近日,教育部发布2019年全国教育事业统计数据。据统计,2019年全国研究生指导教师(总计)462099人,其中普通高校有444592人。研究生导师的年龄多集中于35岁-59岁之间,其中40-44岁阶段占的人数最多,有92814人。值得注意的是,29岁及以下的研究生导师有2247人,其中普通高校1934人,218人属正高级。
近日,宜宾市统计局党组成员杨舒、周溢川通过高校遴选、评审及高校学位评定委员会审议表决通过,被聘任为四川轻化工大学硕士研究生专业实践导师,这是宜宾市局构建开放协作合力大统计工作取得的最新进展之一。宜宾市局利用市委市政府近年来大力推进大学城科创城建设,宜宾被列为全国首批、西南地区唯一的国家产教融合试点城市、全省唯一的厅市共建“学教研产城”一体化试验区的契机,积极扩大和深化与在宜高校的合作,于2017年在宜宾市局设立了四川轻化工大学实习(实训)基地,在统计科研、课题开发、协助开展统计业务等方面进行了良好合作,有效提升了统计工作的专业化水平,基于双方近些年良好的合作关系及我单位大数据应用工作良好的发展前景,并考虑到该项工作对推进宜宾市局统计工作的创新发展、密切校地合作和提升统计工作专业度、美誉度的积极意义,对照学校对学历、工作年限、管理与统计行业工作经验等要求,经四川轻化工大学遴选完成了这次双方的进一步深化合作,这必将更好推动宜宾统计工作在创新发展、科学发展上的步伐。【来源:大数据中心】声明:转载此文是出于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。 邮箱地址:newmedia@xxcb.cn
作为一名研究生导师,我来探讨一下这个问题。首先,在当前的大数据时代背景下,对于应用统计学专业的学生来说,可以重点考虑一下大数据方向,原因有以下三点:第一:统计学是大数据的重要技术组成部分。大数据的技术基础包括三大方面,分别是数学、统计学和计算机,所以统计学专业考研大数据方向是比较适合的选择之一。应用统计学本身与大数据的联系也比较紧密,目前大数据场景分析就会采用大量的应用统计学知识。第二:大数据发展前景广阔。当前正处在大数据时代背景下,在大数据技术的带动下,物联网、云计算和人工智能等技术也取得了一定的发展,所以大数据技术不仅自身开辟了新的价值领域,同时也是推动科技发展的重要动力之一,所以未来大数据领域具有广阔的发展前景。第三:人才缺口大。虽然大数据技术经过了多年的发展,目前在技术体系上已经趋于成熟,但是大数据行业目前的人才缺口依然比较大,而且主要集中在研发领域。在产业互联网即将落地到广大传统行业的当前,大数据研发型人才将会有更多的行业需求。由于目前人才缺口比较大,所以薪资待遇也比较高,从近些年来大数据专业研究生的就业情况来看,整体薪资待遇还是比较可观的。大数据专业虽然需要学习的知识量比较大,但是由于大数据技术体系已经比较成熟了,所以研发过程也会相对比较系统,未来可以从事的岗位也有更多的选择,比如既可以从事数据分析、挖掘等岗位,也可以从事大数据平台研发等岗位。我从事互联网行业多年,目前也在带计算机专业的研究生,主要的研究方向集中在大数据和人工智能领域,我会陆续写一些关于互联网技术方面的文章,感兴趣的朋友可以关注我,相信一定会有所收获。如果有互联网、大数据、人工智能等方面的问题,或者是考研方面的问题,都可以在评论区留言!
随着大数据的火热,机器学习越来越火,统计专业也得到重视,因此报考统计专业的人数越来越多。同时对于很多考生而言,专硕应用统计相对于学硕统计学性价比更高,再加上今年数学三尤为简单,130+的考生尤其多,造成了今年应用统计考研是一个特别困难的年份,就算你考了400+,也许现在的你还在寻找调剂的院校,这是一个令人心酸的消息。北京大学是一个良心大学,将考生的成绩排名都公布出来了,相对公平很多,我们可以分析一下数据。北京大学金融专硕一共123人报名参加考试,缺考人数14人,剩下109人,其中400分及以上一共9人,最高分433分。北京大学应用统计专硕一共240人报名参加考试,缺考人数60人,剩下180人,其中400分及以上一共51人,最高分446分,学校预计录取12人。当然有读者说,其实北京大学并非特例,根据消息,今年绝大多数院校,应用统计专业分数都偏高。2019应用统计考研——“困难”的一个年份,国家线就快出来了,祝考生好运!
