《【中枢教育】Berkeley学长浅谈统计与概率、机器学习、运筹之间的联系参考》由会员分享，可在线阅读，更多相关《【中枢教育】Berkeley学长浅谈统计与概率、机器学习、运筹之间的联系参考（15页珍藏版）》请在金锄头文库上搜索。
1、【中枢教育】Berkeley学长浅谈统计与概率、机器学习、运筹之间的联系关键词：中枢教育 伯克利 统计学 数学 申请主讲人：Z学长中枢教育学员北大数学本科Berkeley统计学MS在读内容简介：1. 大学期间统计学的学习和科研经验分享2. 统计学与概率、机器学习、运筹等之间的联系3. Berkeley统计学专业的学习经验分享及申请经验分享各位老师，同学们大家好！我是赵学长，北大数学学院2012级概率统计系，现在就读于加州大学伯克利分校。好了。我开讲啦，大家有什么问题，欢迎随时打断我。就像国外教授上课一样，有问题随时提问，不必等我讲完。各位同学，大家中午好！新的学期就要到来了，首先祝大家在新学期
2、更上一层楼。很高兴有机会能和大家在一起，分享我的留学经历；也很感谢Pivot的各位老师，和你们的密切合作让我的申请之路顺利了许多。两年前，在大三的时候，在选择专业和方向的过程中，我走了很多的弯路。当时很少有老师和长辈来指导我如何选专业，多数时候我都在闭门造车，凭空想象。那段时间心烦意乱，心思很少放在学习上。学如逆水行舟，不进则退。当我回过神来的时候，周围的同学已经比我多学了很多。有的同学早早开始了本科生科研，有的同学早早提交了海外交换的申请。真正想要向统计学方向发展的，应该是我大三下学期的事情了。引领我走向这条路的，是我最最尊敬的吴老师。她是我本科生科研的导师，我的本科生科研做的是金融数学。记
3、得那时，我和我的组员以正在以传统的概率统计学工具来研究我们的题目，例如随机模拟，随机分析，假设检验等等。在一次讨论课的时候，吴老师提了一句：“要是用这些方法做下去，我觉得我们会举步维艰，能不能将一些现代的统计学习方法运用到我们的研究上来？”之后，吴老师发给了我一本书TheElementsofStatisticalLearning，她说这是伯克利的研究生教材，和我们的国内的统计学教材完全不一样。一扇大门从此打开。找到了学习方向之后，即使从零开始，也不害怕。吴老师给的那本书对我来说实在太难，我在论坛里闲逛时找到了另外一本书：MachineLearning：Aprobabilisticperspec
4、tive。这本书是机器学习的启蒙教材。当时买不起原版的图书，看电子版看得头晕眼花。这本书的每一章的前几页我的看过（章节最后的内容看不懂），就这样，我自学了机器学习里的基本理论、模型和方法。之后，我又学习了学院里的统计学习这门课（2015秋才有这门课），从统计学习的民科变成了学院派。我希望学弟学妹们能够尽早开始本科生科研，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导师多多交流，了解未来学科的发展方向，找到自己的学习目标。我的本科生科研有一些成果，但没有论文；不过，这样一段科研经历一定能给申请带来积极作用。不过，最最遗憾的事情，就是我没有海外交流的经历。因为海外交流需要我们大二的时候就
5、要（中枢教育）开始着手准备，等我反应过来的时候已经追回莫及。我的很多海外交流的同学都得到了海外教授的那封价值连城的推荐信。接下来，我想就几个问题进行深入探讨：一.统计系有那些具体的分类我们12级数院的概率统计系大概有60名同学，大家感兴趣的方向也大相径庭。学概率的，有的去研究测度论、随机过程和随机微分方程。统计在科学众多领域的广泛应用（如生物、农业、医学）一直是统计的强大生命力；近二十年，统计与计算机（如机器学习）、应用数学、优化等领域有很多交叉。生物是统计运用历史最久的一个领域，因为时间很久影响广泛，很多学校都有单独的生物统计系。金融那边也大量用统计模型。不过，我了解的大多还是统计学。下面简
