统计申请总结+cmu pnc项目介绍
38747
申请的时候经常来地里逛，之前一直想申请季过了能申到一所学校就写一些申请经验。拖了很长时间眼看就要开学了，于是急匆匆地赶出了这篇总结。因为每个人的背景都不一样，我写的东西更多意义上是给马上/将来要申请的同学一些信息可以让他们少走些弯路吧。不一定都正确，仅供参考。
背景：港本（非3大）+ 转美国top 10 private 本科 gpa 4/4.3, TOEFL waived, 本科三段研究 behavioral informatics(非一作conference paper), computational neuroscience (更多是在写代码，paper still in preparation), senior thesis reading in math (nonlinear dynamical systems)
申请结果 (all phd)：
Interviewed: UW stats phd (offer), CMU neural computation (offer); NYU data science (rejected), MIT IDSS (rejected)
Rejected: UW applied math (offered M.S. instead), Berkeley, Harvard ,etc (还混合申了大概十所统计/应数 的项目都拒了）。
申请经验：(一点点列可能有点乱，见谅）
1.一切趁早，不要拖延！！！无论是大方向上决定读博，还是细到考标化考试，都是越早越好。我就是一直犹犹豫豫要不要继续读书导致我浪费了很多科研机会，真正有意义的科研也只是在申请前的那个暑假才开始。这导致我标化考试考的不是很理想，同时也浪费了本该用来选择学校和写文书的时间。提早找老师做研究，就算一开始找不到很牛的老师，如果能跟年轻老师做一段时间锻炼锻炼，再用这段研究经历去套更有名气一点的老师也是可行的。理想的状态是大二暑假就能开始相关领域的研究，大三学期中就把gre （general + sub)考完，暑假的时候开始又一段科研并且开始选择学校。等到大四开学就专心写文书联系教授做申请。和我一样研究起步比较晚的也别太慌，早有早的好处晚有晚的法子。只是在申请季超负荷工作是避免不了的。
2.研究要追求质量而不要追求数量。 要让别人看到你研究兴趣的连贯性。不是让你一直只做一个方向的研究，而是应该避免短时间各种不同项目但是每个项目都浅尝辄止。
3.gre送分的时候一起下单的学校收到的成绩单都看的见你同时给哪些学校送分了。如果你不想其他学校知道你申请了哪些其他项目最好一个个送分。
4.我把陶瓷分为两种。一种是花大量时间看教授paper然后发邮件深度套，这样成功率大但是特别耗时间。第二种是在递交申请之后大概1月初快开学的时候给你推荐人认识的教授发一封简短的邮件，目的是让他们多关注一下你的申请，有些时候可能就是多一封邮件就能避免你的申请直接被埋没。
5.开始跟老师做研究的时候就可以直说你想申请并且可能要推荐信。申请季老师可能要同时给好几个人写推荐信。所以越早告知越好。
6.找领域相关的老师写推荐信。 我主申的统计项目但是三个推荐人只有一个是统计老师。其他的老师就算在他的领域再有名做统计的可能也不一定知道。所以只要有至少一封来自统计教授的和研究相关的推荐信就够了，其他两封找上过课的老师写可能效果也会很好（如果committe的人碰巧认识他们的话）。
7.课程的重要性真的是看你申请的项目。有些时候他们看你的成绩单更多的是在找’red flag’：一些特别重要的专业课如果你学的很烂那会很有影响。除此之外总体的gpa高过一定的线可能就没有那么重要了。
8.文书我觉得肯定得认真写。但是我记得有些面试我的老师都根本没有看过我的文书和cv的（因为他们都不知道我是本科生还是研究生在申请= =),所以它的重要性是有限的。
老师的connection几乎是最重要的影响因素了。一些top项目，如果你不是自身特别厉害（凭实力横扫的那种），那么最能让你被录的情况就是你的推荐人认识committee里面的人。至于怎么找到这样的推荐人，额，本身就是一个难题了。
9.面试时要避短而不是扬长。不是不要说自己的闪光点，而是要避免谈论你自己不是很擅长（同时教授又很了解）的东西。能进入面试代表你的背景足够强，而面试者需要知道的是你适不适合这个项目。与其滔滔不绝最后言多必失，不如平常一点。
最后安利一下cmu这个很有趣的项目吧。program in neural computation (PNC) 里的研究方向是计算神经科学。这个学科的研究热点包括为分析解释神经数据(低至单个神经元的电生理数据，高至整个大脑的fmri数据)开发statistical and machine learning model （methodology driven，stat/ml人感兴趣)，并且根据数据搭建模型解决神经学问题（data driven， neuroscientist 感兴趣)。cmu的这个项目是在center for the neural basis of cognition下面，这个中心联合了cmu统计、ece、ml、cs等和匹兹堡大学数学、神经科学等感兴趣计算神经科学的教授。pnc和cmu统计系和机器学习系有joint neural computation-statistics & joint neural computation - machine learning program。这个项目喜欢数理背景比较强同时感兴趣神经科学的同学。因为很多人想做joint program所以申请竞争很激烈 （经费问题每年incoming class 只有3-4 人）。我觉得计算神经科学本身还是有很大前景的。神经数据本身在时间和空间上就有独特的性质，很多统计/ml的模型都可以用来研究它们。比如 point processes for neural spike trains, Gaussian process factor analysis for neural dimensionality reduction 等等。而且无论是为神经数据开发模型算法还是用大脑信息处理的方式启发新的机器学习算法都有很多很多坑可以填。欢迎同学们来申请！