边策 杨净 发自 凹非寺量子位 报道 | 公众号 QbitAI请听题:如何将苹果平均一分为二,还能保证它长时间的新鲜?这是一个严肃的科学问题,已经困扰了人类数学家25年之久。根据常识,就是要保证果肉暴露在外面的面积最小,也就是切片的面积最小。如果跨越到更高的维度,是否依然成立?这就是1995年,由三位数学家提出的一个几何学猜想。现在,这个难题被一位华人统计学博士,解决了。成果一经发布,就迅速引起了数学、理论计算机科学、统计学等多个领域的科学家的关注。他们一致认为,数学大师、菲尔兹奖得主,原本猜想的提出者Jean Bourgain(让·布尔甘)一定会对这一进展感到兴奋。毕竟,在他去世前(2018年)的几个月里还在关心这一问题进展,但终其一生都未能解决。困扰数学家25年的几何问题1984年,著名数学家让·布尔甘提出了一个猜想。一个任意维度的凸体,用低一维的平面去平分,那么存在一个常数c,让凸体至少存在一个切面的面积大于c。换句话说,如果你一刀平分“任意维度空间的西瓜”,随便你怎么劈,总有一个切面总大于c。(Ps:以往的科学家用的是苹果的例子。但准确来说不能选苹果,因为苹果上下是凹的。)在3维空间中,这个结论似乎很好理解,因为无论西瓜长成什么奇形怪状,总不可能在每个角度都细长。像下面这样的长西瓜,竖直切下去,切面很小,可以你也可以水平切开平分它,这样切面就会很大。但在3维世界中正确的事情,到了高维空间却不一定成立。这个问题后来被布尔甘自己证明,但数学家们并不满足于用平面切西瓜,而是希望能找到一个更小的切面,它可以是曲面。而这恰好是1995年Kannan、Lovász和Simonovits三人提出的KLS猜想关心的问题:用来平分的最小曲面面积是多少?以二维空间里的一个三角形为例。这个最小的“曲面”是一段圆弧。用圆弧来平分一个三角形,中间的线长度最短,而最佳“平面”——直线——的效果略差。△如何用最小“切面”平分三角形(来源:Quanta Magazine)到了更高维度的空间中,二等分的最佳平面和最佳曲面差距会变大吗?切面的面积是否和维度d有关?这个问题已经不再是纯粹的数学问题。普林斯顿大学数学系教授Assaf Naor表示,KLS猜想在纯粹的数学和理论计算机科学中都很重要。KLS猜想的结果,直接关系到随机行走算法的运行时间,如机器学习模型中采样问题。所以最后解决这个几何问题的学者,都并非几何学的专家,而是来自计算机界。用统计方法解决他经过数学家的抽象,KLS猜想就像一个封装着气体的容器,找到最佳切面就是寻找容器的“瓶颈”。想象一个哑铃形状的容器,里面有一个气体分子在随机运动,哑铃中间连接部分越细,分子就越难跑到另一侧。△哑铃形的平分切面很小(来源:Yin Tat Lee论文)现在人们想知道,在高维空间,这个凸的容器最细的地方有多细。(当然,哑铃并非是凸的。)2012年,Eldan通过引入一种称为随机定位的技术,来降低这个问题与维度上界。(到底是维度d的几次幂。)2015年末,华盛顿大学的Vempala和Yin Tat Lee改进了Eldan的随机定位,以进一步将KLS因子(用于描述瓶颈是否存在)降低到维度的四次根d1/4。△KLS猜想的上界不断降低(来源:同上)甚至,他们还将幂指数降低到几乎为0,由于d的0次幂总是等于1,Lee和Vempala似乎证明了KLS因子是一个与维度无关的常数。他们在arXiv上发布了他们的论文。但是几天后,这篇文章就被人发现了一个缺陷,他们关于d0的证明是错的。之后,二人修改了文章,把界限重新调整到d1/4。几年来,研究人员认为KLS猜想的探索已经到此终结了。不过他们还在论文中,保留了d0证明的一些想法。这也为后来的突破埋下伏笔。他们的论文引起了另一位统计学者Yuansi Chen的注意。Chen当时是加州大学伯克利分校的统计学研究生,他正在研究随机采样方法的混合率。而随机抽样是许多类型统计推断中的关键,例如贝叶斯统计。Chen深入研究文学,花了数周时间试图填补Lee和Vempala的证明中的空白,但依然没有解决。