技巧：如果可能的话，事先了解你的听众背景，是跟你做同一个topic的，还是同一个大领域但不同topic的，还是完全其他专业背景的。需要根据听众背景，定制和调整：比如，需不需要多介绍些背景？需不需要更深入技术细节？等等一页slide尽可能focus在一个点上，不要信息量过大，否则听众很容易lost尽可能多用图片表达，不要大段大段的列文字，A picture is worth a thousand words上面这两点，其实principle都是尽量让要讲的内容简单明了，因为很多时候我们在听talk，这样被动接受的时候，接受新知识的能力是比主动接受时候（比如看paper）低的。当听众问问题的时候，If you don’t know the answer, just say don’t know.如果是跟mentor日常讨论的slides，因为会讨论到很细节的东西，有些图PPT画起来，很花时间，而且通常这样细节的图还挺多，所以可以就ipad上面手画一画，截个图放到PPT里就好了；如果是正式一点的presentation，写slides跟写paper的principle有点像，不要太focus在细节上，更重要的是讲清楚motivation，为什么这样设计，细枝末节的不关键的内容，放在backup slides里面。19年CVPR，Doctoral Consortium有幸mentor是斯坦福的一位大牛教授，她也提到了presentation的重要性，说她们lab有个开玩笑的说法，一份slides交给她去改，no pixel left……为了分享如何能让报告听起来有兴趣，她画了下面这张图，让听众情感（亦是兴趣高低，注意力程度）随着时间的变化，有三个高潮：首先，介绍你的问题，通常这时候大家都会引发兴趣；但听着听着大家注意力就不集中了，这时候就到了图中第一个低谷，这时候需要指出来这个问题有哪些challenge，大家的兴趣就又被激发了；等大家兴趣来了，精力集中的时候，介绍你的一部分工作work 1；等介绍完第一个工作，大家又疲劳了，这时候指出来，即使有这个work 1，问题还不能被解决，因为有remaining challenge；接着大家又被调动了兴致，可以开始介绍work 2。3.2 谈谈写paper在2.2里面讲了对某一篇paper，如何选题和做规划。那真的到了写paper的时候，我自己有几点如何让文章写的更好的体会：先给一个Talk。写paper最难的是构思storyline，而最好的完成这一步的方法就是先对你的工作做一个slides，给周围的人present一遍。这个过程中，你会梳理好自己的思路，画好文中的figure，准备好实验结果的table，周围的人还可以给你提意见，帮助你完善，等这个talk给完了，后面写paper就会顺畅自然了。其实我现在，如果准备投一个paper，当做了一段时间后，就会按照最终presentation的思路，准备slides，用在每周给老板们report时。开头先快速review一下做的task和提出的方法，remind一下context，然后重点focus在那周做的新东西上，所以每周汇报的slides可能80%都是跟上一周一样的，然后新的方法和实验结果的那几页slides是新的，有比较多的细节。用Google doc做语法检查。刚写好的paper有typo和语法错误是很难避免的，但常常会被reviewer揪着不放。大家写paper如今大都在overleaf上，但overleaf的查错还是不够好，建议可以写完paper后，贴到Google doc里面。几年前开始，估计是由于deep learning对Google NLP的改进很大，感觉Google自动改的质量已经非常高了。Rationale很重要。不光是要讲清楚你怎么做的，更要justify你问什么这么做；不光要讲你的结果比baseline好，更要解释为什么好；读者看到的不应是一个“使用手册”。有时候我们写paper，花了很多篇幅写了很多实现细节，但是更重要的是，解释“为什么”，这个背后的逻辑和insights。大部分paper都是提出一个新的方法，这类方法型paper似乎都可以套下面这个框架：Introction：可以分为以下几个部分：Problem definitionPrevious methods and their limits简单描述你是提出了什么技术来overcome上面的limits一个图，非常high-level的解释前人工作的limits和你的工作怎么解决了这些limits，最好让人30秒内完全看懂最后一段如今大都是，In summary, this paper makes three contributions:First work to解决什么limits提出了什么novel的技术outperform了state-of-the-art多少Related Work：一般三五个subsection，分别review下相关的topics，同样不光讲previous work做了啥，更要讲自己的方法跟前人工作有啥不同Method这是文章的主体，按照你觉得最容易让别人看懂的方式来讲可以第一个subsection是overview，formulate一下你的problem给出notation，配一个整体framework的图，图里面的字体不能太大或者太小看不清，要有些细节，让人光看图就能明白你的方法是怎么回事，但不要过于复杂，让人在不超过2分钟的时间看完这张图然后几个subsection具体介绍你的方法或者模型；如果testing跟training不太一样，最后一个subsection介绍inference时候的不同，通常是一些post-processing操作ExperimentDatasetsImplementation details such as pre-processing process, training recipeEvaluation metricsComparisons with state-of-the-artDetailed analysisAlternative design choice explorationAblation studiesVisualization examplesConclusion (and Future Work)Abstract：是全文的精简版，建议在paper写完第一稿差不多成型了，有定下来的成熟的storyline了，再去写abstract；大概就是用一两句话分别概括paper里面每个section，然后串起来另外paper提交时候，可以交supplementary materials，虽然reviewer并不被要求强制看这个，但其实给我们机会，去include更多文章技术细节、实验结果的好地方；在后面rebuttal阶段，通常篇幅有限制，但如果你已经在supp里面未雨绸缪，可以省很多空间，refer reviewer去看你supp里面的内容就好了。说到rebuttal，我还是比较幸运的，从导师那学到很多。导师已经是功成名就，业界泰斗那种，起初我以为他这个级别会对我们是放养；但我在哥大投自己第一篇一作paper的时候，导师可以说是手把手带我入门了。还记得16年CVPR review出来后，导师找我讨论rebuttal，我那会儿对写rebuttal并没有什么经验，也不知道可以用R1代表review 1等等。那天meeting开始已经晚上7点了，估计导师还没吃饭，我两就挨着坐在他办公室里，对着他的电脑，讨论reviewer提的一个一个问题。因为很多时候其实reviewer表达问题并不准确，他教我分析每个问题背后reviewer真正关注的点是什么。边讨论，导师边直接敲下我们讨论的notes，meeting完后，我看这notes基本上就可以算是个rebuttal的初稿了，比我meet前准备的draft强多了……

