下面给大家带来分享的,是卡耐基梅隆信息技术战略、芝加哥大学应用数据科学、约翰霍普金斯数据科学、南加大计算机科学等大学研究生项目录取的Jack同学! 本期介绍 2023Fall硕博录取分享
● 分享人:Jack
●本科大学:大陆院校 & 海外大学(不包含美国院校)
● 本科专业:应用数学
● 入读学校:卡耐基梅隆大学
● 入读专业:信息技术战略
大家好,我是分享人Jack,很高兴能在这里跟大家分享我的申请经验和升学故事。在2023Fall美研申请中我收获了卡耐基梅隆信息技术战略、芝加哥大学应用数据科学、约翰霍普金斯数据科学、南加大计算机科学等项目的录取。下面我将围绕研究生项目选择、活动实习、学术项目,乃至于申请节奏安排以及文书写作等方面跟大家分享一下我的经历和心得。
01、聚焦数据&编程,探索应用导向项目
我在申请中的专业选择有三个:分析学、数据科学以及CS计算机科学。之所以会如此选择一方面是因为我本身就倾向于应用,另外还有大一大二与AI相关的经历让我对应用方向也更感兴趣,这些经历我将在下文中展开与大家分享。
总的来说,了解过项目申请要求后发现他们要求的数学背景正好是我具备的,所以就决定申请这三个方向。在项目选择上我也不是一开始就坚定地做出了选择,中间还是出现过转变的。但我想走应用方向的想法一直没变。
例如最初我考虑过金融工程项目,我做过与之相关的第一段经历是在大二时跟老师做的图像时间序列分类研究,我将精力和时间都投入到了Machine Learning机器学习这个大方向中。
在选择项目经历去做的时候,我的选择标准是项目所能提升和体现的核心能力要能对标多个项目的要求,因此我做了很多与算法、数据处理相关的项目,比如研究机器AI学习这个经历就同时满足了金融工程和CS项目申请的要求。
所以虽说最终我没有在申请中选择金融工程方向,但由于我做的项目也可以用在计算机、数据科学、分析学的申请中,但总体来看我的申请方向上并没有经历非常大的转变。
除了找一些核心技能是数据处理、编程算法的项目外,为了获得一些高含金量项目的参与名额,我还会找一些课程资源通过自学尽量弥补自己在知识储备和实操技能上的不足,让自己达到项目的要求。比如Coursera上有非常经典的Andrew NG Machine Learning课程,学完后就可以跟进项目组跟着学长或是博士生做相关的项目。
在考虑申请方向的时候,我跟我的顾问张欣老师也聊了很多。刚好张老师带我梳理过一次本科的各个时间点要做哪些事,比如在开学之前就把官网上老师的介绍都检索一遍,挖掘一下是否有能够提前联系老师以获得参加项目的机会。
因为一开始我想走的方向其实还没有最终确定下来,比如我一开始想走金融工程,与此同时我还看到了其他机会比如资产定价、以及之后我做的AI学习之类的项目,我自己其实在机会和多个方向面前也拿不定主意,所以我也问过张老师的建议。
张老师给我的建议是如果还不能确定下专业方向,可以选择通用性强的项目去做,在项目中培养几个目标方向都需要的能力就不必担心前期做的项目不能用在申请中了。另外关于如何抓住实习机会和科研机会上,张老师也给过我很实用的建议。比如学校老师手上有哪些项目,课后可以去跟老师多聊聊看;也可以了解一下同学暑假的安排,看是否有可以参与的部分;是否有同学可以组队参加竞赛等。
张老师让我一定要学会走出自己的舒适区,去寻找对自己有帮助的人脉和资源。还有一定要关注时间顺序和选择先后上的问题,不要贪图多,更要看重质量。不过说实话,我的纯数背景来申这三个方向还是吃亏的。
主要原因就是我没上过CS课程,CS方向我能申接受转专业的项目。那因为这三个专业方向都很交叉,比如数据科学的话,它除了要求申请者有数学能力外也对CS会有要求。
刚才我也有谈到我们学校的数学其实偏纯数,至于计算机之类的内容我们当初仅有一门导论课,更深入的内容就比较少了,仅限于统计课里会涉及到R语言和Java语言。所以我本科课程跟纯工科专业内容上的差距还是很明显的,我也确实没听到很多同学申研录取数据科学专业的消息。
不过,也是因为我并没有太多计算机或者数据相关的经历,所以,申请计算机和数据科学对我来说其实没有太大区别,我就把它们统一归为人工智能或者数据大方向的项目来准备申请。至于分析学,它包含更多的是对于商业的应用,换句话说就是你想将它应用在哪些方面。所以在申请中我没有把分析学材料的内容呈现得特别具有技术导向。
总体来说我申请的这三个方向是具有相关性的。比如说数据科学、计算机和AI跟踪分析,都会涉及到统计数学方面的知识,更重要的是它们都会包含Data Learning 数据学习的相关内容。
那在一个工作流程里面,数据科学家负责将数据抽丝剥茧从中提取出有用的信息,分析人员将信息整理成一篇将在公司决策过程中产生影响的分析报告。而计算机人员则是会去搭建数据科学家们在工作中会用到的基础平台。
02、活动经历:负重前行所以步履扎实
从大二到大三,我的假期安排得都很满,也因此积攒了不少实习、科研、志愿者活动的经历。例如大二全年我都在做图像时间序列的分类研究,这是一个我一边学习模型分析,一边进行的学术研究项目。
另外大二暑假我通过大学提供的校外导师项目申请到了一个跟着电信技术总监做实习的机会。我在这个电信信息集团实习的主要工作是对社保卡数据进行分析处理,并获得了一定的社会回馈。
到了大三我做的活动同样非常丰富,我以志愿者的身份参加了英国Data Kind非政府组织的项目,这个项目当时也在为慈善机构Chasing The Stigma提供服务,我当时跟着很多计算机、统计领域的硕博学生,甚至专业研究人员为这个慈善机构建立了让客户数据挖掘和格式化操作更为简化的多功能仪表板。
暑假时我还参与了利物浦大学跟Milliman咨询公司合作的项目,预测二氧化碳排放对金融市场的影响。
大三下我参加了在数据科学领域非常有名的竞赛Kaggle,这个比赛中使用的数据都是现实中的公司提供的真实数据,相对的参赛团队面对的项目也是公司提出的真实需求。所以Kaggle比赛一方面很锻炼人,另一方面因为它要求参赛团队真的要通过研究区解决实际问题,因此它不管是在申请还是在求职中都有非常高的认可度。
如果你能在Kaggle比赛上名列前10%并写在简历中,那么基本就能进入面试环节。参赛选手不光有跟我一样的本科生,还有很多硕士、博士、在职工程师也在打比赛,备赛阶段我会去学习一下常胜队伍之前提出的解决方案,因为即便每个公司的数据是不同的但实际上还是有一些比较通用的解决方案。
其实我并没有为了这个比赛去特别提高哪些能力,因为比赛中用到的数据处理能力、建模能力、机器学习能力,这些在之前的科研和实习中都有接触到,我要做的就是要在比赛中把它发挥到位。我投入了很多时间在Kaggle比赛上,我做的项目主题是H&M个性化时尚推荐,为此我设计了基于SAR和新型损失函数的全新排名模型,功夫不负有心人,最终,我在比赛中斩获了一枚银奖。