新加坡南洋理工大学计算机博士

新加坡南洋理工大学是一所研究型的公立大学，学术与科研课程致力于将教学与实践相结合，获得各大成功企业及行业领袖的鼎力支持，取得了卓越的成绩，为学生提供多元化的通识教育，包括校园住宿及海外浸濡机会，让学生根据其兴趣选择丰富的主修和选修课程，增广见闻、积累知识。全日制博士学制为2-5年，非全日制博士学制为3-7年。博士申请条件是怎样的呢？咱们开始盘点吧！本文共包含5部分：院校简介丨入学标准丨学制 | 费用 | 学院划分【院校简介】南大的校园经常被列为世界前15名最美丽的大学校园之一。它有57个经过Green Mark认证（相当于LEED认证）的建筑项目，包括230余栋建筑，其中95％是GreenMark白金认证。研究影响NTU以卓越的研究和技术创新而著称，领先于亚洲顶尖大学（Clarivate Analytics的InCites 2018）。在2019年的Nature Index中，南洋理工大学在全球大学中排名第34位，在新加坡排名第一。【入学标准】普遍要求著名大学的硕士学位(研究型)；申请者需要具备在高级研究领域中有从事研究的能力；语言分数托福：600（纸考）、250（机考）和100（网考）或；雅思：6.5分及以上。GRE / GMAT / TOEFL / IELTS考试成绩的复印件应附在申请表上。申请阶段不需要官方原始考试成绩。最低GRE语言推理测验(V)和定量推理测验(Q)分数必须每项等于或多于149分。GRE分析性写作测试的最低分数(AW)必须等于或大于3.5分。【2020-2021年学费】基于实验室的：哲学博士：$19,250哲学博士（LKCMedicine）： $34,900基于非实验室：哲学博士(ADM, SSS, SOH, WKWSCI,NBS) ：$19,250从AY2008-2009开始，选择支付较低学费（从而获得较高补贴）的国际学生将必须承担3年服务义务。作为服务义务的一部分，国际学生毕业后必须在新加坡的公司工作。总部位于新加坡的公司，是指在新加坡设有总部并已在会计与公司监管局（ACRA）注册的本地公司和国际公司。无论学习的时间长短，服务义务的期限都固定为3年。【南大的卓越研究文化】作为一流大学，研究是南大不可或缺的一部分。它具有活跃的研究文化，并因其在先进材料，生物医学工程，清洁能源和环境，计算生物学，智能系统，纳米技术以及无线和宽带通信等领域的工作而享誉国际。改变生活的创新该大学的研究中心拥有国际声誉的研究人员，拥有先进的科学技术和改变生活的创新。这些世界首创的发明包括新的碳膜处理技术，人工心脏瓣膜，医疗机器人，光纤光缆的激光融合，精密工程技术，本土卫星技术，自动视频监视设备，使用温带作物的大规模商业化种植航空电子学，并建立世界一流的MPEG标准。多学科环境在这个充满活力的多学科研究环境中，学生和教职员工都享有与世界一流大学和著名研究所进行研究合作的大量机会。由于所有课程都以强大的研究文化为基础，其中创新和探究是关键特征，因此南大学生将沉浸在最佳的学习环境中。繁荣的研究环境大学在研究上投入了大量资金，建立了世界上最好的实验室和研究中心。耗资2500万新元，高9层的Research TechnoPlaza构成了大学的研究中心，其中设有四个跨学科的研究走廊和10个研究中心。研究中心的活动与国际同行联系在一起，将校园变成了微型硅谷，产生了更多具有里程碑意义的创新，并在此过程中培养了新一代领导人。【学院划分】1.工程学院化学与生物医学工程学院土木与环境工程学院计算机科学与工程学院电气电子工程学院材料科学与工程学院机械与航天工程学院2.理学院亚洲环境学院李光前医学院生物科学学院物理与数学科学学院3.商学院南洋商学院4.人文，艺术与社会科学学院艺术，设计与媒体学院人文社会科学学院传播与信息学院什么时候开始申请？要提前准备哪些材料？欢迎各位同学随时私我~~~

南洋理工大学（Nanyang Technological University），简称南大（NTU），是新加坡的一所世界著名研究型大学。南大是环太平洋大学联盟、新工科教育国际联盟成员，全球高校人工智能学术联盟创始成员、AACSB认证成员、国际事务专业学院协会（APSIA）成员，也是国际科技大学联盟的发起成员。南洋理工大学前身为1955年由民间发动筹款运动而创办的南洋大学，南洋大学的创办人是新马胶业钜子陈六使先生，云南园校址由新加坡福建会馆捐赠；1981年，新加坡政府在南洋大学校址成立南洋理工学院，为新加坡经济培育工程专才；1991年，南洋理工学院进行重组，将国立教育学院纳入旗下，更名为南洋理工大学，与快速发展的教育事业齐驱并进；2006年4月，南洋理工大学正式企业化。NTU位列2021QS世界大学排名第13位；2021QS世界年轻大学排名第1位，2020QS亚洲大学排名第2位 ，2019THE世界年轻大学排名第3位。课程介绍商学院· 会计（ACC）· 银行与金融（BF）· 信息系统（IS）· 运营管理（OM）· 市场营销（MKT）· 领导，管理与组织（LMO）· 战略，国际商务与创业（SIE）工程学院· 化学与生物医学工程· 土木与环境工程· 计算机科学与工程· 电气电子工程· 材料科学与工程· 机械与航天工程人文，艺术与社会科学学院· 艺术，设计与媒体学院· 人文学院· 社会科学学院· 魏金维传播与信息学院理学院· 亚洲环境学院· 生物科学学院· 物理与数学科学学院研究生院· 跨学科研究生课程李光前医学院· 终生医学· 人口医学· 医学生物学· 医学工程· 医学教育研究拉贾拉特南国际学院· 战略研究· 国际关系· 国防和安全管理· 国际政治经济学国立教育学院· 艺术与人文· 教育· 体育· 科学注：每个学年有两次入学，一个在第一学期（八月），另一个在第二学期（一月）。入学截止日期：1月31日（8月入学）；7月31日（1月入学）。学术要求：申请者必须具有至少二等荣誉或更高的学士学位或*（荣誉）（荣誉），并具有在候选人提出的高级研究领域中进行研究的能力。 。语言要求：托福成绩92以上；GRE1200以上；GMAT650以上(商学院)。奖学金南洋校长研究生奖学金：每月津贴3,000新元，会议津贴每年最高4,000新元，每年将有500美元的期刊订阅或购买图书赠款。 南大研究奖学金：每月津贴2,000新元。新加坡国际研究生奖（SINGA）：该奖项为长达4年的博士学位研究提供支持，包括：① 学费；② 每月2,000新元的津贴，在合格考试通过后将增加到2,500新元；③ 一次性机票补助最高1,500新元；④ 一次性安置补助金S $ 1,000 。