全文共8242字，预计学习时长24分钟图源：Unsplash是什么让数据科学成为一个性感的行业？当把海量数据注入到新兴行业中，并随之而涌现的大量令人兴奋的新技术。如今，数据科学不再是纯抽象领域的代名词，而是随处可见。从大型产业到学术研究，无不体现出社会对该专业领域知识需求的增长。如：语音识别、计算机视觉中的物体识别、机器人和自动驾驶、生物信息学、神经科学、系外行星的发现和对宇宙起源的理解、以及组建廉价且成功的棒球队。数据科学从本质上看涵盖了多学科，所以对其更准确的概括应该是知识提取的过程。基本上就是指成功调试工具进行更高效的信息采集、存储、数据处理和合成。美国计算机科学家和图灵奖获得者吉姆·格雷（Jim Gray）认为，继经验主义、理论主义及计算模式的思潮过后，数据科学一跃成为“第四范式”。用格雷的话说，信息技术改变了一切。不知不觉中我们已步入第四次工业革命，数据科学连同机器学习与分布式计算一直处于前沿领域，日后的信息技术只会更加普及。图源：Unsplash话又说回来了，数据科学到底是什么？在上述例子中，数据科学家就是整个企业的核心。他/她必须将应用领域的知识与统计专业知识相结合，并用计算机代码来实现他们。身处发展如此之快的领域，那么谁又是真正值得信赖的专家？下面是一些该领域最具权威的领军人物，他们凭借自己的思想和行动致力于信息技术的普及。没有这些人，带动数字世界发展的科技巨头也就不会在人工智能或机器学习方面取得巨大成就。吴恩达（Andrew Ng，美籍华裔）人工智能研究的进步呈现出了前所未有的快，得益于更多的人加入到了研究队伍中，人数比以往任何时候都要多。我很看好这个趋势，我们需要不断招贤纳士！——吴恩达（@AndrewNg）2019年3月18日吴恩达是AI和机器学习领域最具权威的专家之一，与他人共同创建并指导了谷歌大脑（Google Brain）研究项目，曾是百度的副总裁和首席科学家，带领了人工智能研发团队。此外，吴恩达也是教育事业的先锋者，其联合创办的 Coursera课程平台深受大众喜爱。而且提起深度学习近年来的变革，人们总会把吴恩达比作催化剂。李飞飞（美籍华人）在国会山的时候，我跟议会的成员、参议员还有Stanford HAI的人聊了聊以人为本的人工智能。看到了一句非常好的话，是对人工智能的展望，“人工智能将会让人类之间的联系更加紧密”——李飞飞（@drfeifei），2019年6月12日身为斯坦福大学的计算机科学教授，李飞飞目前也是以人为本人工智能研究院的联合主任。她曾是斯坦福人工智能实验室的负责人（2013-2018），被公认为是人工智能、机器学习、计算机视觉和认知神经科学领域的引领者。李飞飞为 ImageNet虚拟数据库项目付出了很多，这也是她最大的成就之一，该数据库主要用于创建视觉识别软件。可以说深度学习变革的进展离不开她在此项目中所作的努力。Alon Halevy这句很短的话是我之前写的：搜索的难度会越来越大，因为数据因人产生同时也为人所用。感谢HaixunWang鼓励我写下这些话！——Alon Halevy（@AlonHalevy）2019年5月3日Halevy是一名以色列裔美国计算机科学家，也是数据集成领域的领先研究员。他从2005年到2015年担任谷歌的研究科学家，负责谷歌数据融合表（Google Fusion Tables），随后成为技术招聘部门的主管。他还当过华盛顿大学的计算机科学教授。Halevy是斯隆奖得主，于2000年荣获了美国“青年科学家总统奖（PECASE）”。2006年度的时候，获得了十年一度的VLDB Endowment奖。他也是Nimble技术公司（现更名为Actuate企业）和Transformic Inc公司的创始人。Halevy于1993年在斯坦福大学获得了博士学位。Ben Lorica发博：人工智能和机器学习会通过整个组织进行再训练，因此，企业有必要对员工进行全面性的训练。——Ben Lorica（@bigdata），2019年6月26日Lorica是奥莱利媒体公司（ O’ReillyMedia）的首席数据科学家，同时是年度人工智能大会以及Strata数据大会的项目负责人。他的研究方向是商业智能、数据挖掘和机器学习。Lorica在推特上十分活跃，也是一位高产的作家，其出版的书籍会定期在O’ReillyMedia的博客上发布。Bernard Marr影响我们每天生活的关键因素就是快速发展的技术产业。Statista公司发布的一份报告显示，预计全球自动化市场的营业额将在2020年超过500亿美元。——Bernard Marr（@BernardMarr），2019年7月10日Marr是个未来主义者，他的书在世界各地都非常畅销，演讲也十分受欢迎。很多政府和各大企业都会邀请他来当人工智能和数据数据科学的顾问。Marr的终极目标是让世界更好地运用数据。Chris Surdak在教条延续几个世纪以后的今天，分形传达的信息令人不可思议——所有复杂甚至既存的法则都难免留有数学的印记。机器人流程自动化（RPA）、机器加工（Machining）以及人工智能的普及一旦为人们所接受，就不再是晦涩难懂的东西了。——Chris Surdak（@CSurdak），2019年5月9日Surdak声称自己就是个“大数据”。他是一位作家，也是名火箭专家，同时还是技术策略与大数据的专家（这并不见怪）。现在的Surdak没事写写书，经营着自己的顾问公司，以前他在惠普、戴尔、花旗银行都从事过。他一直致力于研究如何最大化利用数字经济的潜力。DJ Patil数据科学是团队活动。——DJ Patil（@dpatil），2019年6月15日2015年至2017年，DJ Patil是美国首席数学家。2008年他与脸书早期的数学科学负责人Jeff Hammerbacher共同命名了“数据科学家”一词的现代版本，这在当时也引起不少关注。目前Patil在Devoted Health公司担任技术总监，之前是RelateIQ（被Salesforce收购）的产品副总裁、Color Labs的首席产品官以及LinkedIn的数据产品负责人和首席科学家。担任国家第一任首席数据科学家期间，他还成立了新的医疗项目，有精准医学计划、“癌症Moonshot”倡议；此外也进行了新一轮的刑事司法改革，通过了数据驱动司法和警察数据提议。帕蒂尔在2016年荣获国防部杰出公共服务奖章。Doug Cutting之前在红木城福克斯剧院参加过两场活动，真的觉得今天这场庆祝Cloudera和 Hortonworks两公司的合并更有意思，是有在向观众传达信息的，而且放了“桶头”的摇滚乐。——Doug Cutting（@cutting）2019年1月10日Doug Cutting创立了搜索索引器 Adobe Lucene和网络爬虫（或蜘蛛）Nutch，二者是通用开源软件平台必不可少的组件，不仅如此，还将通用开源软件（如Linux 和MySQL）的性能提升到了垂直搜索层面。Cutting毕业于斯坦福大学，在施乐帕罗奥多研究中心（Xerox PARC）从事Scatter/Gather算法和计算风格方面的研究工作。他曾是搜索引擎Excite的一位首席设计师，是Apple’s V-Twin 文本搜索框架的主要构思者，之后创建了 Lucene。Dean Abbott毋庸置疑，科学和艺术对高效的机器学习来说缺一不可，因为数学就是文字。机器学习哪有什么常识啊，所有的“知识”都是输进去的数据！——Dean Abbott特（@DeanAbbott），2019年6月7日Abbott是SmarterHQ的联合创始人，这是一家专注于研发个性化人工智能的公司，他在里面也担任着首席数据科学家的角色。Abbott写了很多有关数据科学的书，比如《应用预测分析——专业数据分析师需了解的原则和技巧》（Applied Predictive Analytics: Principles and Techniques for the ProfessionalData Analyst）感兴趣的话可以看看他的博客，上面还有更多个人成就。Hadley Wickhama <- factor(c("character","in", "the", "streets"))b <- factor(c("integer","in", "the", 'sheets'))c(a, b)#> [1] 1 2 4 3 2 1 4 3#rstats——Hadley Wickham（@hadleywickham）2019年7月9日大家可能不知道这个，但其实Wickham的成就随处可见。统计语言中经常会用到他创建的许多包（package），全世界下载量最多的三个R包都是他的。简言之，他就是R方面的专家，而且写的书也跟这方面有关，如《数据科学中的R》（Rfor Data Science）。平日里若不是研发统计模型，那Wickham一定是在出席各个大数据会议，宣传自己的想法。图源：UnsplashHilary Mason肯定有很多人不认同，但我依然喜欢发邮件，我觉得它对维持人与人间的关系有着不可小觑的作用，因为它真的有在提高人们沟通的效率。不过我说的也不一定对。——Hilary Mason（@hmason），2019年6月11日Mason是数据产业领域的领军人物之一，跟许多组织开展合作，将数据科学更好地融入到传统经济领域中。之前她是Bit.ly.公司的首席科学家，最近忙于自己人工智能企业（Fast Forward实验室）的建立。Mason还有一个角色，就是HackNY的联合创办人，该组织专注于培养未来的计算机科学家和计算机工程师。Ilya Sutskever机器学习非常神奇，核心概念并不多，没有过分地违反常理，并且在正确的引领下，该领域前沿的大致方向也是正确的！——Ilya Sutskever（@Ilya Sutskever）2019年5月17日Sutskever目前是OpenAI的首席科学家，该人工智能初创公司由伊隆·马斯克成立。Sutskever研究的是人工智能的风险计算以及如何应对。在整个职业生涯中，他为深度学习做出了巨大贡献。同时，他也是AlexNet神经网络的联合发明者。