于是他转变了思路,在Lee和Vempala的思想指导下,他找到了一种方法,采用递归来降低KLS因子上界。经过反复迭代,这种方法将KLS猜想问题再次拉回到d0的上界。这一结果意味着,高维凸形物体不会有哑铃那样的结构。该定理的结果意味着,在n维凸体中随机行走,遍历整个图形的速度比我们之前预想得要快得多。这将有助于计算机科学家对不同的随机采样算法进行优先级排序。三个计算机相关的科学家虽然表面看上去,这三位学者似乎跟数学没什么关系。但仔细翻看他们的履历,他们都曾跟数学结下了不小的缘分。首先,直接与研究相关的这位统计学博士后——Yuansi Chen(陈远思,音译)。今年年初,他开始在杜克大学统计科学系担任助理教授的职位。主要研究方向是统计机器学习、优化以及在神经科学中的应用,尤其对其中域适应性、稳定性、MCMC采样算法、卷积神经网络和计算神经科学中出现的统计问题感兴趣。2019年,他在加州大学伯克利分校统计系获得博士学位。其博士生导师是著名华裔统计学家、UC伯克利统计系和电子工程与计算机科学系终身教授郁彬。在攻读博士之前,他还在法国Ecole Polytechnique获得了应用数学专业的工程师文凭。随后,前往在苏黎世联邦理工学院ETH Foundations of Data Science(ETH-FDS)做博士后研究。而启发Yuansi Chen数学灵感的,是两位计算机科学家。Yin Tat Lee(李贤达,音译)和Santosh S. Vempala。李贤达,目前是华盛顿大学助理教授,本科毕业于香港中文大学。2012年从港中文大学毕业后,前往麻省理工学院攻读博士学位,随后前往微软研究院做博士后研究。他的研究方向主要在算法方面,包括凸优化、凸几何、谱图理论和在线算法等广泛的课题。以往的研究里,他曾结合连续数学和离散数学的思想,大幅提升了在计算机科学和优化中许多基本问题的算法,比如线性编程和最大流量问题。他曾获得SODA最佳论文奖、NeurIPS 2018最佳论文奖、NSF职业奖。去年他还获得了有“诺奖风向标”之称的斯隆奖,以及美国最大的非政府奖学金之一——帕卡德奖学金。再来看Santosh S. Vempala,佐治亚理工学院计算机科学教授。主要研究领域是理论计算机科学,还抽样、学习、优化和数据分析的算法工具;随机线性代数,高维几何。他曾在卡内基梅隆大学攻读博士学位,本科毕业于印度理工学院的计算机专业,曾获NSF职业奖、斯隆奖等奖项。在来到佐治亚理工学院之前,他曾担任MIT应用数学系担任教授、UC伯克利米勒研究员。数学家:不可思议随着陈远思论文一发布,迅速就引起了数学界的学者关注。不光是因为此前的错误证明,还由于陈远思这个名字在数学界十分陌生,研究人员对待这一成果十分谨慎。但他的方法很容易被验证。早期研究过KLS猜想的以色列数学家BoázKlartag,就在第一时间看了论文。我基本上立即停止了我正在做的一切事情,并检查了这篇论文。这篇论文是100%正确的,这一点毫无疑问。除了一众数学家关注之外,还引起了理论数学家、统计学等领域的注意。哈佛大学计算机科学教授、微软研究院前新英格兰首席研究员Boaz Barak则发推祝贺。并表示这是一个非常重要的突破,加速了对近似凸体体积的研究。但点赞祝贺之余,也有不少学者表示十分遗憾。因为提出这一猜想的人菲尔兹奖得主布尔甘已于2018年去世,如果他还在的话,一定会为这一进展感到兴奋。据QuantaMagazine报道,布尔甘曾在去世前几个月,联系了他的朋友、特拉维夫大学教授Vitali Milman,询问这一猜想是否有任何进展,想在离开之前知道答案。但Vitali Milman说,布尔甘在这一问题上,花费的时间和投入的精力比任何其他问题多得多。没想到,最后这个问题却被统计学解决了。参考链接:[1] https://www.quantamagazine.org/statistics-postdoc-tames-decades-old-geometry-problem-20210301/[2] https://www.cc.gatech.e/~vempala/papers/kls_survey.pdf[3] https://arxiv.org/abs/2011.13661[4] http://yintat.com/[5] https://people.math.ethz.ch/~chenyua/[6] https://www.cc.gatech.e/news/604802/computer-scientists-make-kls-conjecture-breakthrough