近期，教育部公布新增的本科专业中有35所高校增加了人工智能专业，不仅是国内，如今人工智能的浪潮已经席卷世界各国。这不，新加坡南洋理工大学（NTU）也开设了人工智能硕士——Master of Science in Artificial Intelligence (MSAI)，已于6月10日开放申请！人工智能（Artificial Intelligence），简称为AI。它是计算机科学的一个分支，是研究使计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，它由不同的领域组成，如机器学习，计算机视觉等等。项目基本介绍项目开设在计算机科学与工程学院下项目分为春季入学（2020年1月）和秋季入学（2020年8月），目前已开放春季入学申请项目时长：1年（full-time）项目费用：58,000新币（国际学生）项目课程设置项目需要修满30个学分（12个核心课程学分+18个选修课程学分）。课程着重于人工智能计算基础理论与方法，机器学习与数据挖掘、图像处理与模式识别，大数据关键技术，类脑智能与深度学习等。具体课程如下：项目申请要求计算机科学，计算机工程学士学位或有较强数学基础的的相关学科或有2年相关的行业经验托福92或以上，雅思6.5或以上不要求GRE申请截止日期春季：2019年9月15日秋季：2020年4月15日

近日，IEEE Intelligent System 评选的「AI's 10 to Watch」青年科学家榜单公布，其中有许多我们熟知的华人研究者，包括腾讯 AI Lab 的刘威、南京大学的俞扬等。IEEE Intelligent System 一直致力于通过「AI's 10 to Watch」特辑向人们介绍全球最有抱负的青年 AI 科学家。和往常一样，今年的榜单包含了 10 位 AI 领域里的新星研究者。2017 年，IEEE Intelligent System 从全球范围内寻找候选提名，本榜单的要求是候选人必须在过去五年之内获得了博士学位。由 IEEE Intelligent System 编辑和顾问组成的评选委员会对候选人进行了投票最终形成了本次榜单，其评价是根据候选人在声誉、影响力、专业认可等方面的考量作出的。值得一提的是，杨强教授是 IEEE Intelligent Systems 选拔委员会主席、编委成员。今年的 AI's 10 to Watch 入选者介绍如下：安波（Bo An）新加坡南洋理工大学安波是南洋理工大学计算机科学与工程学院的助理教授。他从麻省大学阿默斯特分校的计算机科学系获得博士学位。他的研究兴趣包括 AI、多智能体系统、博弈论和优化。他的研究曾获多个奖项，包括自动智能体和多智能体系统国际基金会（IFAMAS）2010 年的 Victor Lesser 杰出博士论文奖，以及运筹学和管理科学研究所（INFORMS）2012 年的 Daniel H. Wagner 奖（奖励其在运筹学研究方面的杰出成果）。他受邀在 IJCAI 2017 会议上做关于早期生涯的 spotlight 演讲。他还带领团队赢得了 2017 年的微软协作 AI 挑战赛的胜利。他是 Journal of Artificial Intelligence Research 杂志的编委会成员、Journal of Autonomous Agents and Multi-Agent Systems 杂志的副主编，并被推选为 IFAAMAS 的理事会成员。计算博弈论的安全性和可持续性安全性是一个重要的问题，但由于资源限制，我们通常无法提供 24 小时的充分安全保障。因此，我们必须智能地部署有限的资源，考虑目标优先次序、攻击者对我们的防御机制的反应，以及关于它们的容量、知识和目标的潜在不确定性。博弈论适用于安全-资源-配置和调度问题中的对抗推理。通过将问题定义为主从对策博弈（Stackelberg game），新的算法可以高效地为随机巡逻或检查策略提供解决方案。这些算法已经为很多现实世界的安全领域（包括基础建设安全和野生动物保护）提供了基于博弈的决策帮助。这些初步的成功为重要的未来研究和大范围的安全领域应用指明了道路。在过去几年来，我们的主要工作聚焦于研究实际的、复杂的安全-资源配置问题中的实践性和有挑战性的问题，包括动态收益、防护外部性和策略保密性。另一个重要的聚焦点是，解决在新应用领域中出现的研究挑战，例如网络安全、运输网络安全、对抗机器学习、选举保护和核走私。为了解决这些问题，我们设计了特定的算法或相等质量的近似算法，来求解连续、无限策略空间上的大规模博弈。我们还研究了计算可持续性，这是使用计算技术解决可持续发展中出现的环境、经济和社会问题的重要领域。通过策略性地决定如何使用公共资源，人类在这个领域中扮演重要角色。我们聚焦于在该领域中提供最优的规划和策略。在未来，我们必须：构建更加实用的模型，使我们提出的解决方案在实践中有效；开发新的可以高效计算现实世界安全场景最优解的算法；进一步提高解决方案的鲁棒性；将基于学习和基于模型的方法结合起来，用于数据密集领域的资源配置；整合实时信息到安全资源的长期最优配置中。Erik Cambria新加坡南洋理工大学Erik Cambria 是南洋理工大学计算机科学与工程学院的助理教授，他也是多个 AI 杂志的副主编，例如 IEEE Computational Intelligence Magazine、Artificial Intelligence Review、Knowledge-Based Systems、Information Fusion。Cambria 还是 SenticNet 的创始人，提供 B to B 的情感分析服务。除了情感分析，他的研究领域还包括自然语言处理、常识推理、多模态交互。在完成了斯特灵大学与 MIT 媒体实验室合作的 UK Engineering and Physical Sciences Research Council project 之后，他获得了计算科学与数学博士学位。情感计算（Sentic Computing）需要大量训练数据且受领域限制；不同类型的训练或者参数调整会带来不同的结果；黑箱算法使得推理流程不具备可解释性。我们的研究团队通过自己的跨学科情感计算方法解决自然语言处理中的此类问题。该方法旨在填补统计 NLP 与其他理解人类语言所需的学科之间的距离，例如语言学、常识推理以及 affective computing。情感计算不只是在段落级别上进行网页、文档的文本分析，也包括句子、小句和概念级别上的分析。因为这种既自上而下又自下而上的方法，情感计算才成为了可能。说它自上而下是因为它利用语义网络和概念依存表征这样的符号模型来编码意义。说它自下而上是因为它使用子符号（subsymbolic）方法（例如深度神经网络和多核学习）来推断数据的句法模式。结合符号和子符号 AI 对促进 NLP 与自然语言理解非常重要。单独的机器学习只对基于经验的自然语言理解有帮助，因为子符号方法只编码关联性且只使用概率性的决策流程。而自然语言理解，需要的更多。情感计算采用了一种整体的方法进行情感分析，解决提取文本意义与极性（polarity）中所涉及的多个难题。大部分其他方法只是把它当成简单的分类问题。然而，情感分析是一个复杂、综合的任务，需要同时利用多种不同的 NLP 技术。情感计算通过一个三层的架构解决这一难题的复合性，同时也解决以下任务：微缩文本分析（microtext analysis）：处理缩写、缩略与情感符；概念提取（concept extraction）：把文本解构为单词和多词表达；主客观检测（subjectivity detection）：过滤掉中性内容；讽刺检测（sarcasm detection）：识别、处理讽刺性表达；方面抽取（aspect extraction）：处理基于 aspect 的情感分析。