CMU MSAII 院系介绍+安利
3360142
# 项目介绍
MSAII是在SCS的LTI下的新Master Program，原名是MSBIC(Master of Science in Biotechnology Innovation and Computation), 18fall的时候改名为了
Master of Science in Artificial Intelligence and Innovation. 虽然说有蹭热点的嫌疑，但也可以理解是一个试验性的项目，主要的培养目标是AI+entrepreneurship
所以在课程里会有不少ML+entrepreneur的课程。地里貌似还没有很多介绍这个项目的帖子，下面会从选课/实习/个人经验角度来分析这个项目。
## 学生背景
18fall项目中，绝大部分都是中国人，基本都是国内985，211 + 海本。同学的专业分布比较广泛背景丰富，但是大部分都是非CS背景（EE居多），所以是对转专业比较友好的项目。Instructor会比较prefer
背景丰富或者三维 strong的同学。
## 选课
MSAII是一个两年四学期的项目。参照官网 msaii.cs.cmu.edu，申请结束的暑假，项目会强烈要求同学enroll 15513（需要单独交学费）。513虽然
课程任务比较重，事儿多，对于想在暑假出去玩/实习/好好休息的同学也许会比较annoying，但是上完之后之后的一个学期选课上自由会比较大，所以还是比较推荐。
MSAII的课程主要分为5门核心课（4门课程+1个capstone）+ 6门ML必修课 + 至少36学分的选修课。项目要求每学期register至少36学分，至多60学分的课程，（在CMU，CS绝大部分贯穿整个
学期的课程是12学分，半学期是6学分，少部分重课是15学分，比如compiler或者OS）， which means至少要选3门课，至多可以选5门课。*选课自由度非常大，如果每学期都选5门，可以保证
把CMU CS绝大部分想上的ML+system上完*
### 核心课
首先说核心课，5门核心课贯穿整个四学期。第一学期2门，第二，三学期都是一门，最后一学期capstone project。
第一学期上两门，分别是 11-651, Artificial Intelligence and Future Markets 和 17-762, Law of Computer Technology。load都不大。
Future Market：主要是介绍AI如何在各种不同的场景中被使用。基本是team work做presentation，每节课两组上台展示，持续整个学期，打分主要是由presentation+期末考试组成。
上下来感觉这门课确实开拓了我的一些视野，对于我最大的收获在于打开了一些思维的局限，感受到一门技术（不光是AI，也可以是VR/AR，或者其他任何新兴技术）如何渗透进生产生活各个领域，对于打开一些思维成见很有帮助。
同时这门课会还会锻炼presentation能力，以及拉近同学们之间的关系，毕竟每周都要meet好几次。期末考试是当堂考察对于一些ML概念的了解（比如CNN做CV为什么效果好），以及根据不同的
场景需求设计AI system。
Law：这门课主要介绍一些和CS和技术创业相关的英美法系法律体系概念。比如Jurisdiction，Copyright，Patent，Long-Arm之类的。三次作业+一次take home final。作业和考试的
形式都是instuctor发几道题目，根据课上介绍的概念模拟判决。这门课，至少对于我来说，兴趣不是很大，但是对于以后的创业或者就业可能会有一些潜移默化的作用，至少知道怎么理解terms。
第二学期上一门，是11-695, AI Engineering。
AI Engineering：可以被理解为简化版的11785 Deep Learning，lecture涵盖的topic非常广，包括mlp，cnn，rnn，gan，vae和一些stoa的网络结构。作业也和785类似，包括三个作业和每周quiz。
三个作业是用tensorflow写CNN（vgg 或者 resent），machine translation + attention，和用gan做text style transfer。作业难度不大，load也不大，很快就能写完。
由于楼主只上了一年，所以也不是很清楚后面两门课是什么情况。
### 必修课
11-601, Coding Bootcamp
10-601, Machine Learning
