最热方向，全美第一，强迫症的我，申请了30多个学校
背景介绍:
华东师范大学
GPA: 83/100, 3.44/4
TOEFL: 109
GRE: 156+170+3.5
一段flag AI相关SDE实习,一篇顶会一作,无暑研
Offer: CMU MSCV, Stony Brook PhD等
选校
选校参考各大专业排名综合排名即可，CS方面大家首选四大，CMU由于CS相关项目众多尤其热门。不放心的话可以多申请一些学校和项目，比如我由于强迫症和对于自己情况拿捏不准于是大约申请了30多个学校和项目，这主要因为和PhD混申因此选择很多，也比较费钱，还很费时间网申，除个别情况不建议模仿。
科研与实习
科研是大家比较关心的背景提升点。但是想要做出好的工作通常需要从一个不那么功利的角度出发。通常大家都会从自己兴趣出发去探索一些有意思的问题。一般来说大家会加入老师实验室去科研，但是如果自己有想法的话也可以尝试问老师要一些计算资源后独立的做科研。
我在大二下利用暑假向老师要来一台单卡的GPU服务器并且找了个同班同学帮忙，在家里就能进行科研了，并且最终发表到相关领域会议。有的同学会担心科研困难，但是想通了的话实际上在研究生阶段如果碰到不那么了解本领域的老师，科研其实是自己的事情，不能总想依赖其他人。虽然顺利的话一段小工作也就是两三个月的事情，但是如果算上前期积累科研是个长期的过程。 比如我大一寒假就在网上自学CS231N，并且看了很多相关前沿的文章。为了科研做了一些其他项目（虽然只是个次要的部分），最后才在大二暑假到大三上学期的时候进行了实验、试错和发表。这说明科研是个厚积薄发的过程，发表出文章只是好的工作的附属品。就前几年而言ML领域还有很多low-hanging fruit, 现在这些容易想到的主题会越来越少，做出novel的工作也会越来越难。因此有想法的同学可以关注自己喜欢的问题、缺少前人探索的问题，毕竟刷某些SOTA需要大量计算资源和调参，不是每个实验室都能满足的。
这样的情况下可以去一些大公司实习，例如商汤、旷视、字节跳动等的算法实习岗是大家热门的选择，那些地方有大量的计算资源供你使用，也有机会和业内同事交流，当然这些岗位会偏向于有acm基础的同学。我的实习单位有充分的资源，允许我跑一些以前不敢想象的模型。即使无法发表，也可以作为经历写进文书，提升软背景。在我找不到实习的时候世毕盟，GGU提供了大量的推荐，虽然最后没去但是让人放心不少。 有了好的科研和实习经历对于申请暑研是有帮助的。不过要注意时间节点。我发表后已经是12月，申请官方项目被拒了。随后三月开始套磁已经比较晚了。需要注意一些官方项目可能11月就会deadline，因此需要抓紧，不能懒惰。这里顺带一提PhD套磁的重要性，有的学校申请人众多需要教授从pool里捞，因此和教授眼熟非常重要。
GPA
GPA是大家熟悉但有时候会忽视重要性的指标，所以单独拿出来讨论。对于大部分硕士项目来说GPA是申请人最重要的方面之一。以我自己为例，我申请了约三十所学校，所以我对这个问题感受非常深刻，大部分学校，只要不是保底校的MSCS或MEng项目都会直接把我拒掉。除了像CMU这样的个别学校，有非常多的CS相关项目，才会考虑申请人和项目的符合程度。通常认为PhD不那么看重GPA，但前提是大家的GPA和本科背景都过线甚至很高，平均来说越是好的学校申请者GPA和本科背景越强。甚至有说法在当下ML相关领域人手paper的情况下，GPA又重新变得重要起来。我的GPA远低于典型的成功申请者需求，因此必须在其他方面突出优势才能获得录取。同样MSCV之前也有低GPA但是申请时单篇论文引用过百的学长。
英语考试
英语对于北美留学显然是必要的。对于科研也是必要的，因为看论文和写文章都会需要读写技能。建议先考GRE，再考托福就会相对容易。GRE备考时建议按section做套题，否则考试时难以把握时间，非常影响发挥。我自己就是这样导致最后来不及刷高分了。虽说GT达到基线就好，但是有能力考到非常高的分数的话还是值得好好准备冲一下的，毕竟能让材料审核人多看你一眼。
申请与文书
文书是一个比较灵活的部分，好好利用可以放大自己的优势。在这方面上，GGU给了我很多帮助。在整体框架之上，我在GGU的MIT CS PhD mentor帮助我对经历进行了分层和有机整合，随后GGU Native Expert Team在我的文稿之上针对语言和表达进行了调整。在申请流程上，GGU的培训师在每个节点都会给我列出deadline和近期事项，使得我能够有条不紊的把控进程，从容面对申请季，最终在2月初收获了自己满意的offer, 较早地结束了失学。