我们的方法可作为许多应用的后端，例如电子商务、电子政务、电子安全、健康、网络学习、旅游、出行、娱乐等。Yoav Goldberg以色列巴伊兰大学Yoav Goldberg 是巴伊兰大学计算机科学系的高级讲师。他在以色列班固里昂大学获得博士学位，并在位于纽约的谷歌研究院担任研究科学家，进行博士后研究。他目前致力于自然语言处理（NLP）和机器学习方面的研究。具体来说，他感兴趣的领域是句法结构、结构化预测模型、贪婪解码算法的学习、多语言理解，以及跨领域学习和半监督表征。最近，他用基于神经网络的方法进行 NLP 研究。自然语言处理NLP 即使用计算机生成和理解人类语言文本，是一个重大挑战，因为人类语言是我们目前主要的沟通和信息迁移方式。今天的语言理解依赖于先进的机器学习技术。具体来说，深度学习方法在识别掌控句子结构和意义的复杂模式和规律方面有惊人的效果。现在我们已经有了匹配句子和底层语言结构、匹配一种语言中的句子和另一种语言中的句子的高效模型。不幸的是，尽管我们知道如何应用深层网络，使它们很好地应用于很多自然语言任务上，但是我们并不了解如何解释网络的行为。我们不知道哪些因素掌控模型的行为（即它为什么做出这样的预测）以及模型能够学习哪种模式。我们也不知道网络的盲点。解释和理解深度神经网络的行为和语言处理的动态，以及更严格地识别其能力和缺陷是一项重要挑战，而我的研究实验室正在探索这些。我们还研究分析和理解文本的构建块，从学习理解句子中的单词彼此连接的方式（句法）到单词「and」的行为和「on」、「for」等介词的意义。例如，当我们说「We sat there for hours」、「We sat there for lunch」、「He paid for me」时，单词「for」分别表示持续时间、目的和受益者。那么计算机如何理解哪个对应哪个呢？另一个例子是我们对恢复言语丢失元素的研究。当我说「I』ll give you 50 for it」时，你会猜测 50 指的是货币。当我说「She just turned 50」时，你知道 50 指的是年龄。当我说「No thanks, I』ve had three already」，你回顾整个对话找出 3 指的是什么。那么计算机如何做到这些呢？或许我们面临的最大问题是我们如何从 NLP 的碎片理解转向一个更全局连贯的视角。过去十年，NLP 取得了很大发展，但是要使用目前可用的工具和技术，你必须是一名 NLP 专家。我们如何改变这种情况，用一种非专家也能使用的方式展示我们的研究成果？我认为这是我们今天面临的大问题。Akshat Kumar新加坡管理大学Akshat Kumar 是新加坡管理大学信息系统学院的助理教授。他的研究兴趣包括在不确定条件下进行规划和决策，主要关注点是多智能体系统和城市系统优化。Kumar 在麻省大学阿默斯特分校获得了计算机科学博士学位。他的毕业论文获得了 ICAPS 2014 的杰出博士论文奖。他的研究还获得 ICAPS 2014 的杰出应用论文奖等奖项。多智能体系统的规划和推断随着我们的社会和城市环境联系越来越紧密，我们面临着一个使用自主智能体的机会，从个人数字助手到自动驾驶汽车。此类基于智能体的系统可以极大地提高生产力和安全性，同时减少人类的努力和风险。我的研究旨在开发高计算效率的技术，通过使大型自主智能体团队制定到达常见目标的协调决策，同时处理好不确定性和信息有限的情况，来帮助实现这一目标。这可能应用于自主出租车队伍优化等问题，该问题的关键在于根据出租车不断变化的局部环境（如同一区域的请求量和其他可用出租车数量）来有策略地定位出租车。我的研究解决了多个挑战，如向数千个智能体的扩展、不确定性、部分可观测性和城市环境下的资源约束优化。我们正在开发可扩展的算法技术来控制和规划多智能体协调的大量正式模型，如分布式约束优化和去中心化、部分可观测的马尔可夫决策过程。此类模型中的确切规划变得越来越难以处理，即使是对小型多智能体系统来说。之前的方法存在可扩展性差或者依赖限制系统部署的假设等问题。我的博士论文介绍了多个通用扩展技术和框架，解决大量实际的多智能体规划问题。除了基于搜索和动态规划的标准技术之外，我还发现多智能体规划和基于图模型与概率推断的机器学习之间的紧密联系。基于这些联系，我展示了大量机器学习方法对多智能体规划的帮助。此类联系向多智能体决策提供了多个新视角和可扩展性技术。此外，我的研究还整合合一推断（lifted-inference）和图模型技术，利用城市系统通常由大量几乎一样的智能体（如出租车）组成的事实来进行可扩展性规划。城市规划者的关键问题是如何设计智能体的规范性策略，使得它们出现期望的集体行为，如减少交通拥堵或提高安全性。我们正在为此类集体合作决策开发模型和算法，主要聚焦于设计多智能体强化学习方法，通过使用来自域模拟器的样本来优化策略。联系日益紧密的城市环境中的多智能体规划和控制提供了很多有趣的研究方向和大量实际应用的机会。刘威腾讯 AI Lab刘威是腾讯 AI Lab 计算机视觉中心总监。他的论文旨在解决用于分类和搜索的大规模机器学习算法。刘威的研究兴趣涵盖机器学习、数据挖掘、信息检索和计算机视觉。他也对开发用于处理大数据的二元编码和哈希技术特别感兴趣。刘威目前正在研究用于解决各种多媒体 AI 问题的深度时空模型。多媒体 AI智能手机等智能设备的广泛普及创造了海量的多媒体数据，这些数据也被上传到互联网上。多媒体数据迅猛增长，已经显著超出了传统方法所能有效处理、分析和理解的能力。我的研究重点是开发强大的 AI 算法来创建和处理多媒体内容，分析和理解各种多媒体数据所传达的语义含义，以及实现多媒体内容与特定用户偏好的精确匹配。我的腾讯 AI Lab 研究团队正在研究使用深度学习模型获取多媒体数据的复杂特征和行为。我们关注三大主要的多媒体 AI 研究主题：内容的生成、理解和分发。生成对抗网络已被广泛用于图像、文本和视频生成。但是，多媒体数据由具有不同特征的不同形式构成，这使得生成尤其困难。幸运的是，图像和文本等某些类型的多媒体数据通常是同时出现的，而且表达或共享了同样的含义。因此，在生成阶段，相关的多媒体形式可以彼此助益并得到顺畅生动的多媒体内容。多媒体数据可能会有噪声且量非常大，并且通常是由用户生成和上传的。这些数据还可能具有多种形式、属性和标签。因此，理解这样的数据的含义可能会很有挑战性。但是，用户在互联网上访问多媒体数据时的行为（比如点击或分享）能为相关数据提供有噪声的标签，我们可以将这些标签用于执行稳健且可扩展的机器学习方法。鉴于多种多媒体形式之间存在语义相关性，那我们就可以利用一种形式来解读另一种形式。这样，一种形式的多个标签和属性就可以传递给另一种。这能提升我们对多媒体数据的解读效果。我的研究团队正计划为理解大量多媒体数据构建一个深度学习平台。至于多媒体内容分发，我们不仅要考虑数据的特征，还要兼顾用户的个人资料。我们可以通过多媒体内容理解来了解多媒体数据的标签、属性甚至语义含义。我们可以整合用户行为来对用户的特征和偏好进行画像。我的研究团队正在利用这种能力开发一种全新的深度学习架构，以便将用户的偏好与他们感兴趣的多媒体内容合理地匹配在一起。上述范式已经培育了多种使用深度学习的关键 AI 技术，包括图像和视频编辑、基于图像和视频内容的推荐、视频摘要和视频分类。