10-605, Machine Learning with Large Datasets
11-611, Natural Language Processing
11-663, Applied Machine Learning
11-785, Deep Learning
鉴于我个人的选课情况，目前我基本上上完了所有的必须课，所以可以提供一些个人体会。
11-601, Coding Bootcamp： 俗称的刷题课，课上老师会介绍面试中会遇到的各种类型算法题，并讲解算法。打分主要是mock interview + 当堂测试 + 每周HW。这门课最大的好处是
会有mock interview，就是学生之间互相扮演面试官和面试者，根绝面试表现互相打分。面试题目可以是CC189（这门课的官方教材），也可以leetcode题目，其中还有TA和Prof给每个同学
mock。我们项目所有同学都在第一学期选了这门课，个人体验对实习面试非常有帮助，可以事先积累面试经验，调整面试状态，并且强制开始刷题。load不大，如果去认真上课的话。
10-601, Machine Learning: CMU的ML基础基础入门课，对于完全没有ML背景的同学来说是一个不错的intro课程。601和301（本科生的Machine Learning）是co-list，所以
如果觉得这门课太浅的同学，可以选择上10701或者10715来cover这门课。关于这门课网上介绍很多这里就不赘述了，推荐第一学期上了，不浪费后面的选课名额。
10-605, Machine Learning with Large Datasets：曾经非常牛逼的一门课，在换了老师之后就变得非常非常理论，被各种吐槽。前半学期的topic和10601有不少cover，但是math背景的老师穿插了非常多的
prove（不要求掌握。打分主要是4次作业+2次考试+4次quiz+proj。作业还比较有趣，用mapreduce，RabbitMQ，Hashing等工具解决一些ML问题。如果对于ML不是很熟悉的话，可以留在第二个学期上。
占用时间不是很多，同时考试前老师会提供一个复习的提纲，照着抄 cheat sheet就行，难度不大。由于有video，所以这门课最后去当堂上的同学非常少。。这门课在18fall还不是必修，在19fall就变成了必修课。其实是一门会非常有用的课，主要看
老师怎么交，当然如果自己深挖的话，还是有不少work可以做。。总的来说比较有趣，可以作为在选了几门重课之后的调剂课。
11-611, Natural Language Processing： CMU NLP的入门（？，介绍了NLP的基本概念。打分由7次HW + 每周quiz + 2次考试 + proj组成。HW包括文本替换，有限状态机，
language modeling，edit distance，nlp的naive bayes classifier， POS tagging和用LSTM解决NLP等。Proj是team work实现一个QA system。 我们项目不少同学会选择第一个学期选这门课，Load不大。
11-785, Deep Learning：785是在CMU不少想做/感兴趣DL的同学的必选课。主要topic cover NN theory，mlp，各种CNN，各种RNN，attention, Boltzmann Machines, GAN，VAE，以及
几次guest lecture。打分主要是4次HW + 每周quiz + proj，没有final和midterm。这门课的HW提交采用kaggle，所以可以看到大家所有人的结果，以及被大佬各种屠榜。这门课的load不小，尤其是打分采用kaggle，
which means 只要想，performace可以一直往上刷。如果仅限于过cut off，那在ddl前几天一起team work一下就好，piazza上也会TA也会给一些hint structure，但如果想要结果非常好，那就得花不少时间理解paper，并加tricks了。
我们这学期的作业基本上是三个NLP，一个CV，对于我这个以前一直做CV的人来说有点苦手，不过跟着做也不太差。注意的是由于DL不像513，可以一下run出结果，得花些时间等结果，这无形中
就加大了debug的难度，再加上python还有不少坑，所以debug会非常痛苦。最好多去OH，多和大佬讨论讨论。另外，这门课的quiz不是给一般人做的。。。。。