在多伦多大学获得了计算机科学博士学位。2015年，Sutskever荣登《麻省理工科技评论》35 Innovators Under 35。Jake Porway今天要讲数据科学建立的操作和服务于SXSW社会影响力的人工智能，我非常激动。加入330对话吧！——Jake Porway（@jakeporway）2019年3月8日Porway是DataKing的创始人兼高级总监，这是一支由代码人和统计学家组成的跨学科队伍，他们的共同目标就是普及人工智能和数据科学。Porway最近在纽约时报的搜索和研发实验室担任数据科学家。曾获得了哥伦比亚大学的计算机本科学位和加州大学洛杉矶分校的统计学硕士和博士学位。John Myles White统计实在是太难了，但那些不相信它的人（比如心理学家）很有可能传递错误的信息。事实证明的确如此，而且这个问题一直存在。——John Myles White（@johnmyleswhite)，2019年6月30日John Myles White目前是脸书的数据科学家，平日也会通过Julia编程语言的搞一些开发。他专攻的对象是机器学习和统计（尤其是R）。除去全职开发员的身份，怀特也写各种各样的书，比如“黑客看的机器学习”、用于网页优化的Bandit 算法。Kira Radinsky我为自己的学生感到非常骄傲，他们写出了一个自动化公式1！可以在以色列的高速公路上开！——Kira Radinsky（@KiraRadinsky），2018年10月19日Radinsky是eBay的数据科学总监，也是eBay以色列分部的首席科学家。她曾是SalesPredict公司的首席技术官，该公司后来被eBay收购。Radinsky把所有的热情都投在了预测数据挖掘上。她是数据科学界燃起的一颗新星，登上过福布斯30Under30榜单。Kenneth Cukier人工智能取得的成就当然有其他令人振奋人心的实例，只不过是通过间接或二阶效应体现。在医疗诊断上，人工智能的应用或许只适用于人类——但却降低了辐射的应用，对病人的安全保障和就医环境来说是一次巨大的进步。——Kenneth Cukier（@kncukier），2019年6月20日Cukier是经济学人的数据专家，同时也是一位高产的作家，出版的《大数据：一场能够改变我们生活、工作和思考的变革》（Big Data: A Revolution That WillTransform How We Live, Work, and Think）。他的时间大部分都用在了讨论人工智能和大数据的未来上。Cukier在TED（这是他参加的为数不多的公开讲话）上说过这样一句话“大数据是更好的数据”。Kirk Borne沉浸式创新的下一代前沿领域——VR和AR将结合数据科学、人工智能、创造性能、机器学习以及设计和设计思维为训练和计划提供稳定的环境。——Kirk Borne（@KirkDBorne）2019年7月10日Borne是一名数据科学家，被誉为当今世上最具影响力的人物之一。他研究人工智能和大数据，因此又被IPFC喻为数据科学领域的“排行第一的数字影响者”。你不仅能在世界各地的会议上看到他的演讲，这个人在天文方面也能侃侃而谈。之前他在NASA的哈勃太空望远镜数据团队工作过一段时间。Marck Vaisman能在下周纽约市举办的DominoRev峰会上讲话，我很激动！到时候会分享我从商从政以及学术方面的有关数据科学的经验，也希望从更多在场的优秀数据科学领导者身上学到更多的东西。——Marck Vaisman（@wahalulu），2019年5月14日Vaisman是乔治敦大学和乔治华盛顿大学的兼职教授，给研究生教授大数据的课程，也是微软公司的技术解决专员。因为是做数据科学的，他会帮助顾客操作Azure云端，云端也将运用于数据科学、高级分析和人工智能的处理。Vaisman是R的编程者和倡导者，在2010年启动了统计编程哥伦比亚地区项目，同时也是数据社区哥伦比亚地区的联合创始人，组织的成立推动了该地区数据科学和分析的发展。Monica Rogati我并不觉得数据科学家一抓一大把，但我相信想成为数据科学家但不切实际的人有很多。“我是个打篮球的，但不想做枯燥的训练，只想扣篮，像电视上一样。NBA我来了！”——Monica Rogati（@mrogati）2019年2月14日Rogati是Data Collective (DCVC)的股权合伙人，也是CrowdFlower的科学顾问。2013年至2015年间，她是Jawbone的数据副总裁。曾经也是LinkedIn的高级数据科学家，在这里用五年的时间创建了最初的工作匹配系统，也为LinkedIn建立了首个机器学习模型——“可能认识的人”推荐功能。2014年，Rogati被《财富》（Fortune）评为“大数据全明星”，同年，Fast Company授予她“百位最具创造力商业人物之一”的荣誉称号。她获得了卡内基梅隆大学的计算机科学博士学位。Lukas Biewald深度学习班上有位同学（@thegautam）借助GPT-2模型生成网站域名，效果太棒了。——Lukas Biewald（@l2k），2019年6月24日Biewald是Weights&Biases公司的创始人，该公司主要创建适合机器学习的开发工具。早在2007年，他是FigureEight Inc.互联网公司的联合创办者，该公司当时是收集用于机器学习的训练数据。在那之前，Biewald曾是Powerset的高级科学家和经理，Powerset是一家自然语言搜集技术公司，随后被微软收购。自2005年至2006年间，他带领Yahoo! JAPAN的搜索团队，专注于研发统计机器学习，提高国际市场的网页搜索功能排名。Biewald拥有斯坦福大学的数学本科学位和计算机科学硕士学位，在2010年因创建GiveWorkiPhone应用程序荣获Netexplorateur奖，该程序让用户只需通过简单的操作就能足不出户地帮助难民和发展中国家的人。Inc.杂志上说的30位30岁以下的商业精英就有他的名字。Nando de Freitas剑桥大学的研究员研发了一款可以识别、筛选生菜的机器人，并且不会破坏生菜。——Nando de Freitas（@NandoDF），2019年7月8日Freitas是英国一家人工智能公司DeepMind的首席科学家，该公司是创建神经网络的，在2004年被谷歌收购。目前他是牛津大学计算机科学系的教授，研究机器学习领域中的神经网络、贝叶斯推断（Bayesian inference）和深度学习，凭借机器学习方面的工作他还获得过多项奖项。Peter Skomoroch很多合法的初创企业都会因为社会中的各种声音迷失了方向。我们是不是需要给人工智能初创企业来几场顾客报告？通过一些基础操作或者瞥一眼某位机器学习资深人士的融资演讲稿，可以了解很多商业案例的。——Peter Skomoroch（@peteskomoroch），2019年6月25日Skomoroch是LinkedIn的首席研究科学家，提供了“技能”及其他一些数据驱动的服务。他建立了数据整理（Data Wrangling），进行数据挖掘，提供预测分析咨询服务。在加入LinkedIn之前，他曾担任过Juice Analytics的高级分析总监、AOL Search的高级研究工程师，也是麻省理工学院Lincoln 实验室的研究人员。Skomoroch获得了布兰戴斯大学的数学物理学士学位。Sebastian Thrun谷歌眼镜的问世、Focalsbynorth智能眼镜的发布（我惊了！），当然还有我在Magicleap公司的第一周都非常棒，这个公司果然名不虚传。Focals可能是最赞的AR体验了，我迫不及待想看更多的Leap应用程序！——SebastianThrun (@SebastianThrun)2019年4月24日Thrun创立了Google X，自此在数据科学领域一举成名。该项目旨在研究未来技术和潜在领域。Magicleap之所以能够相继推出自动驾驶汽车、谷歌眼镜等就是拜GoogleX所赐。目前Thrun在斯坦福大学做研究，他也是Udacity的创始人。Wes McKinney蚁群算法（Ant colonies）跟C++构建系统有许多共同点。——Wes McKinney（@wesmckinn），2019年3月15日McKinney是Pandas数据库的创始人，致力于开发Python编码语言。他著的书不仅跟数据库有关，还拓展了很多Python领域的知识，经常是全球大大小小数据会议的重要人物。貌似只有数据专家才能关注他的推特，不过他的见解十分重要。Yann LeCun（法裔美国计算机科学家）常识植根于语言一直是一个误解。恕我直言，常识来源于你对世界的认知，相比语言它跟直观物理（IntuitivePhysics）有着更多千丝万缕的联系。不过这个世界少不了人与人的沟通，语言也就成为了其中的一部分。——Yann LeCun（@ylecun）2019年7月9日图源：Unsplash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