Cynthia Matuszek马里兰大学巴尔的摩分校Cynthia Matuszek 是马里兰大学巴尔的摩分校计算机科学和电气工程系的助理教授。她的研究方向是机器人、自然语言处理和机器学习的交叉领域，以及它们在人机交互中的应用。她致力于构建非专业人员可直观自然地指导、控制和交互的机器人系统。Matuszek 从华盛顿大学的计算机科学与工程系获得博士学位。在语言和环境中实现机器人学习随着机器人变得更加强大和自动化，它们正从工业控制环境转向人类中心的空间，例如医学环境、工作场所和家庭。物理智能体将很快能为全新类型的需要智能的任务提供帮助。然而，在其实现之前，机器人必须能够和人以及嘈杂、不可预测的世界优雅地交互。这项任务需要来自 AI 多个领域的洞察。有用的机器人需要在动态环境的演化任务中保持灵活性，这意味着它们必须能够学习并且有效地同人类交互。构建高级智能的、可以鲁棒地同多个领域的非专业人员交互的智能体需要来自机器人学、机器学习和自然语言处理的洞察。我的研究聚焦于开发统计学习方法，使机器人从和用户的多模态交互中获取关于世界的知识，同时学习理解新目标和任务中涉及的语言。与其分离地考虑这些问题，我们可以通过联合学习模型高效地并行处理它们，联合学习模型将语言、感知和任务理解当成强关联的训练输入。这使得每个通道都能提供手动强化的归纳偏置，强制得到在其它情况下不可控的搜索空间，并允许机器人从合理的多次持续交互中学习。将自然语言处理和机器人对环境的理解结合可以提高两个方法的效率和效能。直观上，学习语言在它所描述的现实物理环境中会更加容易。并且如果人类能自然地和机器人交谈，教它们关于世界的知识，机器人会变得更加有用。我们已经利用这个洞察证明了机器人可以学习它预料以外的描述全新目标的语言。它们还学会了跟随指示执行任务，并解释未经预演的人类姿态，这些都是通过和非专业用户的交互得到的。将这些不同的研究领域结合在一起，可以创建令机器人使用语言进行学习、适应和遵循指令的方法。理解人类的需求和交流过程仍然是一个长期存在的 AI 问题，该问题的大背景是理解机器人如何与人类环境进行优雅地交互。结合这些能力，我们可以开发出灵活、价格低廉的机器人，并将其融入到实际环境中。Sinno Jialin Pan新加坡南洋理工大学Sinno Jialin Pan 是南洋理工大学计算机科学与工程学院的助理教授。他的研究领域包括机器学习及其在观点挖掘、社交媒体分析、文本信息抽取、推荐系统和软件工程中的应用。迁移学习最近，深度学习等监督学习算法对我们的生活产生了很大的影响，但它们也有明显的局限性。首先监督模型的学习很大程度上依赖于训练数据的标注数量与质量，但在很多现实应用中，高质量标注数据是很难获取的，所以模型的效果并不会很好。其次，由于如今很多监督学习算法都只针对特定领域，因此在改变领域后，模型的性能会有较大的损失。我们的长期研究目标是使用迁移学习技术构建学习系统，以在很少的监督信息下适应新的相关领域。过去我们一直关注在不同的领域中发现新的特征，以便减少领域差异并保留原始数据的重要属性。利用学到的特征，我们可以复用标准监督学习方法进行跨领域预测。我们已经使用核嵌入和深度学习技术开发了一些高效的迁移学习方法，并将它们用于无线传感器网络、情感分析和软件工程等。虽然迁移学习吸引了很多研究者的注意，但它仍然处于早期阶段。首先，迁移学习研究主要关注分类与回归问题。然而，很多现实应用并不能简单地建模为分类或回归问题，强化学习等优秀的机器学习范式可能更适合复杂的学习问题。根据不同深度强化学习问题构建的迁移学习，其目标不仅是提升预测结果，同时还可以减少不必要的工作量。原因在于用端到端的方式寻找最优策略非常耗时，这也是深度学习的瓶颈。当前大多数迁移学习方法通常假设我们可以从不同任务数据中抽取任务间的相似性或通用特性。但实际上，不同任务间的数据在本地机器中可能是有分布的。因此由于昂贵的通信成本与数据隐私方面的考虑，将不同任务的数据集中到主机并执行迁移学习是不可能的。因此在未来的五到十年间，我们准备探索两种新的迁移学习研究方向，即深度强化迁移学习和迁移学习的分布式最优化。我们相信如果该研究取得成果，那么迁移学习在实际应用中将变得更加重要。B. Aditya Prakash弗吉尼亚理工学院B. Aditya Prakash 是弗吉尼亚理工学院计算机科学系的助理教授，也是该学院的探索分析中心的成员。他获得了 ACM 2012 年信息与知识管理国际会议的最佳论文奖，IEEE 2011、2012 和 2017 年数据挖掘国际会议的最佳会议选集，还有 IEEE/ACM 2013 年社交网络分析与挖掘国际会议的最佳会议选集。Prakash 关注于数据挖掘、应用机器学习和数据库等领域，并重点研究了大规模现实网络和序列的大数据问题。网络与传播分析如基因调控、通信、医院和在线社交网络等无处不在的网络，它们有效地建模了网络安全、流行病学、社交系统、生物学等许多现实现象，这些网络都揭示了局部依赖性与大规模结构。此外，网络上类似于蔓延的传播过程能产生多种宏观行为，它们同样能导致很多挑战与令人兴奋的研究问题。例如通过人口网络模拟疾病的传播，查找电网故障点或快速检测在线病毒等。这些大数据问题通常是很具有挑战性的，因为它们涉及很多现实应用与技术问题。因此理解这样的传播过程，最终可以利用它们对现实问题进行建模，例如流行病的传播可帮助构建更强大的免疫策略等。为了应对这些问题，我们需要跨学科研究多个概念与技术，例如组合学和随机优化的理论与算法、异步计算系统、机器学习与统计学习模型和非线性动力学等。我们一直希望使用一系列模型以统一的方式描述疫情传播。使用这些新颖的特征，我们团队正设计可行的免疫策略。此外，对于其中一些模型，我们制定了第一个可证明为近似最优策略的方法。最后，我们希望能开发用于控制疾病传播的数据驱动型框架。该框架可以使用细粒度的监督数据和人际间的联系模型构建强大的免疫算法，它无缝地考虑了约束条件并融合了噪声异质的数据源。相比之下，以前大多数工作依赖于先验建模方法，它对基线策略可能是足够好的，但对监督数据的增长并不会表现出较大的提升。我们的工作也表明，网络传播会在不同领域间产生惊人的联系。例如与网络安全研究员合作，我们使用集成模型构建了恶意软件传播的方式，它不仅能检测恶意软件同时还能监控危险人物的行为。Maria Vanina Martinez阿根廷国立南方大学Maria Vanina Martinez 是阿根廷国家科学和技术研究委员会（CONICET）的兼职研究员，以及阿根廷国立南方大学的人工智能研究和开发实验室的成员。Martinez 从马里兰大学帕克分校获得了她的计算机科学 PhD，并曾在牛津大学计算机科学系中做博士后研究。她的研究兴趣包括在不确定条件下的推理、关系数据库和知识库中的非一致性管理、可废止推理（defeasible reasoning）和论证。她目前的研究聚焦于开发一系列的容许非一致性和容许不确定性的数据的模型，用于从网页中提取数据库，并应用到可扩展的问答算法上。实现混合的数据驱动和知识驱动的决策支持大多数 AI 研究关注的要么是开发寻找和收集数据的自动化方法，要么就是构建知识表征模型。我相信接下来的一大步是更加深入自动化系统使用可用知识以增强人类在现实世界应用中的决策能力的方法。