11-663, Applied Machine Learning： 这门课是我唯一还没上过的必修课，但是学长学姐们评价都不是很高，load听说不大。
### 选修课
由于前两学期主要想把必修上完，所以基本没有选选修。官网上贴出了一些课程，instructor说这些是suggested elective，并不是强制只能从中选择，所以我们项目的选课自由度实际上是非常大的。
鉴于总共可以上1（暑假的513）+ 5 + 5 + 5 + 2 （最后一学期由36学分的capstoe），所以总计18门课，减去10门必须选，可以任意选择8门选修，并且享受SCS选CS课的high priority。
目前身边同学选的课包括但不限于CC, ACC, parallel computing, Computer vision, Computer Network, search engine, 等，所在选课上自由度非常广。这也是我认为这个项目的优点之一，可以任意点技能点，享受CMU的
CS学术氛围。但如果你的选修课和required有冲突的话，instructor会强制让你退掉选修。。
## 实习情况
在CMU基本所有同学都不用太担心找实习。MSAII大部分同学在上学期就找到了实习，其他同学在下学期也都找到了实习，实习公司基本覆盖FLAG，GS，Quora，Coursera, Walmart, boeing等。建议来之前就开始刷题，来这边之后立马投简历，实习面试简单，所以只要能拿到面试基本就成功了一半。简历越早投坑越多，拿到面试机会越大，别担心投早了拿到面试但自己没有准备好。
除了实习，其实如果想读PhD也是有机会的，有很多时间去和其他professor联系，进lab。
在CMU SCS的一众大佬项目中，MSAII确实不是对录取背景卡的最严苛的，但是录取bar !=项目好坏，MSAII项目自由的选课，*极其*融洽的同学关系，基本100%的找工数据，可以保证两年学期期间收获满满，最大的缺点可能就是略显高额的学费和时间成本了。毕竟这是一个2年4学期的项目，对于想一年半毕业立马入职的同学来说，时间略显多余。
## 全职情况
更新一下我们这一届的全职情况，绝大部分都是FLAG上岸，除此之外还有Dropbox，VMWare，Duolingo, Coursera等，还有一个同学PhD。同学们实力都很强，找工作氛围很浓厚，求职方面基本没有问题。
MSAII是在SCS的LTI下的新Master Program，原名是MSBIC(Master of Science in Biotechnology Innovation and Computation), 18fall的时候改名为了
Master of Science in Artificial Intelligence and Innovation. 虽然说有蹭热点的嫌疑，但也可以理解是一个试验性的项目，主要的培养目标是AI+entrepreneurship
所以在课程里会有不少ML+entrepreneur的课程。地里貌似还没有很多介绍这个项目的帖子，下面会从选课/实习/个人经验角度来分析这个项目。
## 学生背景
18fall项目中，绝大部分都是中国人，基本都是国内985，211 + 海本。同学的专业分布比较广泛背景丰富，但是大部分都是非CS背景（EE居多），所以是对转专业比较友好的项目。Instructor会比较prefer
背景丰富或者三维 strong的同学。
## 选课
MSAII是一个两年四学期的项目。参照官网 msaii.cs.cmu.edu，申请结束的暑假，项目会强烈要求同学enroll 15513（需要单独交学费）。513虽然
课程任务比较重，事儿多，对于想在暑假出去玩/实习/好好休息的同学也许会比较annoying，但是上完之后之后的一个学期选课上自由会比较大，所以还是比较推荐。
MSAII的课程主要分为5门核心课（4门课程+1个capstone）+ 6门ML必修课 + 至少36学分的选修课。项目要求每学期register至少36学分，至多60学分的课程，（在CMU，CS绝大部分贯穿整个
学期的课程是12学分，半学期是6学分，少部分重课是15学分，比如compiler或者OS）， which means至少要选3门课，至多可以选5门课。*选课自由度非常大，如果每学期都选5门，可以保证
把CMU CS绝大部分想上的ML+system上完*
### 核心课
首先说核心课，5门核心课贯穿整个四学期。第一学期2门，第二，三学期都是一门，最后一学期capstone project。
