上大 MIS ⏩ Rice MCS
基本背景
上海大学-管理学院-信息管理与信息系统 2018-2022
GPA:3.6/4
Rank: 学院20%, 专业11/23
托福100+
GRE 320+
一等学业奖学金
美赛M
实习:
申请前 一段飞利浦家电 算法实习生
CV方向
科研项目:数据分析📊
很多段,两篇sci三作
录取结果:
Rice CS
去向
USC CS28&37 (Spring)
NEU CS general (SV校区)
NUS CS general track
我是大一就选择中介全包,但其实大三中介才会介入。早报名更多的是心理安慰和确定这条路。
正是因为很早花了这笔钱,我基本上整个大学都围绕申请展开,包括科研和实习。
- 我大二专注于绩点(大一绩点较差)和在导师组里打杂。
- 大三更加深度地参加一些课题以及在有幸在一个学姐的refer下找到一份很不错的实习。
其实我这届的学分要求还很高 大概280才能毕业,学分压力不大的话可以在学期中就找实习。实习的好处是可以为下一份实习打好基础,比如第一段在小公司做,熟悉了一些技术栈可以带着这份经历找更好的实习。越大的公司对应有更高的留用机会。
这其实给了退路:不一定要在读研一条路上走死。除了读博以外都是就业导向的,如果本科毕业就能有好去处那是最好的 省下了时间精力和金钱。
关于什么东西在申请的时候最被看重,我觉得是要讲好一个故事,这其实在不同地方都很适用。拿我举例,我其实科研实习都做的是算法,但是我申请的是CS,再加上本科非CS科班其实不是很匹配。所以除了申请转码项目以外,我就在申请中强调我很想就读CS的Machine Learning track 基本上都会有。
这样讲一方面让目的更明确,另一方面我的非科班情况也变成我的动机之一:正是在大量实践中发现自己缺少一些扎实的理论学习,所以要读这个master,这样故事逻辑链条就很完整。在申请的时候如果没有硬伤的话可以申请更好的学校抽一下彩票,入读之后会发现大家本科背景方差很大,一切都有可能
信管做ML转开发心路历程
我在本科导师的一个小组下做各种各样的项目,从一开始的爬虫到后来各种数据分析相关的活。
其实本科生做科研,尤其在管院做ml相关的并没有很高的要求。熟悉python、读得懂文档、有一些数理基础就可以跟着老师做一些课题了。像传统的信管做的是行为学,需要有比较好的统计学基础。也有一些老师想用深度学习研究一些本专业的topic,这个时候由于是交叉课题,往往对于深度学习的要求就会低一些,会应用就可以而不需要在技术上做突破。
之前说的文书故事其实也是我的内心写照,我做了不少项目,但都流于表面。仅限于知道做cv、nlp的pipeline,一些常用模型的优缺点,但要我去改进就做不到。这一点在我实习的时候进一步放大,我可以根据已有模型的文档去处理数据格式,把模型跑起来,但是做不到优化模型以及讨论模型背后的数学。
考虑到算法这个方向的门槛越来越高,岗位也变少 现在由于ChatGPT的大火,情况变好,加上做开发的正反馈相比算法来的更快适合我这种急性子,就决定转开发。
关于 Rice
Rice是一个私立小学校,本科生的入学要求十分高,仅次于常青藤,硕士博士就稍差一些。学校校园很漂亮,该有的学生生活也有。硕士入学第一年可以选择学校的宿舍,有校车接送,还是挺方便的。课程有难有水,可以根据自己的状态决定。但是我这届砍掉了Software Development track,很令人费解。30学分毕业,所以最快最省钱一年半毕业,同时总学费6W2。
学校要求有实习才能毕业,所以大家对于找实习还是挺上心的。学校每年有两次career fair,会有一些休斯顿周边的公司来招人,这些公司有一定的上岸机会,但是比不了某些码农学校的career fair。
由于今年经济环境差,找实习有一定难度,简历投了200+的大有人在。不过到这个时间点身边的人60%找到了美国大大小小厂的实习,在同类项目算是不错的水平。值得一提的是,rice往年是meta的target school,今年meta全美都没招什么实习生,但以后还是有机会的。
德州生活成本较低,相比加州和纽约,房租大概是他们的40%。