为了开发智能决策支持系统（IDMSS），AI 可以自动将所获数据与来自用户的领域专业知识（哪些工具应该有用）结合起来。这可以通过结合数据驱动的 AI（机器学习）与基于知识的模型来实现。其中数据驱动的 AI 可以从原始数据中提取出尽可能多的信息，而基于知识的模型则可以处理更抽象和更复杂的认知任务。我一直在研究为多种核心的 IDMSS 相关问题构建解决方案。为了让这样的系统能理解人以及与人合作，我重点研究了偏好建模、不一致或冲突信息的管理、理解知识和信念（belief）的动态以及建模社交互动对推理任务的影响。在我的博士研究期间，我开发了一种框架，可用于管理关系数据库中不一致性的策略。之后，通过重点关注能让我们以不同方式建模不确定性的更具表现力的语言，我深化了在不一致性管理方面的研究。这些语言让我们可以定义更合理和计算更高效的语义，以便实现可包容不一致性的问答。此外，我也研究了信念修正理论（belief-revision theory）的一些方面及其与不一致性管理的联系。在这个过程中，我开发出了一些框架；相比于传统方法所用的框架，我开发的框架可通过从更全局的视角考虑冲突来融合和修正知识，利用有关问题所处的背景的信息，从而发现有意义结果。之后，我一直在研究社交媒体中的知识的动态，尤其是复杂社交网络中信念传播的建模。截至目前，我已经从知识表征角度解决了这个研究问题，使用不确定知识定义了用于复杂推理的形式模型（formal model）。但是，基于知识的系统的形式化和 IDMSS 的实际构建是不一样的。我的下一个目标是通过设计开发数据驱动和知识驱动的混合方法来缩小这一差异，有效地找到原始异构数据、语义和抽象的推理模型之间的「甜蜜点」。俞扬南京大学俞扬是南京大学计算机科学与技术系副教授，他在南京大学计算机科学与技术系获得博士学位。他的学位论文获得了全国优秀博士论文奖和计算机学会优秀博士论文奖。俞扬在 2008 年的亚太知识发现和数据挖掘会议、2011 年的遗传和进化计算会议（theory track）以及 2016 年的智能数据工程与自动化国际会议学习中均获得了最佳论文奖。机器学习中的无导数优化机器学习需要确定模型与环境是最佳拟合的。为了搜索该模型，学习系统的设计者必须考虑优化算法的能力，这是此类学习任务的关键。优化算法的局限性将限制模型类型、数据表征和学习目标的选择。基于梯度的优化被广泛使用，但是学习任务不总是那么简单可以使用该方法。大部分学习问题非常复杂，需要更强大的优化。现在有一些强大的无导数优化工具，如进化算法。但是，很多人认为成功使用这些工具需要一些运气，因为关于这些工具需要多久才能获得优秀的结果、这些结果有多好、如何选择合适的参数等问题仍然没有明确的答案。我的研究主要关注构建无导数（Derivative-Free）优化的理论基础。我们的研究覆盖了时间复杂度分析、近似率分析、算子作用（operators』 effects），最近还覆盖了高维空间和噪声环境中的优化。现在我们探索如何在不用担心非凸问题和不可导性（nondifferentiability）的情况下设计更好的学习系统。对于组合优化，我们开发了 Pareto 优化方法（即 ParetoOpt），用于布尔约束函数（constrained Boolean function）。ParetoOpt 取得了目前子集选择问题最优的多项式时间近似率，因此使得我们能够创建当前最优的稀疏回归学习算法。ParetoOpt 还在更多设置中实现了最好的理论和实证性能，包括具备总成本约束的子集选择和单调集函数的近似率最小化等设置。对于连续域优化，我们开发了 sampling-and-classification (SAC) 框架。我们证明该框架能够逼近多项式时间中任意函数的全局最优解。使用 SAC 可以解决高度非凸 ramp-loss 学习问题，性能优于使用当前最优的梯度方法。目前，无导数优化在执行机器学习任务时仍然存在局限性。我们正在努力研究如何在现实世界中，大型带噪声的复杂任务克服该局限性。我们认为机器学习调用整个 AI 的其他部分（如规划和 logic 表征）时，无导数优化将发挥更重要的作用。因此，我们会继续该领域的研究。

3月28日，由中共江西省委组织部、江西省人力资源和社会保障厅组织的高层次人才专场招聘会第三站在沈阳举行。　王剑　摄中国各地燃起“引才大战” 海归博士为中西部“留人”支招(图)中新网南昌3月29日电 题：中国各地燃起“引才大战”海归博士为中西部“留人”支招中新网记者王剑气温回暖的三月末，中部省份江西加入全国越来越热的“引才大战”，首次汇集59家用人单位3393个高端岗位，连续3天在东北三省召开专场招聘会。据了解，3月26日到28日，由中共江西省委组织部、江西省人力资源和社会保障厅组织的高层次人才专场招聘会，在哈尔滨、长春、沈阳举行。本次活动共收到简历647份，其中80%为硕博学历，达成初步意向336人，可谓成果丰硕。中西部省份：组团走出去引得凤凰归华东交通大学在这次的引才活动中与多名重点学科博士“牵手成功”。该校副校长范勇认为，省级层面的专场招聘会比各单位“单打独斗”效率更高。“参与的学校比较多，来的学生数量大，招聘效果更好。”记者注意到，以往习惯“栽好梧桐树，坐等凤凰来”的中西部省份近年来纷纷转变思路，向东部地区学习，走出省际甚至跨出国门，“组团走出去，引得凤凰归”。公开资料显示，本月中旬，浙江现代服务业人才招聘会在香港会展中心举行，这是浙江第10次大规模组团赴港招才引智，规模创历年之最。此外，陕西省22所高校目前正在美国组团招聘人才，提供近千个专兼职和长短期工作岗位。2017年以来，中国各地招才揽贤的政策接连出台并不断升级，买房打折、租房补贴、落户降标、项目资助、一次性奖励等引才政策，取得了明显的效果。在江西省人力资源和社会保障厅专技处处长叶志忠看来，“江西近年来经济的高速发展对人才引进工作起到了积极的作用，而高层次人才的引进反过来又助推了我省经济的发展。”据叶志忠介绍，2015年开始，该省引进高层次人才数保持着20%的增速，今年预计刚性引进1000人。据了解，江西省这次东北引才活动采用了线上线下相结合、现场招聘与网络招聘同步的方式，招聘会结束后，求职者仍然可以通过网络和用人单位进行沟通交流。叶志忠称，此次招聘会也把江西省委《关于深化人才发展体制机制改革的实施意见》以及“双千计划”等重大人才政策，在各大高校广泛推介，让大家知道江西、热爱江西，愿意来江西创新创业。海归博士：中西部地区天地广阔作为经济欠发达的中西部地区，高层次人才“引进来”之后，“留得住、用得好”随即成为当地人才工作的又一考验。2013年，方玉明获得新加坡南洋理工大学计算机工程博士学位，被作为高层次人才引进江西，主要从事视觉大数据等方向的研究。3月28日，已经“扎根”江西5年的海归博士方玉明，首次转换身份，以江西财经大学科研处副处长的身份，在东北大学招聘高层次人才。“这几年确实有国内东部一些重点大学伸出橄榄枝，但我都委婉谢绝。”方玉明坦诚，除去报效家乡等情感因素，校方给予的工作平台和发展空间是其定下心来的主要因素。目前，方玉明已成为江西财经大学最年轻的教授、博士生导师之一，并获得2017年度江西省杰出青年人才计划资助。谈及中国各地的“引才大战”，方玉明认为，各地一方面要正视人才流动，另一方面应当完善科研平台、薪酬待遇、后勤保障等机制建设。此外，也需要注重“精准引才”和“柔性引才”。“可以通过兼职等方式吸引优秀人才为我所用，对在外的本省籍的青年才俊有针对性地加大引才力度。”与此同时，方玉明也结合自身经历，温馨提示有归国创新创业意愿的海外人才：不必拘泥于必须在东部发达地区工作，中西部地区天地广阔，亦有其差异竞争的优势。江西省委组织部人才工作处处长刘寒松告诉记者，该省正在不断优化留住人才的政策，已在全国率先建立人才创新创业引导基金，设立江西人才服务银行，在落户、医疗保健、配偶安置、子女入学等方面为人才提供“一站式”服务。(完)