第一学期上两门，分别是 11-651, Artificial Intelligence and Future Markets 和 17-762, Law of Computer Technology。load都不大。
Future Market：主要是介绍AI如何在各种不同的场景中被使用。基本是team work做presentation，每节课两组上台展示，持续整个学期，打分主要是由presentation+期末考试组成。
上下来感觉这门课确实开拓了我的一些视野，对于我最大的收获在于打开了一些思维的局限，感受到一门技术（不光是AI，也可以是VR/AR，或者其他任何新兴技术）如何渗透进生产生活各个领域，对于打开一些思维成见很有帮助。
同时这门课会还会锻炼presentation能力，以及拉近同学们之间的关系，毕竟每周都要meet好几次。期末考试是当堂考察对于一些ML概念的了解（比如CNN做CV为什么效果好），以及根据不同的
场景需求设计AI system。
Law：这门课主要介绍一些和CS和技术创业相关的英美法系法律体系概念。比如Jurisdiction，Copyright，Patent，Long-Arm之类的。三次作业+一次take home final。作业和考试的
形式都是instuctor发几道题目，根据课上介绍的概念模拟判决。这门课，至少对于我来说，兴趣不是很大，但是对于以后的创业或者就业可能会有一些潜移默化的作用，至少知道怎么理解terms。
第二学期上一门，是11-695, AI Engineering。
AI Engineering：可以被理解为简化版的11785 Deep Learning，lecture涵盖的topic非常广，包括mlp，cnn，rnn，gan，vae和一些stoa的网络结构。作业也和785类似，包括三个作业和每周quiz。
三个作业是用tensorflow写CNN（vgg 或者 resent），machine translation + attention，和用gan做text style transfer。作业难度不大，load也不大，很快就能写完。
由于楼主只上了一年，所以也不是很清楚后面两门课是什么情况。
### 必修课
11-601, Coding Bootcamp
10-601, Machine Learning
10-605, Machine Learning with Large Datasets
11-611, Natural Language Processing
11-663, Applied Machine Learning
11-785, Deep Learning
鉴于我个人的选课情况，目前我基本上上完了所有的必须课，所以可以提供一些个人体会。
11-601, Coding Bootcamp： 俗称的刷题课，课上老师会介绍面试中会遇到的各种类型算法题，并讲解算法。打分主要是mock interview + 当堂测试 + 每周HW。这门课最大的好处是
会有mock interview，就是学生之间互相扮演面试官和面试者，根绝面试表现互相打分。面试题目可以是CC189（这门课的官方教材），也可以leetcode题目，其中还有TA和Prof给每个同学
mock。我们项目所有同学都在第一学期选了这门课，个人体验对实习面试非常有帮助，可以事先积累面试经验，调整面试状态，并且强制开始刷题。load不大，如果去认真上课的话。
10-601, Machine Learning: CMU的ML基础基础入门课，对于完全没有ML背景的同学来说是一个不错的intro课程。601和301（本科生的Machine Learning）是co-list，所以
如果觉得这门课太浅的同学，可以选择上10701或者10715来cover这门课。关于这门课网上介绍很多这里就不赘述了，推荐第一学期上了，不浪费后面的选课名额。
10-605, Machine Learning with Large Datasets：曾经非常牛逼的一门课，在换了老师之后就变得非常非常理论，被各种吐槽。前半学期的topic和10601有不少cover，但是math背景的老师穿插了非常多的
prove（不要求掌握。打分主要是4次作业+2次考试+4次quiz+proj。作业还比较有趣，用mapreduce，RabbitMQ，Hashing等工具解决一些ML问题。如果对于ML不是很熟悉的话，可以留在第二个学期上。
占用时间不是很多，同时考试前老师会提供一个复习的提纲，照着抄 cheat sheet就行，难度不大。由于有video，所以这门课最后去当堂上的同学非常少。。这门课在18fall还不是必修，在19fall就变成了必修课。其实是一门会非常有用的课，主要看