大数据专业是一个典型的交叉学科,基础学科包括数学、统计学和计算机学,另外辅助经济学、社会学、医学等学科,所以统计学是大数据专业最为直接的相关学科之一,因此统计学专业的本科生在读研的时候是完全可以选择大数据专业的。统计学专业的相关知识在大数据时代依然起着非常重要的作用,以大数据分析为例,目前大数据的分析方式主要以统计学方式和机器学习方式为主,而且统计学方式与机器学习方式相比在某些领域更加成熟,理论体系也相对完备,所以大数据专业的学生通常都要系统的学习统计学相关知识,从这个角度来看,统计学专业读大数据方向还是具备一定优势的。在大数据时代,统计学有了进一步的发展和变化,这个变化就来自于数据本身的变化。统计学的分析方式通常以“抽样”为主,通过对样本的分析来寻找整体的规律,从而得出分析结论。通过大量的历史经验来看,如果样本的选择没有问题的话,统计学的分析方式具有非常高的准确度。但是在大数据时代,数据从抽样变成了“全样”,数据分析的方式和方法都产生了较大的变化,这对于统计学来说就需要积极的适应这种变化,并积极顺应大势时代的发展,投入到大数据领域的研发中。从目前大数据行业的发展来看,统计学确实对于大数据的发展做出了重要的贡献,大量的统计学专业人才陆续投入到大数据领域,也进一步完善并丰富了大数据的知识结构。近些年来,我多次作为评委,参与了不同类型的研究生大数据专业大赛,其中有大量的选手来自财经类大学的统计学专业,这给我留下了较为深刻的印象,其中也有不少学生取得了不错的成绩。我从事互联网行业多年,目前也在带计算机专业的研究生,主要的研究方向集中在大数据和人工智能领域,我会陆续写一些关于互联网技术方面的文章,感兴趣的朋友可以关注我,相信一定会有所收获。如果有互联网方面的问题,也可以咨询我,谢谢!
背景介绍分享人:Z学长学校:北大数学在读:伯克利统计学硕士讲座内容大学感悟及科研经验分享在大三的时候,在选择专业和方向的过程中,我走了很多的弯路。当时没有老师和长辈来指导我如何选专业,多数时候我都在闭门造车,凭空想象。那段时间心烦意乱,心思很难放在学习上。当我回过神来的时候,周围的同学已经比我多学了很多。有的同学早早开始了本科生科研,有的同学已经提交了海外交换的申请。真正想要向统计学方向发展,应该是我大三下学期的事情了。引领我走向这条路的,是我最最尊敬的吴老师。她是我本科生科研的导师,我的本科生科研做的是金融数学。记得那时,我和我的组员以正在以传统的概率统计学工具来研究我们的题目,例如随机模拟,随机分析,假设检验等等。在一次讨论课的时候,吴老师提了一句:“要是用这些方法做下去,我觉得我们会举步维艰,能不能将一些现代的统计学习方法运用到我们的研究上来呢?”之后,吴老师发给了我一本《The Elements of Statistical Learning》,她说这是伯克利的研究生教材,和我们的国内的统计学教材完全不一样,从此一扇大门就打开了。就这样,我自学了机器学习里的基本理论、模型和方法。之后,我又学习了学院里的《统计学习》这门课,从统计学习的民科变成了学院派。所以,我这里建议学弟学妹们都能够尽早开始本科生科研。科研的方向不一定要十分合乎你的胃口,重要的是要和自己的导师多多交流,了解未来学科的发展方向,找到自己的学习目标。在我申请中最最遗憾的事情,就是没有海外交流的经历。因为海外交流需要我们大二的时候就要开始着手准备,等我反应过来的时候已经追回莫及。我的很多同学在海外交流期间,都得到了海外教授的那封价值连城的推荐信。机器学习的学习路线数据科学是当下很时髦的名词,如果能在PS里呈现自己做的机器学习方面的相关工作,对于申请来将是一个很大的加分。