来源 ：新智元谷歌2019博士生奖研金项目新科入选名单公布：全球55人入选，其中华人/中国学生13人。谷歌的博士生奖研金项目（Google Ph.D Fellowship Program）创立于2009 年，以奖励在计算机学科及其相关学科或者其它前瞻科研领域方面表现优异的博士生。该项目为攻读计算机科学（或相关领域）研究生学位的学生提供了一个独特的机会，资助其自由探索影响未来的科技。创立10年来，Google Ph.D Fellowship已经资助来自澳大利亚、中国和东亚、印度、北美、欧洲、中东和非洲的近400名学生。每年，谷歌PhD Fellows会被邀请参加全球 PhD Fellowship Summit，在那里他们可以接触到谷歌正在进行的最先进的研究，并有机会与谷歌的研究员以及来自世界各地的其他博士研究生交流。Fellows们有机会展示海报，与谷歌的研究员讨论他们的工作，并从各自领域的大牛那里直接获得反馈。小组讨论由2位来自Google和2位来自学术界的校友组成，同时提供来自学术界和工业界的观点。今天，谷歌在官方博客宣布了新科Ph.D Fellowship入选者。一共55人入选，其中，中国人/华人学生13人，分别比去年少2人。入选领域：算法，优化和市场Peilin Zhong, Columbia University哥伦比亚大学计算机科学专业4年级博士，导师为 Alex Andoni, Cliff Stein, and Mihalis Yannakakis，研究方向理论计算机科学，主要是在算法的设计和分析。本科在清华大学姚班学习，发表顶会（包括NeurIPS、ICML、ICALP、SODA等）论文14篇，今年一年发表6篇！哈佛大学计算机科学专业3年级博士，导师为David C. Parkes博士，研究方向机制设计，机器学习和算法。本科在上海交通致远学院，发表论文9篇.入选领域：人机交互Hua Hua, Australian National UniversityANU博士在读。研究方向是知识表征与推理。入选领域：机器学习Diana Cai, Princeton University普林斯顿大学计算机科学博士生，研究贝叶斯统计和机器学习方面的问题。特别感兴趣的是开发用于概率建模和推理的强大且可扩展的方法。目前在机器学习女性董事会任职。研究得到了谷歌博士学位机器学习奖学金。入选领域：机器感知，语音技术和计算机视觉Chenxi Liu, Johns Hopkins University约翰斯·霍普金斯大学博士师从Alan Yuille，在加州大学洛杉矶分校和B.E. 在清华大学获得硕士学位。还曾在芝加哥的谷歌，Adobe，丰田技术学院，多伦多大学和莱斯大学度过时光。研究方向计算机视觉和自然语言处理。德克萨斯大学奥斯汀分校计算机科学系5年级博士。师从Kristen Grauman教授。 研究兴趣是计算机视觉，机器学习和数据挖掘。 2015年获得香港中文大学（CUHK）信息工程系颁发的一等荣誉学位。在香港中文大学，在Wing Cheong Lau教授的监督下，通过图形抽样进行了大型图形挖掘的研究。加州大学圣地亚哥分校CSE部门的二年级博士生。师从Ravi Ramamoorthi教授。 本科清华大学姚班。研究兴趣包括计算机图形学和计算摄影，特别关注真实的外观建模，捕捉和操作。悉尼科技大学（UTS）ReLER实验室的三年级博士候选人。师从 Yi Yang教授。2016年毕业于北京航空航天大学计算机科学与技术学院。香港中文大学MMLab二年级博士。师从Xiaogang Wang。研究兴趣包括：Auto ML，大规模（> 1M类）分类和神经网络理解的优化问题。是CVPR，ICCV，AAAI，IJCAI，T-PAMI，IJCV，TCSVT，PRCV的评审。入选领域：NLPHao Peng, University of Washington华盛顿大学保罗G.艾伦计算机科学与工程学院三年级博士学，师从Noah Smith研究兴趣包括自然语言处理和机器学习。本科北京大学，曾在Google AI，Microsoft Research Asia和爱丁堡大学实习。入选领域：NLPYuan Su, University of Maryland at College Park马里兰大学帕克分校计算机科学专业三年级博士生。师从Andrew Childs。入选领域：结构化数据和数据库管理Zhuoyue Zhao, University of Utah犹他大学计算机学院四年级的博士生。师从Feifei Li教授（注：这位教授是一位男性）。本科上海交通大学ACM班。研究兴趣是大规模数据管理系统;，特别是近似查询处理和查询优化、OLTP和OLAP引擎以及流处理。2019 年谷歌博士生奖研金完整名单算法，优化和市场Aidasadat Mousavifar, EPFL Ecole Polytechnique Fédérale de LausannePeilin Zhong, Columbia UniversitySiddharth Bhandari, Tata Institute of Fundamental ResearchSoheil Behnezhad, University of Maryland at College ParkZhe Feng, Harvard University计算神经科学Caroline Haimerl, New York UniversityMai Gamal, Nile University人机交互Catalin Voss, Stanford UniversityHua Hua, Australian National UniversityZhanna Sarsenbayeva, University of Melbourne机器学习Ablsalam Ometere Latifat, African University of Science and Technology AbujaAdji Bousso Dieng, Columbia UniversityBlake Woodworth, Toyota Technological Institute at ChicagoDiana Cai, Princeton UniversityFrancesco Locatello, ETH ZurichIhsane Gryech, International University Of Rabat, MoroccoJaemin Yoo, Seoul National UniversityMaruan Al-Shedivat, Carnegie Mellon UniversityOusseynou Mbaye, Alioune Diop University of BambeyRedani Mbuvha, University of JohannesburgShibani Santurkar, Massachusetts Institute of TechnologyTakashi Ishida, University of Tokyo机器感知，语音技术和计算机视觉Anshul Mittal, IIT DelhiChenxi Liu, Johns Hopkins UniversityKayode Kolawole Olaleye, Stellenbosch UniversityRuohan Gao, The University of Texas at AustinTiancheng Sun, University of California San DiegoXuanyi Dong, University of Technology SydneyYu Liu, Chinese University of Hong KongZhi Tian, University of Adelaide移动计算Naoki Kimura, University of Tokyo自然语言处理Abigail See, Stanford UniversityAnanya Sai B, IIT MadrasByeongchang Kim, Seoul National UniversityDaniel Patrick Fried, UC BerkeleyHao Peng, University of WashingtonReinald Kim Amplayo, University of EdinburghSungjoon Park, Korea Advanced Institute of Science and Technology隐私与安全Ajith Suresh, Indian Institute of ScienceItsaka Rakotonirina, Inria