6、单说说美国一些统计系的情况：美国统计系最强的学校主要是stanford和berkeley。斯坦福做得更偏计算机，一年三个学期，学习进度很快。伯克利稍微温柔一些，但课程的理论难度丝毫不减。美国的其他地方大致了解一些，harvard主要是做生物统计和传统统计。MIT的统计系不完善，不过MIT在美国人的心目中是最牛的学校，美国人不允许MIT的学生找不到工作。yale统计系比较小，我记得老师只有6个，PhD值得考虑，硕士老师应该管不过来。UMICH的统计很好，老师很多，做得也很现代，当时一直很想去读博。JHU生物统计很强，在生统领域有着非常突出的贡献。Columbia统计博士很不错，硕士中国人太多。C
7、hicago也很强，值得一去。二机器学习的学习路线数据科学是当下很时髦的名词，如果能在PS里呈现自己做的机器学习方面的相关工作，对于申请来将是一个很大的加分。尤其是申请硕士，注重就业导向的统计硕士项目很希望招来的学生有datascience方面的背景。就我的经验而言，学习ML需要在掌握理论知识的同时，还应训练相应的编程技巧。理论知识：懂得基本的数理统计和概率论的知识之后，就可以开始学习ML了。如学有余力，掌握随机过程、多元统计和回归分析对理解ML帮助极大。用到的教材前文已经提到，在这之后，从ML走向DeepLearning是极佳的道路。Bengio的DeepLearning是一本很好的教材。编
8、程能力：做机器学习和深度学习的主流语言是C+和Python。但是，我希望学弟学妹们不要一上来就学Python，Matlab和R。因为这三门语言都过于“方便”和过于“灵活”，其掩盖了编程最重要的东西逻辑。我当时花了很长的时间学习C语言，C语言的“包”很少，一个简单的矩阵操作就能把人难死，不过正是在这样的纠结过程中，我对编程的理解逐渐深入。记住，清晰的逻辑是编程的根本。另外通过Java和C+入门也是很好的。在这之后，就可以接触Python了。PythonforDataAnalysis这本书十分有用，里面主要讲numpy和熊猫包（pandas），直到现在我都经常会查阅这本书。懂得的基本的数据分析和画
9、图之后，紧接着，可以学习scikit-learn。我从来没看过讲scikit-learn的书籍，因为它的官网就是很好的学习资料。最后，如果能掌握Tensorflow、Theano方面，GPU编程的技巧，学弟学妹们就已经超越我了。另外，编程是一门技术，需要在做Project中不断提高，如果ML课程没有Project，自己和小伙伴们在Kaggle做题也是挺好的。我正在做Kaggle2017年比赛，题目关于datascience用于医学诊断，此题极难，一筹莫展。三、注重能力的培养不论是来美国读博士还是硕士，个人能力都是学术研究和找工作的关键。从本科高年级开始，就要开始注重自己能力的培养和提高。编程学
10、习：我插一句，大家去搜搜Leetcode和Hackerrank，两个都是OnlineJudge，编程练习的好地方编程，尤其是硕士项目，非！常！重！要！大家一定不能忽视1.把知识转化为记忆：大学高年级阶段，很多同学学习一门课就学一个星期，考完试之后就全部忘记，根本不走心，这样的做法是极不可取的。我也曾多次干过这样的傻事，直到来美国，参（中枢教育）加各种面试之后，才发现面试官问我的大学阶段的东西很多都忘记了。学习一门课程之后，尤其是概率论、数理统计、随机过程和回归分析，这四门课的基本理论、定理和运用值得大家牢牢记住。2.编程能力的培养：在美国，不论是课业还是面试，熟练的编程机巧能够为你增光添彩。有