在申请硕士,注重就业导向的统计硕士项目上,就很希望招来的学生有数据科学方面的背景。就我的经验而言,学习Machine Learning(机器学习)需要在掌握理论知识的同时,同时训练相应的编程技巧。编程能力方面,做机器学习和深度学习的主流语言是C++和Python。但是,我希望学弟学妹们如果有时间的话,还是不要一上来就学Python,Matlab和R。因为这三门语言都过于“方便”和“灵活”,其掩盖了编程最重要的东西—逻辑。我当时花了很长的时间学习C语言。C语言的“包”很少,一个简单的矩阵操作就能把人难死,不过正是在这样的纠结过程中,我对编程的理解逐渐深入,所以清晰的逻辑是编程的根本。当然了,如果之前有一定的编程基础,那么直接去学Python这些还是没问题的。伯克利的学习及申请经验不论是来美国读博士还是硕士,个人能力都是学术研究和找工作的关键。从本科高年级开始,就要开始注重自己能力的培养和提高。大家去搜搜Leetcode和Hacker rank,两个都是Online Judge,编程练习的好地方,尤其是硕士项目,非!常!重!要!大家一定不能忽视。关于学习方面,这里我想强调两点:1. 把知识转化为记忆:大学高年级阶段,很多同学学习一门课就学一个星期,考完试之后就全部忘记了,这样的做法是极不可取的。直到来美国,参加各种面试之后,才发现面试官问我的大学阶段的东西很多都忘记了。学习一门课程之后,尤其是概率论、数理统计、随机过程和回归分析,这四门课的基本理论、定理和运用都值得大家牢牢记住。2.编程能力的培养:在美国,不论是课业还是面试,熟练的编程机巧能够为你增光添彩。有些人认为,只有聪明的人才能把程序写好,而我觉得这样的理解是片面的。我认为编程更像当时初高中时的1000米测试,只要坚持不懈,就能练到炉火纯青。因为编程和跑1000米一样,是一个让自己的身心不断调整、不断适应的过程。每天写一小段程序,一个月之后你写程序、Debug的速度就会有大的提高,再不会在写Project的时候还在百度如何将int转化为string之类的基本问题。生活部分在美国的生活比想象中要难,所有大小事务都需要自己料理。周一到周五都在学校,周末在家自己做饭。在美国很少能有唱歌、打球、看电影之类的娱乐活动,最大的爱好就是做饭和锻炼。每每在微信里和同学聊天,都会发现大家的厨艺都在飞速提高。我这学期还在做助教,同时还要花费大量时间在Career Fair找实习上。对了,说一句,如果要做助教的话,口语一定要好。托福的口语一定要刷高一点,不然的话,你在这边是当不了助教的。在国内学车感觉没有必要,美国大多数州都需要重新考驾照。旧金山的公共交通比较发达,所以也不用担心交通的问题。问答环节问:学长统计硕士和PhD出路有啥不同?有没有必要读PhD?Z学长:我也在考虑这个问题,因为PhD在美国这边是非常难毕业的,一般五年能准时毕业的人,都是非常牛的。如果你以后想工作的话,我觉得读硕士已经足够了,但是PhD的话会多一条出路问:学长可以介绍一些伯克利统计教授做机器学习的么?Z学长:伯克利做的最好的应该是Michael I. Jordan,是机器学习和深度学习的大牛;还有郁老师,郁彬老师做机器学习做的非常好;还有一位叫做Martin J. Wainwright,这位教授做机器学习也是大牛。问:学长请问机器学习和统计到底什么关系啊?是不是统计只是一种工具,机器学习是真正的研究方向?Z学长:现在学术界也很难回答这个问题,因为这个问题真的很难,传统统计像是贝叶斯统计,因果推断之类的,他们不需要用到太多机器学习方面的东西,但是你做现代统计的话,像是做高维统计之类的,机器学习是必不可少的。问:学长统计中的机器学习和EECS项目中的有什么区别?Z学长:现在统计中的机器学习和EECS中的差别已经越来越小了。统计基本上是从数学和理论的角度出发的,他会着重的讲一些他的理论和模型部分,而EECS的话更注重于讲他怎么实现。问:学长你好,如果只学了C和python,打算学习data science,还需要再学习java吗?Z学长:做data science的话不需要学习java,但是如果你要接触一些并行计算等更高级的内容,java是需要的。