背景：港本（非3大）+ 转美国top 10 private 本科 gpa 4/4.3, TOEFL waived, 本科三段研究 behavioral informatics(非一作conference paper), computational neuroscience (更多是在写代码，paper still in preparation), senior thesis reading in math (nonlinear dynamical systems)
申请结果 (all phd)：
Interviewed: UW stats phd (offer), CMU neural computation (offer); NYU data science (rejected), MIT IDSS (rejected)
Rejected: UW applied math (offered M.S. instead), Berkeley, Harvard ,etc (还混合申了大概十所统计/应数 的项目都拒了）。
申请经验：(一点点列可能有点乱，见谅）
1.一切趁早，不要拖延！！！无论是大方向上决定读博，还是细到考标化考试，都是越早越好。我就是一直犹犹豫豫要不要继续读书导致我浪费了很多科研机会，真正有意义的科研也只是在申请前的那个暑假才开始。这导致我标化考试考的不是很理想，同时也浪费了本该用来选择学校和写文书的时间。提早找老师做研究，就算一开始找不到很牛的老师，如果能跟年轻老师做一段时间锻炼锻炼，再用这段研究经历去套更有名气一点的老师也是可行的。理想的状态是大二暑假就能开始相关领域的研究，大三学期中就把gre （general + sub)考完，暑假的时候开始又一段科研并且开始选择学校。等到大四开学就专心写文书联系教授做申请。和我一样研究起步比较晚的也别太慌，早有早的好处晚有晚的法子。只是在申请季超负荷工作是避免不了的。
2.研究要追求质量而不要追求数量。 要让别人看到你研究兴趣的连贯性。不是让你一直只做一个方向的研究，而是应该避免短时间各种不同项目但是每个项目都浅尝辄止。
3.gre送分的时候一起下单的学校收到的成绩单都看的见你同时给哪些学校送分了。如果你不想其他学校知道你申请了哪些其他项目最好一个个送分。
4.我把陶瓷分为两种。一种是花大量时间看教授paper然后发邮件深度套，这样成功率大但是特别耗时间。第二种是在递交申请之后大概1月初快开学的时候给你推荐人认识的教授发一封简短的邮件，目的是让他们多关注一下你的申请，有些时候可能就是多一封邮件就能避免你的申请直接被埋没。
5.开始跟老师做研究的时候就可以直说你想申请并且可能要推荐信。申请季老师可能要同时给好几个人写推荐信。所以越早告知越好。
6.找领域相关的老师写推荐信。 我主申的统计项目但是三个推荐人只有一个是统计老师。其他的老师就算在他的领域再有名做统计的可能也不一定知道。所以只要有至少一封来自统计教授的和研究相关的推荐信就够了，其他两封找上过课的老师写可能效果也会很好（如果committe的人碰巧认识他们的话）。
7.课程的重要性真的是看你申请的项目。有些时候他们看你的成绩单更多的是在找’red flag’：一些特别重要的专业课如果你学的很烂那会很有影响。除此之外总体的gpa高过一定的线可能就没有那么重要了。
8.文书我觉得肯定得认真写。但是我记得有些面试我的老师都根本没有看过我的文书和cv的（因为他们都不知道我是本科生还是研究生在申请= =),所以它的重要性是有限的。
老师的connection几乎是最重要的影响因素了。一些top项目，如果你不是自身特别厉害（凭实力横扫的那种），那么最能让你被录的情况就是你的推荐人认识committee里面的人。至于怎么找到这样的推荐人，额，本身就是一个难题了。
9.面试时要避短而不是扬长。不是不要说自己的闪光点，而是要避免谈论你自己不是很擅长（同时教授又很了解）的东西。能进入面试代表你的背景足够强，而面试者需要知道的是你适不适合这个项目。与其滔滔不绝最后言多必失，不如平常一点。
最后安利一下cmu这个很有趣的项目吧。program in neural computation (PNC) 里的研究方向是计算神经科学。这个学科的研究热点包括为分析解释神经数据(低至单个神经元的电生理数据，高至整个大脑的fmri数据)开发statistical and machine learning model （methodology driven，stat/ml人感兴趣)，并且根据数据搭建模型解决神经学问题（data driven， neuroscientist 感兴趣)。cmu的这个项目是在center for the neural basis of cognition下面，这个中心联合了cmu统计、ece、ml、cs等和匹兹堡大学数学、神经科学等感兴趣计算神经科学的教授。pnc和cmu统计系和机器学习系有joint neural computation-statistics & joint neural computation - machine learning program。这个项目喜欢数理背景比较强同时感兴趣神经科学的同学。因为很多人想做joint program所以申请竞争很激烈 （经费问题每年incoming class 只有3-4 人）。我觉得计算神经科学本身还是有很大前景的。神经数据本身在时间和空间上就有独特的性质，很多统计/ml的模型都可以用来研究它们。比如 point processes for neural spike trains, Gaussian process factor analysis for neural dimensionality reduction 等等。而且无论是为神经数据开发模型算法还是用大脑信息处理的方式启发新的机器学习算法都有很多很多坑可以填。欢迎同学们来申请！
- 9
7条回复