背景介绍
分享人：Z学长
学校：北大数学
在读：伯克利统计学硕士
讲座内容
大学感悟及科研经验分享
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。当时没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，心思很难放在学习上。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，有的同学已经提交了海外交换的申请。
真正想要向统计学方向发展，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呢？”之后，吴老师发给了我一本《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，从此一扇大门就打开了。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，从统计学习的民科变成了学院派。
所以，我这里建议学弟学妹们都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。在我申请中最最遗憾的事情，就是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要开始着手准备，等我反应过来的时候已经追回莫及。我的很多同学在海外交流期间，都得到了海外教授的那封价值连城的推荐信。
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。在申请硕士，注重就业导向的统计硕士项目上，就很希望招来的学生有数据科学方面的背景。就我的经验而言，学习MachineLearning（机器学习）需要在掌握理论知识的同时，同时训练相应的编程技巧。
编程能力方面，做机器学习和深度学习的主流语言是C++和Python。但是，我希望学弟学妹们如果有时间的话，还是不要一上来就学Python，Matlab和R。因为这三门语言都过于“方便”和“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，所以清晰的逻辑是编程的根本。当然了，如果之前有一定的编程基础，那么直接去学Python这些还是没问题的。
伯克利的学习及申请经验
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。大家去搜搜Leetcode和Hackerrank，两个都是OnlineJudge，编程练习的好地方，尤其是硕士项目，非！常！重！要！大家一定不能忽视。
关于学习方面，这里我想强调两点：
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了，这样的做法是极不可取的。直到来美国，参加各种面试之后，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、定理和运用都值得大家牢牢记住。
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米测试，只要坚持不懈，就能练到炉火纯青。因为编程和跑米一样，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。
生活部分
在美国的生活比想象中要难，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