NancyMilad Nasr, University of Massachusetts AmherstSarah Ann Scheffler, Boston University编程技术与软件工程Caroline Lemieux, UC BerkeleyConrad Watt, University of CambridgeUmang Mathur, University of Illinois at Urbana-Champaign量子计算Amy Greene, Massachusetts Institute of TechnologyLeonard Wossnig, University College LondonYuan Su, University of Maryland at College Park结构化数据和数据库管理Amir Gilad, Tel Aviv UniversityNofar Carmeli, TechnionZhuoyue Zhao, University of Utah系统和网络Chinmay Kulkarni, University of UtahNicolai Oswald, University of EdinburghSaksham Agarwal, Cornell University如果您喜欢此类文章，我们请关注或使用评论功能↓↓声明：转载此文是出于公益传递更多信息之目的。若有来源标注错误或侵犯了您的合法权益，请作者持权属证明与本网联系，我们将及时更正、删除，谢谢。

计算机是当前先进技术的代表，美国教育水平高，技术发达，计算机专业自然是美国大学的超强专业，因此申请美国留学读计算机专业的学生也非常之多，那么美国大学计算机专业的排名又是咋么样呢?本文智课选校帝小编为大家带来美国计算机科学排名top50：各大院校难分伯仲!　排名 大学1 Stanford University 斯坦福大学1 Massachusetts Institute of Technology 麻省理工学院1 Carnegie Mellon University 卡内基梅隆大学1 University of California—Berkeley 加利福尼亚大学伯克利5 University of Illinois—Urbana-Champaign 伊利诺伊大学厄本那-香槟分校6 Cornell University 康奈尔大学6 University of Washington 华盛顿大学6 University of Michigan—Ann Arbor 密歇根大学安娜堡7 Georgia Institute of Technology 乔治亚理工学院8 Princeton University 普林斯顿大学8 Cornell University 康奈尔大学9 Georgia Institute of Technology 乔治亚理工学院9 Pure University—West Lafayette 普渡大学西拉斐特9 University of Texas—Austin 德克萨斯大学奥斯汀11 Princeton University 普林斯顿大学11 University of California—San Diego (Jacobs) 加利福尼亚大学圣迭戈(雅可布)11 California Institute of Technology 加州理工大学11 University of Wisconsin—Madison 威斯康星大学-麦迪逊13 University of Southern California (Viterbi) 南加州大学(维特比)13 University of California—Los Angeles 加利福尼亚大学洛杉矶13 University of Michigan—Ann Arbor 密歇根大学安娜堡15 Columbia University 哥伦比亚大学15 University of Maryland—College Park (Clark) 马里兰大学学院公园(克拉克)15 University of Washington 华盛顿大学15 University of California—San Diego 加利福尼亚大学圣迭戈15 University of Maryland—College Park 马里兰大学学院公园17 Columbia University (Fu Foundation) 哥伦比亚大学(福基金会)18 Harvard University 哈佛大学18 Ohio State University 俄亥俄州立大学18 Rice University (Brown) 莱斯大学(Brown)18 University of California—Santa Barbara 加利福尼亚大学圣塔巴巴拉19 University of Pennsylvania 宾夕法尼亚大学20 Brown University 布朗大学20 Rice University 莱斯大学20 Yale University 耶鲁大学20 University of Southern California 南加州大学21 Johns Hopkins University (Whiting) 约翰霍普金斯大学(鳕鱼)21 Northwestern University (McCormick) 西北大学(约翰·麦考密克)21 Pennsylvania State University—University Park 宾夕法尼亚州立大学大学公园21 University of Minnesota—Twin Cities 明尼苏达大学双城21 University of Pennsylvania 宾夕法尼亚大学25 Duke University 杜克大学25 University of Massachusetts—Amherst 麻州大学阿默斯特25 University of North Carolina—Chapel Hill 北卡罗来那大学教堂山27 Duke University (Pratt) 杜克大学(Pratt)27 Harvard University 哈佛大学27 North Carolina State University 北卡罗来纳州立大学27 Virginia Tech 弗吉尼亚理工大学28 Johns Hopkins University 约翰霍普金斯大学29 University of California—Irvine 加利福尼亚大学欧文29 University of Virginia 弗吉尼亚大学29 Pennsylvania State University—University Park 宾夕法尼亚州立大学大学公园29 University of Minnesota—Twin Cities 明尼苏达大学双城31 Brown University 布朗大学31 Rutgers， the State University of New Jersey 的罗格斯大学，新泽西州立大学31 University of California—Irvine (Samueli) 加利福尼亚大学欧文分校(山麦利)31 University of Florida 佛罗里达大学34 Northwestern University 西北大学34 Ohio State University 俄亥俄州立大学34 University of California—Davis 加利福尼亚大学戴维斯34 University of Chicago 芝加哥大学34 Rutgers， the State University of New Jersey 的罗格斯大学，新泽西州立大学34 University of California—Santa Barbara 加利福尼亚大学圣塔巴巴拉35 Iowa State University 爱荷华州立大学35 Rensselaer Polytechnic Institute 伦斯勒理工学院35 University of California—Davis 加利福尼亚大学戴维斯35 Yale University 耶鲁大学39 University of Arizona 亚利桑那大学39 University of Colorado—Boulder 科罗拉多大学博尔德39 University of Virginia 弗吉尼亚大学40 Dartmouth College 达特茅斯学院40 Stony Brook University—SUNY -纽约州立大学石溪大学40 University of Arizona 亚利桑那大学40 University of Colorado—Boulder 科罗拉多大学博尔德40 University