11、些人认为，只有聪明的人才能把程序写好，而我觉得这样的理解是片面的。我认为编程更像当时初高中时的1000米测试，只要坚持不懈，就能练到炉火纯青。应为编程和跑1000米一样，是一个让自己的身心不断调整、不断适应的过程，每天写一小段程序，一个月之后你写程序、Debug的速度就会有大的提高，再不会在写Project的时候还在百度如何将int转化为string之类的基本问题。插一个小故事：我上个星期，和Intel的一位深度学习的工程师聊天。他问我：是培养统计学家编程更容易，还是教软件工程师统计容易？我觉得当然是教统计学家编程容易了他笑了笑，说我大错特错我在伯克利读统计，做的东西偏machinelearn
12、ing.应该没有一个专业叫做machinelearning他说：因为真正实际工作中不需要大量用到统计学中的理论，知道那么一回事，编程去实现就ok了。最后，讲一讲生活部分。在美国的生活比想象中要艰难很多，所有大小事务都需要自己料理。周一到周五都在学校，周末在家，自己做饭。在美国很少能有唱歌、打球、看电影之类的娱乐活动，最大的爱好就是做饭和锻炼。每每在微信里和本科同学聊天，都会发现大家的厨艺都在飞速提高。我这学期还在做助教，同时还要花费大量时间在CareerFair找实习上。找实习和找工作特别辛苦，一轮一轮面试下来，发现最后一轮没过的时候感觉心累。对了，插一句，如果要做Teaching Assis
13、tant要当助教的话，口语一定要好，托福的口语一定要刷高一点，不然的话，你在这边是当不了Teaching Assistant的在国内学车感觉没有必要，美国大多数州都需要重新考驾照。我在国内是老司机，在美国还没开过车。旧金山的公共交通比较发达，我暂时也没有买车的打算。在美国最大的好处就是没有雾霾。确实是这样，据说加州是美国空气最差的地方，年均的AQI是12。还有，在国外一定要注意保养身体，养生要从小抓起，因为在这里看病简直比登天还难。学校医疗保险千万不能退订，智齿痛起来的时候回国来回飞机票加拔牙费用加起来都比在这里便宜。最后，讲一件小事。当时大四的时候，我隔壁寝室的陆同学成绩很好，我问他为什么不
14、出国，他的回答我现在都记得。他说：“我觉得只要自己努力，在哪里都一样。”现在想起来，仍然觉得他的话回味无穷。他留在了北大，读田刚老师的基础数学博士。回过头来想，我觉得亦是如此：没有必要把申请学校看成一锤子买卖，成也好，不成也好，都要保持良好的心态。就像当年高考一样，如果四年后申请到了斯坦福、伯克利、哈佛、麻省，你还会在意当年落榜没上清华吗？问答：问：面试要做哪些准备呢答：我想你问的应该是工作面试吧，工作面试的话，你必须首先要有流利的口语对吧，然后你要准备一些你自己的，他们会追着你的简历，然后问一些东西，之后会有一些专业技术方面的简历，你需要对你的那些课程非常熟悉，然后最后还有一些编程之类的面试
15、，那你需要做计算机方面的工作。问：统计master和phD出路有啥不同？有没有必要读phd？答：我也在考虑这个问题，因为PhD在美国这边是非常难毕业的，一般五年准时毕业的特别是统计方面的，能准时毕业的人，都是非常牛的人，如果你以后想工作的话，我觉得读master已经足够了，但是PhD的话多一条出路，多一条找教职的出路。问：泛函 拓扑这些课有用吗答：这两门课程我觉得还是很有用的，这两门课程是比较高级的课程，也很难学，如果你能拿到很高的分数的话，我相信是很有用的。问：master费用多少？答：学费的话我们学校年年在变，你只需要在网上去查。问：实习怎么申请呢答：投放简历，校友推荐，还有什么办法我就不知道了。问：学长可以介绍一些伯克利统计教授做machine learning的么答：伯克利做的最好的应该是Michael I. Jordan，我就不用介绍了吧，那是机器学习和深度学习的大牛，还有郁老师，郁彬老师做machine learning做的非常好，还有一个叫做Martin J. Wainwright，你们应该听说过吧，这位教授做machine learning也是大牛。问：伯克利的master有人毕业继续申请phd吗答：有啊，我上学期就有2个学长申请到了很好很好的PhD，如果我没有找到工作的话，我可能会考虑继续申请。问：学长，请问