老师怎么交，当然如果自己深挖的话，还是有不少work可以做。。总的来说比较有趣，可以作为在选了几门重课之后的调剂课。
11-611, Natural Language Processing： CMU NLP的入门（？，介绍了NLP的基本概念。打分由7次HW + 每周quiz + 2次考试 + proj组成。HW包括文本替换，有限状态机，
language modeling，edit distance，nlp的naive bayes classifier， POS tagging和用LSTM解决NLP等。Proj是team work实现一个QA system。 我们项目不少同学会选择第一个学期选这门课，Load不大。
11-785, Deep Learning：785是在CMU不少想做/感兴趣DL的同学的必选课。主要topic cover NN theory，mlp，各种CNN，各种RNN，attention, Boltzmann Machines, GAN，VAE，以及
几次guest lecture。打分主要是4次HW + 每周quiz + proj，没有final和midterm。这门课的HW提交采用kaggle，所以可以看到大家所有人的结果，以及被大佬各种屠榜。这门课的load不小，尤其是打分采用kaggle，
which means 只要想，performace可以一直往上刷。如果仅限于过cut off，那在ddl前几天一起team work一下就好，piazza上也会TA也会给一些hint structure，但如果想要结果非常好，那就得花不少时间理解paper，并加tricks了。
我们这学期的作业基本上是三个NLP，一个CV，对于我这个以前一直做CV的人来说有点苦手，不过跟着做也不太差。注意的是由于DL不像513，可以一下run出结果，得花些时间等结果，这无形中
就加大了debug的难度，再加上python还有不少坑，所以debug会非常痛苦。最好多去OH，多和大佬讨论讨论。另外，这门课的quiz不是给一般人做的。。。。。
11-663, Applied Machine Learning： 这门课是我唯一还没上过的必修课，但是学长学姐们评价都不是很高，load听说不大。
### 选修课
由于前两学期主要想把必修上完，所以基本没有选选修。官网上贴出了一些课程，instructor说这些是suggested elective，并不是强制只能从中选择，所以我们项目的选课自由度实际上是非常大的。
鉴于总共可以上1（暑假的513）+ 5 + 5 + 5 + 2 （最后一学期由36学分的capstoe），所以总计18门课，减去10门必须选，可以任意选择8门选修，并且享受SCS选CS课的high priority。
目前身边同学选的课包括但不限于CC, ACC, parallel computing, Computer vision, Computer Network, search engine, 等，所在选课上自由度非常广。这也是我认为这个项目的优点之一，可以任意点技能点，享受CMU的
CS学术氛围。但如果你的选修课和required有冲突的话，instructor会强制让你退掉选修。。
## 实习情况
在CMU基本所有同学都不用太担心找实习。MSAII大部分同学在上学期就找到了实习，其他同学在下学期也都找到了实习，实习公司基本覆盖FLAG，GS，Quora，Coursera, Walmart, boeing等。建议来之前就开始刷题，来这边之后立马投简历，实习面试简单，所以只要能拿到面试基本就成功了一半。简历越早投坑越多，拿到面试机会越大，别担心投早了拿到面试但自己没有准备好。
除了实习，其实如果想读PhD也是有机会的，有很多时间去和其他professor联系，进lab。
在CMU SCS的一众大佬项目中，MSAII确实不是对录取背景卡的最严苛的，但是录取bar !=项目好坏，MSAII项目自由的选课，*极其*融洽的同学关系，基本100%的找工数据，可以保证两年学期期间收获满满，最大的缺点可能就是略显高额的学费和时间成本了。毕竟这是一个2年4学期的项目，对于想一年半毕业立马入职的同学来说，时间略显多余。
## 全职情况
更新一下我们这一届的全职情况，绝大部分都是FLAG上岸，除此之外还有Dropbox，VMWare，Duolingo, Coursera等，还有一个同学PhD。同学们实力都很强，找工作氛围很浓厚，求职方面基本没有问题。
- 107