of Utah 犹他大学40 Virginia Tech 弗吉尼亚理工大学40 Texas A 德克萨斯40 Washington University in St. Louis 华盛顿大学-圣路易斯42 Boston University 波士顿大学42 University of Massachusetts—Amherst 麻州大学阿默斯特44 Dartmouth College (Thayer) 达特茅斯学院(塞耶)44 Michigan State University 密歇根州立大学44 Northeastern University 东北大学44 University of Notre Dame 圣母大学44 Washington University in St. Louis 华盛顿大学-圣路易斯48 Arizona State University 亚利桑那州国家大学48 Boston University 波士顿大学48 North Carolina State University 北卡罗来纳州立大学48 University of Florida 佛罗里达大学49 New York University 纽约大学49 University of California—Riverside (Bourns) 加利福尼亚大学河畔(境界)49 University of Iowa 爱荷华大学49 University of Utah 犹他大学以上是小编为大家带来的“美国计算机科学排名top50：各大院校难分伯仲!”的相关内容，希望对大家有帮助。更多美国留学资讯欢迎随时登录智课选校帝平台。

刚毕业参加工作，就拿到年薪201万元！今年夏天，华为“天才少年”项目，引发了全网关注。华为招募的“天才少年”，工资都是按年度工资制度发放的，共有三档，最高年薪达201万元。目前，全球仅四人拿到华为“天才少年”最高一档年薪，分别是：钟钊（本科毕业于华中科技大学软件工程专业，博士毕业于中国科学院大学模式识别与智能系统）； 秦通（本科毕业于浙江大学控制科学与工程，博士毕业于香港科技大学机器人方向）； 左鹏飞（本科和博士毕业于华中科技大学计算机专业）； 张霁（博士毕业于华中科技大学计算机专业）。这四名天才少年的学习背景无一例外都是目前最火热的AI、计算机和数据方向，有着计算机背景。这也再次证明了为何如今这么多学生对计算机专业而如今去美国留学最热门的专业是什么呢？答案也是CS（计算机科学），没有之一。作为美国目前薪资最高、就业最广的专业，CS显然是大家走向人生巅峰的最佳选择。根据统计数据，美国软件工程师的平均年收入是8.9万美元。高级软件工程师的年收入在9.8万美元以上。CS专业，即Computer Science，计算机科学专业。因研究领域极其广阔，我们将其下属分支总结为14个主要方向：系统与网络（System and Network）人工智能与机器人（Artificia Inteigence and Robotics）计算机隐私与安全（Privacy and Security）编程语言（Programming Anguage）数据库（Database）计算机图形学（Computer Graphics）生物信息学与计算生物学（Bioinformatics and Computationa Bioogy），算法（Agorithm）计算机理论（Computer Theory）科学计算（Scientific Computing）软件工程（Software Engineering）计算机视觉（Computer Vision）计算机体系结构（Computer Architecture）人机交互（Human Computer Interaction）近几年，众多美国大学也看到了市场对计算机人才的需求，纷纷开始加大相关投入：西北大学报名计算机入门课程的学生从40多人次增长到400多人，大学还计划在未来5年将相关教师人数增加20名；在华盛顿大学，最近微软、亚马逊、Zillow和其他公司共同捐赠并资助建立了一个9000万美元的计算机科学和工程大楼；作为计算机科学专业排名最高的大学之一，UC Berkeley电气工程和计算机科学的本科人数已经从1133名增长至2546名，据统计光是计算机科学专业学生人数从2011年到2015年就增长了95%。那么问题来了：CS专业哪家强？我们来看美国的“蓝翔”！第一阶梯：超级名校1卡内基梅隆大学科研实力CMU是全美乃至全世界最大的计算机学院。对于一般的美国院校来说，计算机科学只是设置为一个系，即Department of Computer Science，然而，CMU对CS的建设非常有诚意，直接就开设成为了一个院School of ComputerScience。研究方向相当全面，研究水平也相当高，你能想到的计算机方面的研究、分支它基本都有，而且还有许多你闻所未闻、十分前沿的研究方向。CMU的计算机科学学院，最新的设置是下面设有八个系，分别为：1. 计算机科学部门（Computer Science Department）2. 人机交互研究所（Human-Computer Interaction Institute）3. 娱乐科技部门 （Entertainment Technology Center）由计算机科学学院和艺术学院共同组建4. 计算生物学部门（Computational Biology）由计算机学院和梅隆科学院合办5. 软件研究所（Institute for Software Research）Master of Software Engineering就开设在其中，还有Information Technology等等6. 语言技术研究所（Language Technologies Institute, LTI）7. 机器人研究所（The Robotics Institute）8. 机器学习部门（Machine Leaning）研究领域及出路：基于研究人员的庞大，本校涵盖了计算机科学的所有研究方向，不单细致地做每一个研究方向，并且将这些研究方向的应用也有较为深入的研究。在所有这些方向里，尤其是软件工程方向，CMU的软件工程专业被喻为皇冠上的明珠，所以这个方向也是史上最难申请！地理位置CMU现在有两个校区，主校区位于宾州的匹兹堡，还有一个校区比较新，是2002年在硅谷开设的一个新校区，简称CMU-SV。主校区地理位置没有什么特别的亮点，反正就在东北部，硅谷的地理位置就比较得天独厚了，所有的顶级公司应有尽有，苹果，谷歌，Facebook，都在附近几千米的距离，要找实习、找工作，确实是太便利了，简直可以说是就在家门口。2麻省理工学院教研实力MIT的CS专业就是以跨学科研究所著名。因此要求到这个学校进行深造的学生不但要计算机学科有一些建树和研究，并且能快速的学习和运用其他领域的知识和成果，并结合CS本专业进行创新研究。MIT的ElectricalEngineering&Computer Science（EECS）是多数该领域人士梦寐以求的地方，EECS院系是MIT的工程学院里最大的院系，拥有大概700多名博士学生。它下面设有四个学位：Master of Science为博士学位之必须阶段，但是学校并不提供最终学位为硕士的学位；Master of Engineering仅仅EE，CS自己的本科生可以申请；Electrical Engineer and Engineer in Computer Science；Doctor of Philosophy and Doctor of Science。3斯坦福大学教研实力斯坦福大学的计算机科学专业属于全美TOP 3，在计算机理论、硬件、软件、数据库和人工智能等各个领域都居于美国乃至世界领先地位。地理位置由于该校地处硅谷，所以历来被认为是最注重理论联系实际的典范，也由于其地理位置和其优秀的学术背景，每年CS院系申请竞争相当激烈。4加州大学伯克利分校教研实力Berkeley的Electrical Engineeringand Computer Science（EECS）拥有一长串的荣誉奖项，在EECS学术界有着非常强的影响力，我们不在此一一列举。该院系有500名硕士研究生和博士研究生，其研究方向有19个分支：人工智能、生物系统和计算机生物学、通信与网络、计算机结构和工程、控制、智能系统和机器人、数据库管理系统、电子系统设计、教育、能源、计算机图形、人机交互、集成电路、微型电子机械系统、操作系统和网络、物理电子学、编程系统、科学计算、安全、信号处理、理论。地理位置靠近硅谷的地理位置不用说，无论是实习还是就业都有着得天独厚的优势。5伊利诺伊大学香槟分校教研实力Illinois的CS既培养研究性人才，又培养进入Instry的人才，其CS方向包括如下几个：算法和理论、人工智能、结构、并行信息处理技术和系统、生物信息学和计算机生物学、数据库和信息系统、计算机图形、视觉和人机交互、系统和网络、编程语言、形式系统和软件工程、科学计算。