雷锋网编者按：德州扑克的人机大战是继围棋之后最受关注的人工智能应用之一，而以其为代表的博弈问题也成为了学者们关心和讨论的话题。算法博弈论实际上在安全领域有着非常重要的指导意义，它通过提供一个恰当的数学模型，借助有限的安全资源进行合理的调配与部署。为此，雷锋网邀请了新加坡南洋理工大学计算机科学与工程学院的助理教授安波博士为我们揭示算法博弈论的魅力。安波，新加坡南洋理工大学计算机科学与工程学院南洋助理教授，于 2011 年在美国麻省大学 Amherst 分校获计算机科学博士学位。主要研究领域包括人工智能、多智能体系统、博弈论及优化。有 60 余篇论文发表在人工智能领域的国际顶级会议 AAMAS、IJCAI、AAAI、ICAPS、KDD 以及著名学术期刊 JAAMAS、AIJ、IEEE Transactions。曾获 2010 年国际智能体及多智能体系统协会 (IFAAMAS) 杰出博士论文奖、2011 年美国海岸警卫队的卓越运营奖、2012 年国际智能体及多智能体系统年会 (AAMAS) 最佳应用论文奖、2016 年人工智能创新应用会议 (IAAI) 创新应用论文奖，以及 2012 年美国运筹学和管理学研究协会 (INFORMS)Daniel H. Wagner 杰出运筹学应用奖等荣誉。受邀在 2017 年国际人工智能联合会议 (IJCAI) 上做 Early Career Spotlight talk. 他是 Journal of Artificial Intelligence Research (JAIR) 编委会成员以及 Journal of Autonomous Agents and Multi-agent Systems (JAAMAS) 的副主编。当选为国际智能体及多智能体系统协会理事会成员。雷锋网 AI 科技评论：最近关于德州扑克的人机大战很火，能否请您为我们介绍一下求解这类博弈问题的挑战？安博士：德扑的人机大战是 AlphaGo 的围棋大战之后最火爆的话题，特别是最近李开复老师在海南组织了卡内基梅隆大学 Libratus（中文名冷扑大师）系统与龙之队的对决。不出意外，人类棋手再一次被 Libratus 系统碾压。Libratus 系统之父 Tuomas Sandholm 教授是我的师兄也是我的学术偶像。Libratus 的成功与近几年来最火的深度学习无关，其成功完全归功于德扑博弈问题均衡策略的求解。这是最让人兴奋的。围棋比赛本身是一种完全信息博弈，而扑克是不完全信息博弈（玩家不能观测到对手手中的牌），因此比完全信息博弈更难解决。Libratus 系统基于一些关键的技术，包括博弈抽象及逆映射、基于 CFR 的均衡求解，以及残局求解。Libratus 现在的成功不是终点，比如 Libratus 目前只能单挑，不能参与群体赛。雷锋网 AI 科技评论：安博士，您最近的一个主要研究方向是以算法博弈论的研究及其在安全领域的应用。是否能和我们介绍一下这个研究方向目前的研究现状？安博士：保护关键公共基础设施和目标，如机场、港口、历史名胜、发电设施、政治人物，甚至珍稀动物和自然资源等，是各国安全机构面对的一项极具挑战性的任务。有限的安全资源使得安全机构不可能在任何时候都提供全面的安全保护。此外，安全部门的对手（如恐怖分子、罪犯）可以通过观察来发现安全机构的保护策略的固定模式和弱点，并据此来选择最优的攻击策略。一种降低对手观察侦查能力的方式是随机调度安全部门的保护行为，如警察巡逻、行李检测、车辆检查以及其他安全程序。然而，安全部门在进行有效的随机安全策略调度时面临许多困难，特别是有限的安全资源不能无处不在或者每时每刻提供安全保护。安全领域资源分配的关键问题是如何找出有限的安全资源最优配置方案，以获取最佳的安全保护方案。博弈论提供了一个恰当的数学模型来研究有限的安全资源的部署，以最大限度地提高资源分配的有效性。安全博弈论研究是由南加州大学 Milind Tambe 教授领导的 TEAMCORE 研究小组引导发展起来的，现在越来越多的学者参与到这项研究中，包括卡内基梅隆大学，杜克大学，牛津大学等。相关的论文广泛发表于人工智能领域的顶级会议 AAMAS、AAAI 和 IJCAI，安全博弈论的研究已经成为当前人工智能研究的热点之一。基于安全博弈论的系统已经被美国不同领域的安全机构所应用，包括机场安保、空中警察调度、海岸警卫队巡逻调度、野生动物保护，产生了很大的反响，如美国国会听证数次提到了相关的研究成果及应用。雷锋网 AI 科技评论：整个研究过程中最富挑战的地方在哪里？可以如何解决？安博士：安全博弈论研究以解决实际重大安全问题为目标，而实际问题通常是非常复杂的，大规模的，且有很多不确定因素。另外安全领域的用户有解决方案质量的保证，因此诸如遗传算法一类的启发式算法不能被应用。算法设计的第一个挑战就是求解大规模博弈问题。随着安全部门安全策略、恐怖分子攻击行为和安全资源数量的增加，防御者和攻击者的策略空间都呈指数增长。传统的算法无法解决此类大规模的安全博弈问题，因此，提高现有的安全博弈算法的可扩展性是一大挑战。第二个主要挑战是算法的鲁棒性。传统的博弈论通常假设参与者是完全理性的并且具有完美记忆能力的。但在现实中这些假设可能并不准确。因此，在计算防御者的资源分配策略时，算法应考虑各种不确定性，包括效用误差、执行误差、观测误差以及能力的不确定性。雷锋网 AI 科技评论：实际上算法博弈论在很多安全领域已经有一些尝试和应用，例如您参与的基于博弈论为美国海防制定巡逻计划的研究获得了 2012 年的 Daniel H. Wagner Prize，也已经获得了应用。此外，您还有一篇关于野生动物保护的论文获得了 IAAI-16 的应用革新奖项。是否能简单介绍一下这个工作特别是在算法设计以及应用方面的难点？想了解下，和美国海防的巡逻应用相比，同样是围绕博弈论设计安全算法，是否有共通和不同之处？安博士：每一个应用都带来新的挑战。在 14 年底给马来西亚的合作 NGO 给了在动物保护区的巡逻路线，但是他们无法执行我们制定的巡逻路线，我们在 15 年 4 月专程到马来西亚的动物保护区森林里走了 8 个小时之后，才认识到我们忽略一些地理信息，以至于巡逻人员无法完全按照我们制定的路线行走。后来通过分析地理信息，找出所有的山脊线，求解最优的巡逻策略，并成功应用起来。最后的算法也应用了对攻击方建模以及处理不确定信息的研究成果。雷锋网 AI 科技评论：从美国联邦空军管理局，美国海岸警卫队到野生动物保护组织，为这些专门领域所设计的应用软件，在未来可能有其它的应用场景吗？