背景介紹
分享人：Z學長
學校：北大數學
在讀：伯克利統計學碩士
講座內容
大學感悟及科研經驗分享
在大三的時候，在選擇專業和方向的過程中，我走了很多的彎路。當時沒有老師和長輩來指導我如何選專業，多數時候我都在閉門造車，憑空想象。那段時間心煩意亂，心思很難放在學習上。當我回過神來的時候，周圍的同學已經比我多學了很多。有的同學早早開始了本科生科研，有的同學已經提交了海外交換的申請。
真正想要向統計學方向發展，應該是我大三下學期的事情了。引領我走向這條路的，是我最最尊敬的吳老師。她是我本科生科研的導師，我的本科生科研做的是金融數學。記得那時，我和我的組員以正在以傳統的概率統計學工具來研究我們的題目，例如隨機模擬，隨機分析，假設檢驗等等。
在一次討論課的時候，吳老師提了一句：“要是用這些方法做下去，我覺得我們會舉步維艱，能不能將一些現代的統計學習方法運用到我們的研究上來呢？”之後，吳老師發給了我一本《The Elements of Statistical Learning》，她說這是伯克利的研究生教材，和我們的國內的統計學教材完全不一樣，從此一扇大門就打開了。就這樣，我自學了機器學習裡的基本理論、模型和方法。之後，我又學習了學院裡的《統計學習》這門課，從統計學習的民科變成了學院派。
所以，我這裡建議學弟學妹們都能夠儘早開始本科生科研。科研的方向不一定要十分合乎你的胃口，重要的是要和自己的導師多多交流，瞭解未來學科的發展方向，找到自己的學習目標。在我申請中最最遺憾的事情，就是沒有海外交流的經歷。因為海外交流需要我們大二的時候就要開始著手準備，等我反應過來的時候已經追回莫及。我的很多同學在海外交流期間，都得到了海外教授的那封價值連城的推薦信。
機器學習的學習路線
數據科學是當下很時髦的名詞，如果能在PS裡呈現自己做的機器學習方面的相關工作，對於申請來將是一個很大的加分。在申請碩士，注重就業導向的統計碩士項目上，就很希望招來的學生有數據科學方面的背景。就我的經驗而言，學習Machine Learning（機器學習）需要在掌握理論知識的同時，同時訓練相應的編程技巧。
編程能力方面，做機器學習和深度學習的主流語言是C++和Python。但是，我希望學弟學妹們如果有時間的話，還是不要一上來就學Python，Matlab和R。因為這三門語言都過於“方便”和“靈活”，其掩蓋了編程最重要的東西—邏輯。我當時花了很長的時間學習C語言。C語言的“包”很少，一個簡單的矩陣操作就能把人難死，不過正是在這樣的糾結過程中，我對編程的理解逐漸深入，所以清晰的邏輯是編程的根本。當然了，如果之前有一定的編程基礎，那麼直接去學Python這些還是沒問題的。
伯克利的學習及申請經驗
不論是來美國讀博士還是碩士，個人能力都是學術研究和找工作的關鍵。從本科高年級開始，就要開始注重自己能力的培養和提高。大家去搜搜Leetcode和Hacker rank，兩個都是Online Judge，編程練習的好地方，尤其是碩士項目，非！常！重！要！大家一定不能忽視。
關於學習方面，這裡我想強調兩點：
1. 把知識轉化為記憶：大學高年級階段，很多同學學習一門課就學一個星期，考完試之後就全部忘記了，這樣的做法是極不可取的。直到來美國，參加各種面試之後，才發現面試官問我的大學階段的東西很多都忘記了。學習一門課程之後，尤其是概率論、數理統計、隨機過程和迴歸分析，這四門課的基本理論、定理和運用都值得大家牢牢記住。
2.編程能力的培養：在美國，不論是課業還是面試，熟練的編程機巧能夠為你增光添彩。有些人認為，只有聰明的人才能把程序寫好，而我覺得這樣的理解是片面的。我認為編程更像當時初高中時的1000米測試，只要堅持不懈，就能練到爐火純青。因為編程和跑1000米一樣，是一個讓自己的身心不斷調整、不斷適應的過程。每天寫一小段程序，一個月之後你寫程序、Debug的速度就會有大的提高，再不會在寫Project的時候還在百度如何將int轉化為string之類的基本問題。
生活部分
在美國的生活比想象中要難，所有大小事務都需要自己料理。週一到週五都在學校，週末在家自己做飯。在美國很少能有唱歌、打球、看電影之類的娛樂活動，最大的愛好就是做飯和鍛鍊。每每在微信裡和同學聊天，都會發現大家的廚藝都在飛速提高。
我這學期還在做助教，同時還要花費大量時間在Career Fair找實習上。對了，說一句，如果要做助教的話，口語一定要好。託福的口語一定要刷高一點，不然的話，你在這邊是當不了助教的。在國內學車感覺沒有必要，美國大多數州都需要重新考駕照。舊金山的公共交通比較發達，所以也不用擔心交通的問題。
問答環節
問：學長統計碩士和PhD出路有啥不同？有沒有必要讀PhD？
Z學長：我也在考慮這個問題，因為PhD在美國這邊是非常難畢業的，一般五年能準時畢業的人，都是非常牛的。如果你以後想工作的話，我覺得讀碩士已經足夠了，但是PhD的話會多一條出路。
問：學長可以介紹一些伯克利統計教授做機器學習的麼？
Z學長：伯克利做的最好的應該是Michael I. Jordan，是機器學習和深度學習的大牛；還有鬱老師，鬱彬老師做機器學習做的非常好；還有一位叫做Martin J. Wainwright，這位教授做機器學習也是大牛。
問：學長請問機器學習和統計到底什麼關係啊？是不是統計只是一種工具，機器學習是真正的研究方向？
Z學長：現在學術界也很難回答這個問題，因為這個問題真的很難，傳統統計像是貝葉斯統計，因果推斷之類的，他們不需要用到太多機器學習方面的東西，但是你做現代統計的話，像是做高維統計之類的，機器學習是必不可少的。
問：學長統計中的機器學習和EECS項目中的有什麼區別？
Z學長：現在統計中的機器學習和EECS中的差別已經越來越小了。統計基本上是從數學和理論的角度出發的，他會著重的講一些他的理論和模型部分，而EECS的話更注重於講他怎麼實現。
問：學長你好，如果只學了C和python，打算學習data science，還需要再學習java嗎？
Z學長：做data science的話不需要學習java，但是如果你要接觸一些並行計算等更高級的內容，java是需要的。
問：學長Linux在相關的學習和工作中有沒有什麼作用？
Z學長：Linux在實際學習和工作中非常有用，因為很多數據是要在服務器上跑的，那上面都是Linux的操作。你如果懂得Linux的操作和show的話，對你的工作和研究學習是非常有用的。但是工作面試中是不會考這方面的知識。
問：學長金融和機器學習差的挺遠的，你當時是怎麼想的呢？
Z學長：金融和機器學習，其實現在結合的比較緊密，如果你未來想做quant方面的，比如說做量化方面的工作的話，那麼金融和機器學習其實是結合起來的，在美國做quant的公司，很希望招的員工能有機器學習的背景。
閱讀更多 大學教育點滴 的文章