地理位置虽说UIUC身居玉米地的地理位置不占先天优势，不过从UIUC计算机科学专业毕业的学生在就业市场上依然表现不俗。据领英网站给出的数据，2015年CS专业毕业的学生有283人进入谷歌、226人进入微软工作，另外进入IBM、亚马逊、雅虎、甲骨文、Facebook、苹果等科技巨头公司的人也不在少数。6宾夕法尼亚大学教研实力宾大的CS是和信息科学并在一起的Computer and Information Science。纵观计算机科学和技术的发展，宾大的CS起到了里程碑的作用，因为世界上第一步现代电子计算机“艾尼阿克”（ENIAC）诞生于1946年2月14日的宾大。该系主要的研究内容包括：人工智能、算法、信息管理、软件原理、系统以及计算机理论，其中阵容强大的主要是人工智能、信息管理和软件原理三个方向。地理位置宾大在宾州的费城——美国第六大城以及宾夕法尼亚州人口最多和面积最大的城市，费城有着较为发达的高科技产业和金融服务业，有自己的证券交易所。诸如网络与有线电视公司Comcast、保险公司CIGNA、林肯金融集团等这些实力雄厚的公司也位于这里，这对于CS毕业生提供了很大规模的人才需求。因此，费城对于宾大的CS毕业生来说就业的机会也是比较多的。7哥伦比亚大学教研实力哥大的CS系成立于1979年，研究的领域涵盖了CS领域的各个研究方向，包括：计算生物学、计算机工程、算法和用户界面、机器学习、网络、自然语言处理和语言、安全与隐私、软件系统、计算机理论、视觉与机器人等等。共开设有25个研究小组和实验室。其中，实力较强的专业方向包括机器学习、安全与隐私、软件系统以及计算机理论。地理位置哥大位于纽约曼哈顿，它的声誉以及地置赋予了毕业生的多样的就业去向，包括学术界、工业界；此外，该校有很多工科毕业生包括CS专业的毕业生经常会在该校转读金融类课程以后涉足纽约金融业，有很多选择。纽约作为世界最大经济中心、金融中心、传媒中心，对于CS人才有很大的需求。金融行业对于软件工程师、IT分析师、数据管理员、信息安全专家等人员需求非常大，而传媒行业对于计算机网络、互联网管理员、网络维护专家等人才也有非常大的需求。除了NYC，纽约州能够提供给CS学生就业机会的地方还有：拥有发达的计算机和电子工业宾厄姆顿、银行业发达的布法罗等城市。另外，纽约距离费城只需要不超过2小时的车程。费城对于CS毕业生来说就业的机会也是比较多的。8加州大学圣地亚哥分校教研实力UCSD的CSE近年发展迅猛，拥有一流的研究中心和设备，招募了好几个学术大牛，学术氛围很好。System是UCSD的强项。UCSD的研究方向包括：Algorithms andComplexityArtificial Intelligence, Bioinformatics, Computer-Aided Design,Computer Vision, Data and Knowledge Base Systems, Embedded Systems, Graphics,Meaning and Computation, Network Security and Cryptography, Parallel andHigh-Performance Computation, Processor Architecture and Compilation, SoftwareEngineering, Systems and Networking。地理位置UCSD校园位于La Jolla， San Diego北边的一个下属行政区， 离San Diego市中心还比较远。San Diego确实是一个气候宜人、景色优美的地方。由于靠海，维度又比较靠南，所以冬天不会太冷、夏天不会太热，有加州的充足的阳光，又比北加州气候温和，所以San Diego当地的人都叫这座城市The Finest City。由于学校实力强劲，又地处加州，实习工作都方便找。很多知名大公司也会来UCSD这里招实习、工作，只要你有能力有本事，找工作并不是难事。9纽约大学教研实力CS的特色在于与别系（尤其是数学系）合作非常紧密，CS学生跨学科学习和合作的机会较多，如化学，物理，生物，神经科学，艺术和商学院等。研究内容包括算法与理论，密码学，计算生物学，计算机图形图像与用户界面，形式化方法，机器学习与知识呈现，自然语言与语音处理，网络、操作与分布系统，科学计算。地理位置可参考哥大的地理位置优势10康奈尔大学教研实力CS是Faculty of Computingand Information Science（CIS）里的一个系，Cornell的计算机系历史悠久，其专业实力位居美国TOP 5。主要包括11个研究领域：人工智能、机器人、计算生物学、科学计算、计算机架构与超大规模集成电路、网络安全、数据库系统、系统与网络、计算机图形、计算机理论和程序设计语言。人工智能：这是Cornell的CS里最有实力的研究。从1990年开始，在世界的AI研究领域中始终处理领导者的地位，拥有多个研究小组。计算机理论：Cornell最传统、深入的研究领域之一，研究涉及了全部的计算机理论，旨在发展现代计算复杂性理论,有效的基础图算法,并使用应用逻辑与正式验证构建可靠系统。11密歇根大学安娜堡教研实力实验室比较好进，找老师也比较容易。想拿MS当跳板转PhD的话不错。很多EE的同学在这边也会修CS的课。选课比较灵活。主要的研究领域有ArtificialIntelligence, Computer Architecture, Computer-Aided Design and VLSI,Interactive Systems, Quantum Science and Devices, Software Systems, Theory ofComputation。除了密歇根大学自己的教师之外，由于密歇根大学的名声，以及毗邻底特律“近水楼台先得月”，来自世界各地的客座教授和讲师也源源不断地出现在密歇根大学课堂上。地理位置密歇根大学由3所独立的大学分校组成，这几个校区分别在位于安安娜堡市、迪尔伯恩市和弗林市，这几个校区经济都不很发达，安阿伯市稍好，另两个城市的建设和发展都大大落后于一般的美国地区。近些年来，随着美国汽车工业的逐渐下滑，五大湖地区的工业已经不再据有美国历史舞台的中心地位，密歇根州就业和工作前途已大不如前。12布朗大学教研实力Brown大学成立于1764年，她的CS教育从1979年开始招收研究生，与数学、建筑、生物、经济、工程、认知与语言科学、物理、神经学等有交叉，教授也有可能来自这些系。其中计算机理论和算法是最多教授从事的研究分支，而计算分子生活学是Brown最活跃的分支，研究内容包括计算解剖学，计算生物学，计算神经系统科学等，并与TheCenter for Computational Molecular Biology（CCMB）联合从事研究工作。地理位置Brown大学地处东北地区小州Rhode Island的首府Providence，罗得岛主要的经济产业有船运，制造业与卫生服务业，都有CS的用武之地。距离波士顿约一小时的车程，离纽约NewYork需3个半小时的车程，让其毕业生的就业出路较为多样化。第二阶梯：冲刺名校1南加州大学教研实力42个终生制教授，33个研究教授和30个合聘教授共同组成的强大研究团队，研究小组包括人工智能，数据库与信息管理，图形、游戏与多媒体，并行与分布式计算，机器人、人脑理论与计算神经科学，软件系统与工程，通讯与系统，理论与计算科学。地理位置USC的CS教育在LA是比较受到认可的，经常会有Microsoft、Blizzard、EA、Konami等大公司直接来实验室招聘，并且有较多机会将作品展示给各大公司职业人士，并获得反馈，在此过程中潜在的就业机会也是不容忽略的。此外，从地理位置的角度来考虑，离硅谷6小时车程，就业出路较好。2佐治亚理工学院教研实力Gatech的CS设在College of Computing下，其中有三个School：School of Computer Science，School ofInteractive Computing，School of ComputationalScience&Engineering。涉及的领域很宽广，目前有近两百位教研人员、8个Research Center。Gatech录取后，换老师、换组比较容易，特别第一学期结束，不过鼓励尽早确定自己的研究兴趣。地理位置Tech校园并不是很大，位于亚特兰大的中城（Midtown）地段。亚特兰大就业机会本身就不少。南部第一大航空港、可口可乐总部、CNN总部等等都在，本地机会很多。学院在提供Job Opportunity信息方面做得不错。3德州农工大学教研实力研究领域包括：Human-CenteredSystems, Intelligent Systems, Software, Systems, Theoretical Foundations,Bioinformatics, Brain Networks, Computational Science and Engineering, DigitalHumanities, Security , Emergency Informatics。