如果加入了博弈论的概念，是否存在一个通用性强的安全系统，可以在多种场景中获得普适性的应用？安博士：目前的安全博弈论研究可以应用到更多的安全领域，如网络安全、海洋巡逻、边境巡逻、禁毒、抑制犯罪、对抗网络谣言等。现有的一些核心算法设计思想可以应用于新应用领域的问题，但是每个领域可能都有自己的特点，因此需要分析新应用领域的一些结构特点，并利用这些特点提高算法的效率。雷锋网 AI 科技评论：目前以安全博弈论研究还存在哪些亟待解决的问题？通常需要什么样的数据来支撑研究及应用？安博士：很显然，新的应用领域会带来很多新的研究挑战，之前的应用也还有很大的改善空间。George Box 说过所有的模型都是错误的。现有的安全博弈模型都是对复杂安全领域的抽象，并做了很多简化以及很多较强的假设。（是否能具体说明一下？）未来的研究需要设计高保真度的攻击者行为模型 (如攻击者的理性行为选择)，更合理的模型来描述环境以及博弈问题的不确定性，以及博弈的时空动态特性。之前针对实体安全（特别是反恐）的安全博弈论研究能够用到的数据很少，通常需要通过人工实验来获得一些模拟的数据。珍稀动物保护以及城市犯罪应用领域有很多数据可以用来学习模型的一些参数。雷锋网 AI 科技评论：深度学习系统最终需要解决知识不完备的情况，且系统在决策过程中需要考虑非常复杂的情况，实际上这与博弈论的理念非常相近，那么结合您所做的一些工作，您认为人工智能能如何更好地与博弈论相结合？安博士：传统的人工智能技术通常考虑一个智能体（agent）的设计，多智能体系统技术的出现使得我们能够处理分布式的学习、推理、规划、协调等问题。随着互联网技术的发展，多智能体系统往往存在一些「自私」的智能体（如电子商务市场的交易方），因此需要引入博弈论来分析智能体的交互策略。我们现实社会中这种「自私」的行为比比皆是，比如司机会根据路况选择最优的路线去目的地，出租车会选择最优的运营时间段来获取最多的利润（这也是很多大城市打车难现象的主要原因），如果我们想用人工智能技术来代替人类来做一些决策，我们需要用博弈论的方法来分析复杂的交互，设计出能真正替代人类做出理性决策的智能体，我们也做过出租车市场最优定价以及电动车充电站配置优化方面的工作。事实上，人工智能的开拓者比如 von Neumann 和 Simon 都对博弈论做出了杰出贡献。博弈论和人工智能实际上都基于决策理论。例如，有一个著名观点把人工智能定义为「智能体的研究和构建」。国内也有很多优秀的从事算法博弈论研究的人工智能学者，分布在诸如 MSRA、清华、上财等科研机构。雷锋网 AI 科技评论：有观点认为，机器学习理论认为所面对的问题可以转变为一种找寻优化方案的过程。那么您如何看待博弈论与机器学习的优化问题之间的联系？安博士：博弈论的研究最终都被转化为优化问题的求解，如 Libratus 系统完全基于大规模优化算法的设计。机器学习跟统计学结合更紧密一些，而博弈论跟运筹学结合更紧密一些。雷锋网 AI 科技评论：这个课题听上去并不像人脸识别、语音识别、NLP 这样的领域一样能广泛应用于我们的生活中，结合您的研究经历，谈谈您为何会选择算法博弈论的研究方向？安博士：之前的应用更多针对于安全领域，目前有很多研究试图将一些思想应用于包括网络安全其他领域。我在 USC 做博士后的时候开始从事这个领域的研究，后面就一直做下来了。我很幸运参与这一方面的研究，这一系列研究最让人骄傲的地方在于，我们不仅做了高质量的研究工作，同时又有很多有巨大影响的实际应用。雷锋网 AI 科技评论：您将在今年的 IJCAI 发表 Early Career Spotlight 演讲，介绍您最近几年的研究工作。请顺便介绍一下您了解到的其他一些热门研究方向。安博士：我可能会介绍我们这几年将博弈论用于安全以及可持续发展方面的研究进展。就我熟悉的多智能体系统领域来说，热门研究领域包括算法博弈论、多智能体学习、分布式规划、分布式优化等。雷锋网 AI 科技评论：目前 AI 在中国非常火热，是否能结合您的教学经验以及参会情况，和我们分享下新加坡的 AI 发展状况（包括学界/业界）？安博士：AI 在中国的火爆主要是工业界推动的。尽管新加坡的几所大学都有优秀的 AI 学者，新加坡的工业界对 AI 的热度不及中国。听说新加坡政府最近在做一些大的规划，希望这些计划能让真正推动 AI 研究。从德州扑克到安全领域，算法博弈论的魅力就在于能在有限的资源下最大限度地进行优化利用，而基于算法的实用性，也拥有广泛的应用空间。相信在未来，不只限于安全领域，算法博弈论还能在更多的方向为人类带来便利。

据QS世界大学排名显示，新加坡最负盛名的两所大学——新加坡国立大学(NUS)和新加坡南洋理工大学(NTU)连续三年位列世界前30位、亚洲前五位，并在十几个学科领域被评为五星国际顶尖水平。新加坡境内目前有六所公立大学全部具有授予博士学位的资格，并在生命科学、社会科学、计算机、工程、教育学、商科等领域研究居于世界领先地位。那么，新加坡PHD申请条件、奖学金申请和就读优势又是什么呢？接下来，桑尼将用满满的干货填充你的留学信息盲区。新加坡博士教育学制学年安排新加坡标准的学年学制分为两个学期。第一学期通常是8月中旬到12月初结束，第二学期在1月中旬到4月或5月底结束。新加坡学期相对短促，但负担较重，学生只有付出艰辛的努力才能获得博士学位。 学制与考核新加坡博士学位的修读年限为两年到五年，一般情况下，博士生能在4年时间顺利毕业，但学校大多会为入学者申请最长学习时限（5年）的学生签证，足见获得学位的不易。新加坡博士的培养模式与美式教育相似。按照不同院系专业的规定，每一位博士生必须修满本专业要求的必修和选修课程学分数，并对每门课程成绩和总成绩GPA有最低限度的要求，否则无法参加由博士生转换为博士候选人的资格考试(Qualifying Exam, 简称QE)。新加坡大学的考核制度也是由多种方式结合的。很多理工、医学等专业以期终考试，辅以实验、论文的质量为参考，给出学生成绩的最终评定。而教育学、文学、社会科学、艺术等领域的考核则看重学生对规定阅读文献的掌握、课堂参与讨论的积极性以及课程论文的完成情况。一门课程一周时间阅读两三百页的英文原文往往是家常便饭，这还不包括一些临时附加的课堂小作业等。 通过课程及QE考核后，就是学生真正开始做自己毕业论文的时间。这期间，学生往往有更多参与国际学术会议、协助老师做研究工作、去海外访学或做田野调查的机会。新加坡PHD优势顶尖的大学排名与高含金量的文凭新加坡国立大学和新加坡南洋理工大学均是亚洲首屈一指、国际顶尖的研究型高校，加之新加坡政府将教育产业放在国家优先发展的位置（财政支出仅次于国防），未来一段时间内新加坡仍可能是亚洲领航的高等教育枢纽。所以如果有留在新加坡工作的规划，申请新加坡高校教育学PHD，未尝不是一个好选择。此外，高含金量、高认可度的博士学位也使得学生毕业后，拥有回国或去海外其它国家地区工作的更多发展可能。国际化的办学方针在师资队伍建设上，为提升本国高等教育质量，新加坡政府调整移民政策，每年从英美、欧洲、香港等教育发达地区吸纳大量博士人才，巩固师资力量的优势地位。在培养模式方面，新加坡高校吸纳美国高校的选课和学分制教育模式，鼓励学生跨学科、跨院系选课，培养学生全方位的学科知识与全球化的国际视野。