问:学长Linux在相关的学习和工作中有没有什么作用?Z学长:Linux在实际学习和工作中非常有用,因为很多数据是要在服务器上跑的,那上面都是Linux的操作。你如果懂得Linux的操作和show的话,对你的工作和研究学习是非常有用的。但是工作面试中是不会考这方面的知识。问:学长金融和机器学习差的挺远的,你当时是怎么想的呢?Z学长:金融和机器学习,其实现在结合的比较紧密,如果你未来想做quant方面的,比如说做量化方面的工作的话,那么金融和机器学习其实是结合起来的,在美国做quant的公司,很希望招的员工能有机器学习的背景。- END -
随着大数据相关技术的发展,统计学目前受到了广泛的关注,对于一部分想从事大数据领域相关岗位,但是又不想从事编程工作的学生来说,选择统计学方向的研究生是不错的选择。如果要跨考统计学专业的研究生,需要具备一个扎实的数学基础,因为统计学本事就是数学的一个分支,需要用到大量的数学知识。除了要具备扎实的数学基础之外,在备考的过程中还需要注意以下几个方面的问题:第一:根据自身的学习能力选择目标高校。研究生阶段的教育对于高校的资源整合能力有较高的要求,资源整合能力对于研究生的培养质量会有较大的影响,所以考生都希望选择重点大学作为考研目标,但是由于目前考研的竞争比较激烈,对于跨考生来说,一定要根据自身的学习能力选择目标高校。另外,可以重点关注一下财经类高校,不少财经类高校的统计学专业往往也具有较强的实力。第二:重视专业课的学习。统计学专业的专业课考试还是具有一定难度的,所以对于跨考生来说,一定要重视专业课的学习,如果能够有专业人士指导一下,在学习的初期会起到较大的作用。对于跨考生来说,在学习专业课的过程中最好能与专业课老师保持沟通。第三:制定系统的复习计划。按照历史经验来看,跨考生一定要有较为充足的准备时间,同时制定一个适合自己的复习计划,在具体复习计划的制定上,要参考一下老师的建议。我从事互联网行业多年,目前也在带计算机专业的研究生,主要的研究方向集中在大数据和人工智能领域,我会陆续写一些关于互联网技术方面的文章,感兴趣的朋友可以关注我,相信一定会有所收获。如果有互联网、大数据、人工智能等方面的问题,或者是考研方面的问题,都可以在评论区留言!
哈喽,小可爱们,晚上好鸭!不知不觉中时间已悄然来到了9月份了,大家离上岸之日又更近了一点呢。最近这几天呢,上岸的20考研人儿已经陆陆续续的开始了入学报到,正式开启了崭新的研究生生活了。小可爱们是不是充满了羡慕,并且对他们开学后的生活充满了向往和想象呢?今晚就和学姐一起来看看20届学长学姐开学以后的新鲜事儿吧。01Jennifer 学姐 上岸R大法硕虽然经历过大学四年独自南下的校园生活,但面对着完全陌生的帝都,一个人北上或多或少还是有些忐忑不安。开学时一个人提着硕大的行李箱、背着一个鼓鼓囊囊的书包,坐了9个小时的高铁达到完全陌生的校园。一开学少不了新生入学教育,不同于本科的是没有了新生军训,虽然校园内的学生社团欢迎研究生的加入,但毕竟年岁渐长,少了本科参加“百团大战”的热情和新鲜劲。我还是打算把时间省下来多读读书,毕竟研究生只有两年的时间,浪费不起!喔,对了,一开始想像的激烈的抢导师一事并没有在我身上发生,学院按成绩选专业,然后随机分配导师,所以这一切都看命了hhh。想象中的逛吃逛吃生活因为校园的封闭管理也泡汤了,可怜我收藏夹里一大堆的美食探店清单呐,不知道什么时候才能自由出入校园。02Sean 学长 上岸Z大数理统计学三战才上岸Dream School,格外珍惜这来之不易的读书机会。刚开学的时候对新环境充满了好奇和期待,开学不到一天,这种快乐就被焦虑取代。研究生的课程很难,尤其是像我们这种理科,跟本科和你考研的知识的难度根本不在一个量级。为了更快和同学们熟络起来,我准备了班委干部竞选,心想着应该研究生阶段大家对于这些事情不太热衷,没想到竞争异常激烈,一个团支书的位置6个同学竞选。