Master Non-thesis跟Thesis是可以自由转的，所以进实验室机会还是很多的。地理位置德州农工在村里，开车到休斯顿一个多小时。德州主要的工作机会在那个三角区，而德州农工正好在最中间，有地理优势，但就业一般，据说在德州很多人去加州找工作。4加州大学尔湾分校教研实力UCI的CS系设置于该校的信息与计算机科学学院下，是该院最大的系。研究方面，该系涉及到了CS领域下11个研究方向，包括：算法与复杂性，人工智能与机器学习、生物医学信息学、计算机体系结构与嵌入式系统、计算机图形学与可视化计算、数据库与数据挖掘、网络与分布式系统、编程语言与编译、安全隐私与密码学、科学计算以及普适计算。其中，网络与系统、人工智能和计算机安全这几个方面的研究实力最为突出。地理位置加州由于其高度发达的经济市场，为CS毕业生提供了得天独厚的优势。尔湾是美国加利福尼亚州橙县的一个城市，位于该县中部。近几年经济速度增长很快，当地有许多IT企业，UCI的CS学生很容易能找到实习机会，同时也能有较好的就业前景。除此之外，尔湾附近的洛杉矶、萨克拉门托市、旧金山湾区的圣何塞市都对CS人才需求很大。5华盛顿大学教研实力华盛顿大学的计算机专业在全美也是很不错的。首先院系规模较大，在职60名Faculty成员，每年近200位博士在读，还有大量的Master。专业排名也不错，本科计算机专业排名12，各个分支发展比较均衡，其中最强的当属，排名前5，其他分支领域也基本都位列前10。地理位置西雅图作为一个国际著名大都市，也算是美国最适宜居住和工作的城市之一了。首先气候上这里夏天清凉，冬天不冷，风景优美，气候宜人，青山、绿水、空气清新。并且西雅拥有最多世界巨头，像微软公司、波音飞机公司、亚马逊公司、星巴克公司、美国电报电话移动通讯公司、英特尔公司工业园均坐落在西雅图，就业优势显著。华盛顿大学很大一部分毕业生直接进入这些大公司了，在这些公司中，华盛顿大学毕业生所占的比例最大，而且绝对大。6雪城大学教研实力雪城大学的CS系与EE系合并在同一系下，这也是作为雪城的办学特色，因为学生可以跨学科学习。学校非常重视研究能力，学生在学习过程中也有机会参与到研究项目当中。由于EECS合办的原因，该系的研究方向是有比较大的交叉性的，共有17个研究方向。其中属于CS领域的专业方向包括：人工智能、复杂系统、分布式信息系统、高信任设计、计算机科学中的逻辑和逻辑编程、神经网络、程序设计语言、软件工程、系统安全以及计算理论。雪城大学是为数不多的，被指定为NationalSecurity Agency Center of Excellence的高校之一，因此学校在系统安全这一方面的研究很有实力。地理位置雪城大学的地理位置并不很好，位于美国纽约上州中部的城市。城市本身对于CS专业同学来说就业没有很大优势，但是多数学生可以去纽约、宾厄姆顿和水牛城等城市就业。7俄亥俄州立大学教研实力OSU的计算机科学与计算机工程合并在同一个系里，它在计算机研究和计算机教育方面的实力领先，学院长期与校外企业有合作交流。研究领域可以分为7个类别：人工智能、计算机图形学、计算机网络、软件工程，系统，产业及理论与算法。其中Instrial Collaboration（产业合作），是学校以企业IT技术的利用与创新为导向的新兴研究。OSU的CS研究方向中，实力较为出色的有系统、计算机网络、人工智能。地理位置俄亥俄州是美国的另一个制造中心，以制造业为支柱产业，相对来说高科技计算机产业并不是十分发达。比较适合CS专业人才就业的城市或地区有哥伦布市、克利夫兰、辛辛那提。OSU所在地哥伦布市距离Pure大学所在的印第安那州的州府印第安那波利斯市只需要3个多小时的车程；而距离CMU和Universityof Pittsburgh所在的匹兹堡市也只需要3小时左右的车程。地理上的便利使得OSU的CS毕业生在就业去向上也有较多的选择。8莱斯大学教研实力研究领域包括：Artificial Intelligence,Bioinformatics, Computer Architecture, Computer Graphics, Computer Networking,Computer Security, Distributed Peer-to-peer Systems, Embedded Computing,High-performance Computing, Logic and The Foundations of Computer Science,Mobile Networking, Operating Systems, Physical Computing and Robotics,Programming Language Theory, Virtual Machines。教研人员偏少，不足三十位。有两个Research Center。应该是跟近年来偏重本科教育有关。地理位置位于得克萨斯州休斯敦市郊，离市中心仅三英里车程。第三阶梯：保底名校1乔治华盛顿大学教研实力GWU的CS系比较小巧，全系只有20几位Faculty成员。教学方面实行小班授课制，一个班大约只有18个学生，学生与老师之间能够保证较为流畅的沟通与互动。研究方面，该系每年在研究经费上需要花费超过300万美元的经费，主要从事CS专业下8个专业方向的研究：算法与理论、生物信息学与生物医学计算、计算机与信息安全、数字媒体、机器智能与认知、网络与移动计算、普适计算与嵌入式系统、软件工程与系统等。其中，较有实力的方面是算法与理论以及生物信息学与生物医学计算。地理位置GWU位于美国首都华盛顿特区，华盛顿特区是美国的政治中心，它是全美政府机构最为密集的地区，同时也是全美高科技公司最为集中的地区之一，位于此处的财富500强企业很多。它的经济环境能够为CS专业学生带来很多的在政府机关或者相关的高科技公司里实习和找工作的机会。此外，华盛顿特区距离JHU所在的马里兰州最大城市和经济中心巴尔的摩市仅40英里的路程，开车只需要1个小时即可到达；距离宾夕法尼亚州人口最多和面积最大的城市费城仅137英里，大约3个小时的车程。这些大城市对于CS专业人才的就业需求都非常大，因此也能够为GWU的CS毕业生提供很多的就业机会。2佛罗里达大学教研实力UF的CS专业设置在名为计算机信息科学与工程系下，此系同时归属两个大院，College of Engineering和College of LiberalArts and Science。该Department有5个主要的研究领域：计算机图形模拟与艺术，计算机系统，数据库与信息系统，高能计算/应用算法，智能系统与计算机视觉。最热门的两个研究小组是计算机系统和智能系统与计算机视觉。地理位置Florida的Gainesville，最大的吸引力在于风景和气候，学生的住宿条件非常优越，消费低廉，不过就业市场不是很发达。官方报出来的数据，刚毕业的学生年薪4万左右，相比全国平均水平来说略低。较好出路的学生都是远赴加州或纽约等地就业较多。3伍彻斯特理工学院教研实力WPI的CS主要研究的是：算法分析、信息安全、人工智能、机器学习、移动计算、人工智能设计、自动演绎、协作过滤、组合学、计算机协助认证、游戏、电脑图形图像、多媒体、自然语言处理、网络/分布式系统、面向对象软件、操作系统、性能评估、编程语言、计算机视觉和图像处理、机器人、数据库系统、软件工程、数据挖掘、计算机理论、图论、可视化、人机交互。研究最热门的是人工智能、人机交互和网络/分布式系统。MS课程招生有两个方向，分别是Computer/CommunicationsNetworks Program和Computer Security。地理位置伍斯特理工学院位于美国东北角麻萨诸塞州的伍斯特市。麻省在50年代后开始重点发展电子、电器、仪表等工业。波士顿是最大的制造业中心，其次是中部的伍斯特和西部的斯普林菲尔德。伍斯特前往波士顿的交通非常便利，一个小时的车程即可到达。4东北大学教研实力东北大学的CS系成立于1982年，设置在计算机与信息科学学院下面，主要从事4大专业领域，包括健康信息学、信息安全、网络科学、软件可靠性的研究。最具研究实力的研究方向包括算法与理论、人工智能研究组、信息检索与数据挖掘研究组、编程语言研究组、系统研究组。地理位置东北大学在办学过程中较为重视学生的就业情况，在读期间会协助学生申请为其半年到一年的实习，协助学生积累工作经验。此外，学校所在地麻省的波士顿地区给CS学生的就业带来很大的优势。全球顶尖的信息储存与信息管理服务提供商EMC的两位创始人Richard Egan和Roger Marino正是东北大学EE专业的毕业生，EMC也是东北大学CS专业毕业生的一个较大就业吸收者。以上就是美国计算机专业比较强的学校了，如果你也正在考虑计算机留学，可以参考哦~