此外，各个学校还与世界各大洲数十所顶尖高校与科研院所建立合作关系，鼓励本校学生参与地区、国际级的学术会议或访学项目，并提供奖学金支持。 相近的语言与文化华人在新加坡总人口的比重超过70%，许多当地人仍保持同中国相近的文化传统与生活习惯。对于从未有过留学经历的申请者来说，留学新加坡能更好的适应当地生活，顺利地完成由中式教育到西式教育的适应和过渡，在艰苦的读书环境下，仍有相对轻松熟悉的生活环境，减轻繁重的课业压力带来的烦恼。 广阔的校友关系网新加坡各高校拥有来自超过100个不同国家的学生，因其严苛的入学标准，能顺利来狮城就读的学生往往是不同国家青年人群的佼佼者，其中又以来自中国的学生为最大比重。新加坡这个大都市以及高校的国际化氛围为学生拓展校友关系网提供良好平台，今后学生无论是回国就业还是在新加坡求职，都能在新加坡积累下充足的人脉资源。本科就可申请，学制短新加坡博士一般可以在4年内毕业，并且可以本科毕业就直接申请，可以在非常快的时间内拿到博士学位。对比一下，国内目前硕博连读一般需要5-6年，欧美的博士一般需要4-6年，而且目前欧美的博士申请竞争很激烈，本科毕业的背景会很难申请，一般需要硕士毕业申请，这样下来，整体需要7-9年拿下博士学位，是一件非常耗时费力的任务。新加坡的留学费用与奖学金尽管新加坡的教育质量与国际声誉有目共睹，但高昂的留学费用还是让许多考生望而却步，而且近年来更有逐年上涨，教育资源向本国学生倾斜之势。以新加坡国立大学为例，近三年来，研究生课程一年的学费为15-16万人民币左右，加之新加坡高昂的生活成本与住宿费用，对于普通家庭而言，依靠自费攻读新加坡学位，是一笔不小的支出。对于来狮城读博士的学生而言，拿到奖学金或其它形式的赞助后再来攻读，是一个相对现实的选择。中国学生目前在新加坡可以申请的奖学金或资助主要有以下几类：李光前研究奖学金(Lee Kong Chian Graate Scholarship)所有新入学的博士生可以申请该奖学金。成功的申请者可以免除在校期间的学费和学杂费，外加每月3500新币的工资、3000新币的单程旅行机票费用、每年500新币的购书补贴以及1500新币的购置电脑补贴。总统奖学金 (President Scholarship) 新入学或者通过QE考核的博士生有资格申请该奖学金。成功的申请者可以免除在校期间的学费，外加每月3000新币的工资、上限750新币的机票费用以及1000新币的一次性奖金。研究奖学金 (Graate Research Scholarship)所有新入学的博士生可以申请该奖学金。成功的申请者可以免除在校期间的学费，外加每月2000新币的工资。学费津贴 (Tuition Fee Allowance)所有新入学的博士生可以申请该奖学金，成功的申请者可以免除在校期间的学费。服务协议 (Service Obligation)所有攻读政府资助的 (government-subsidized) 研究项目学位的博士生可以申请服务协议。协议签署后，学生在校期间的学费会被减免，大约为正常费用的60%左右，条件是学生毕业后必须在新加坡当地工作至少3年时间。CSC国家奖学金大家已经很熟悉，不再赘述。不过由于新加坡不存在免学费录取的offer，因此需要申请CSC的全额奖学金，成功率往往有限。总的来看，新加坡高校的博士申请是一场鏖战，繁琐的申请流程与千差万别的申请要求对考生的基本素质与申请策略都提出了更高准则。如果说“一切要赶早”是所有博士申请的准则的话，那么新加坡的博士申请则在时间提前的要求上更为严苛，所以有申请计划的同学一定要及早规划呀！

每一个想去新加坡留学的同学，肯定都暗搓搓地考虑过自己的条件能不能走上新加坡的两大世界级名校——新加坡南洋理工大学和新加坡国立大学。这两所学校，是无数人心中的白月光，亚洲学校排名也是NO.1的位置，QS排名超越清华和北大，那么他们的录取条件到底有多严格呢？Δ来源：QS亚洲大学Top10以硕士申请条件举例：南洋理工大学除极个别专业（如对外汉语）可以雅思6，基本都要求雅思6.5以上，部分专业要求雅思7。另外，如商学及土木工程等专业的部分学科，也会要求学生有一些工作经历。新加坡国立大学的工程学院、计算机学院、科学学院及设计与环境学院等雅思6才可申请，其他学院基本要求雅思6.5以上。对本科成绩没有明确要求，部分学科会要求2-8年不等的工作经历。通常学生本科背景都是985/211，平均分在83-86之间。但是就在前不久，我们的申请老师成功帮到一位双非同学申请到了南洋理工大学的科技创业与创新硕士。下面让我们看一下学生的背景：录取院校：新加坡南洋理工大学录取专业：科技创业与创新硕士本科院校：国内双非本科均分：83分雅思：6.5▲ 录取offer ▲ 这位同学是南方医科大学出身，本科GPA3.0，获得了生物医学工程+应用心理学的双学位。毕业后有多年工作经验，并且有自主创业经历。这位同学最终能顺利走上南洋理工大学，正是这段创业的经历成为了他申请南洋理工硕士的重要支撑。除此之外，他的雅思成绩是6.5，也满足了该专业的申请条件。在与他沟通的过程中，芥末的申请老师也发现了他较强的沟通能力和优秀的思维逻辑能力。这些都是助力他在本科背景不尽人意的情况下，依然成功申请的重要原因。通过这个逆袭成功案例，我们的申请老师也对所有双非想要申请NTU和NUS的同学，提出了这3点宝贵建议！如果同学们早在学生阶段就做好了留学规划，请务必在本科期间努力提高自己的平均分，均分最好可以在90+。如果同学已经毕业，且本科背景以及均分都不突出，努力刷语言成绩，雅思成绩最好可以达到7。如果本科背景不过硬，语言提升也十分困难，那么十分建议大家可以通过较好的对口专业工作经历来补足一些。所以说，尽早规划，才能距离申请目标越来越近。但在实际的申请过程中，每一位同学的背景都千差万别，可能会有很多自己都无法挖掘到的软实力，却可以在申请中帮助自己斩获OFFER。最后，非常欢迎大家可以来找我们专业的申请老师进行留学评估，说不准你会是下一个双非逆袭的幸运儿！就酱紫~白白

众所周知，南洋理工大学电子与电气工程学院（NTU EEE）是南洋理工大学三个创始学院之一，如今该学院已成为全球最大的工程学院之一，每年都会培养出一千多名优秀毕业生，为世界电子电气的蓬勃发展做出了巨大贡献。在电子与电气工程学院有一项类计算机专业，每年都是NTU申请的大热门，它就是计算机控制与自动化。想要申请该项目的小伙伴快点看过来！项目介绍MSc in Computer Control & Automation由电气与电子工程学院开设的计算机控制和自动化理学硕士课程，设置了时下最火爆的人工智能，又是类计算机专业，因此成为每年申请的大热门，适合于想转计算机但又转不了的同学，该课程为当今或未来即将成为工程师的学生，提供基于计算机的控制与自动化系统的开发，集成和操作的先进实用的工具。申请截止日期2021年1月31日课程设置计算机控制系统系统分析机器人学与智能传感器过程控制高等数字信号处理项目管理与创业机器视觉计算机控制网络嵌入式操作系统神经网络与模糊系统系统分析电磁兼容设计电力电子变流器分布式多媒体系统电力系统规划与运行●申请要求●1.学术要求：相关专业学士学位2.语言要求：托福100或雅思6.5