由于本人还是从一个二本院校跨专业考到这所知名的985院校,报道当天认识的同学都是各路名校毕业的保研或者一战上岸的,并且他们其他方面也很优秀,不经给我泼了一盆冷水,我顿时明白了研究生生活必须得过的比考研更加努力,更加勤奋,这仅仅是变得优秀的一个新的开始! 03Alice 学姐 上岸X大教育学专硕开学最大的感受就是经济上毫无压力:学费8000一年,住宿费1000一年,一志愿全日制研究生有1万2千的奖学金,两年读书不光不要钱,还赚了6000。对比本科而言,研究生的学习上真的非常自由。由于是文科生,不需要做实验,每天固定的时间就是上课,除此之外的时间自由安排。我跟的导师完全放养型的,不存在传说中的PUA,我的导师给予了我非常大的自由。而我周边的研究生同学,经过和他们沟通交流,我发现,大多数人对于毕业后的职业规划有了清晰的打算,不像当初本科那会儿那么迷茫。有的要考回老家的公务员,有的选择去一线发达城市当老师,有的则想去去企业,但无论如何大家都为着自己的目标开始了铺垫和努力。 04Cindy 学姐 上岸Z大会计专硕开开心心的新生活之旅被比考研还痛苦的忙碌生活给折磨的喘不上气了,一开学就给了人一种期末的感觉,卒!才开学不到一周,就被课程给折磨到不行,大多数课程都是持续半天,多数老师还特别爱拖堂,上一整天的课整个人都是崩溃的。课程内容以实务为主,偶尔会有的名家讲座也计入学分。作业多到想退学,看课程安排,几乎每周都有案例要做,做完当堂pre,不熬夜的健康生活看来是要彻底拜拜了!一开学身边的同学就陆续准备CPA,还有CFA、MPAcc,以后可能还有ACCA、QP、CIMA……生命不息,考证不止。虽然课程压力很大,食堂的饭菜也远不如本科学校的好吃,但是教学资源确实很好,实习的机会也很多,人脉资源也相当牛,生活忙碌而充实。所以这辛苦的上岸也的确值得!05Troye 学长 上岸H大无机化学我的暑假从知道被录取的之后的那天起就宣告结束了,当天导师就将我拉进了群聊,开始给我分配科研任务,开始了打杂生活。开学之后,每天的生活基本就是泡实验室,食堂吃饭,寝室睡觉三点一线。还没来得及和舍友们打成一片,就埋头扎进了学术的苦海之中。作为一名大龄上岸考生,我一开始辞职成功上岸的喜悦和骄傲在入组实验室之时就荡然无存了。你会发现身边同一课题博士一年级二年级的师兄师姐居然和你同龄甚至比你更小,这种年龄上带来的失落感实在是没有办法忽略。还有来自身边已经工作同学的人生进度,买房、结婚、生子,事业更近一个台阶,说不焦虑是假的。以后读不读博不好说,但是也会认真做好当下手头的每一件事,给研究生生涯一个好的交代吧。怎么样,大家觉得学长学姐们分享的新生生活和你想象之中的有差距吗?其实,大家可以清晰的感受到上岸考研人无论感受或焦虑或快乐,都无法否认的是研究生给他们提供了一个更好的平台,更优渥的资源。对他们而言,上岸这件事并不后悔,而是向优秀改变的启程。“成长总是意味着改变,改变大多数情况下是痛苦的,但痛苦是快乐的,所以我们要微笑面对。”21考研人,不要停止奔跑,上岸后的风景是值得期待的!
现在,统计学在职研究生受到了很多同学们的关注和青睐,目前,也正处于招生中,那么,2020统计学在职研究生招生院校有哪些?招生方向分别有哪些呢? 招生院校目前,统计学在职研究生正在招生的院校有中国人民大学。招生方向下面,我们分别来看看中国人民大学统计学在职研究生招生方向有哪些?中国人民大学:统计学专业金融统计与金融创新管理方向、统计学专业互联网经济管理与投资决策分析方向、统计学专业大数据挖掘与云计算分析方向、风险管理与精算专业方向、统计学专业数据分析方向等等。同学们可以点击下方小程序查看招生简章! 招生方式中国人民大学统计学在职研究生招生方式为同等学力申硕。同等学力申硕是免试入学,同学们无需参加入学考试,只要满足条件提交报名材料,等待院校审核,审核通过即可入学学习。后期,满足本科有学士学位的同学可以参加申硕考试,考试通过获得学位证书。以上就是小编为同学们整理的2020统计学在职研究生招生院校以及招生专业方向情况。同学们可以点击下方链接查看更多文章!2020在职研究生有网络班吗?要怎么报名?2020考研调剂具体流程