【2020计算机保研经验分享】中国人民大学信息学院、南京大学人工智能学院、华东师范大学计算机系、厦门大学计算机系

本文主要是介绍【2020计算机保研经验分享】中国人民大学信息学院、南京大学人工智能学院、华东师范大学计算机系、厦门大学计算机系,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

文章目录

  • 前言
  • 基本情况
  • 夏令营开始前的准备
    • 复习
    • 准备资料
  • 夏令营报名情况与入营情况
  • 夏令营经历
    • 南京大学 AI学院
    • 中国人民大学信息学院
    • 华东师范大学计算机系
    • 厦门大学计算机系
  • 优营情况
  • 后记

前言

今年可能是近几年保研最难的一年,我个人认为以下三点影响比较大:

  • 因为疫情,今年几乎所有学校都是线上夏令营(少部分还是线下),这使得往年的保研经验贴对我们来讲基本是没用的。
  • 大佬海投学校,这使得我们这些普通211学生的入营难度大大增加。不过我十分理解这些“海王”的心情,大家都处在这样的环境下,不得不适应当前环境。
  • 最后是很多准备出国的同学因为疫情等因素不能出国,也选择加入了保研大军。

综上三点使得今年(2020)计算机保研难度骤增,各大高校内卷程度创历史新高。希望疫情能早日过去,希望大家能早日过上正常的生活,希望学弟学妹保研时千万不要遇到我们今年这么严峻的情况。

基本情况

学校:江苏中流/中下流 211
专业:计算机科学与技术
前五学期绩点排名:1.7%
本科方向:计算机视觉(CV)、机器学习、多模态
竞赛情况:五项国家级竞赛奖项,省部级、校级竞赛奖项若干,国家级竞赛奖项具体有:

  • 中国大学生服务外包创新创业大赛 二等奖
  • 全国大学生节能减排竞赛 三等奖
  • “中国软件杯”大学生软件设计大赛华东分赛区 一等奖
  • 两项“中国软件杯”大学生软件设计大赛国家 三等奖

科研情况:四项国家发明专利,其中一作两项、学生二作三作各一项

最终选择:中国人民大学

可以看到,我在竞赛方面无ACM奖牌,科研也比较水一些,只有专利,没有顶会论文(水会懒得发,反正也没学校认可),所以我在明面上的核心竞争力其实不是很强,这就导致了我入营情况不是特别乐观。但是因为我提前系统复习了数学课和部分专业课,再加上我的竞赛项目经历比较丰富,看过的论文比较多,使得我在夏令营的面试、笔试、机试中表现还算出色。

夏令营开始前的准备

复习

我大概是在3月份开始准备复习,复习的内容有线性代数、概率论、模式识别、算法等。其中线性代数和概率论我都是跟着网课又学了一遍,模式识别则是将传统的机器学习算法的数学公式推了一遍,包括K-近邻、决策树、朴素贝叶斯、logistic回归、K-means、线性感知机、多层感知机、SVM、线性回归、局部加权线性回归、岭回归、lasso回归、前向逐步线性回归、随机森林、提升树、PCA、SVD等。其中印象最深刻的是证明SVM,从严格线性可分到使用松弛变量和惩罚因子的“大体”线性可分,从线性分类到使用核函数的非线性分类,推了五六十页的证明过程,可谓是酣畅淋漓。算法的话,我是跟着《王道考研机试》刷了一边,感觉挺好的,比较适合我这种非ACM选手。

准备资料

因为不同学校要求提交的材料不一样,所以我大体上将所有资料分成如下几类,报名时需要哪些资料直接拿就行:
在这里插入图片描述

夏令营报名情况与入营情况

报名情况
在报名阶段,我和很多人一样都采取了海投策略,但是我有一些“毛病”,比如说绝对不报专硕,不报软件学院、网安学院,不报不喜欢城市的大学等等,这使得我的选择面非常窄。据我统计,我最终一共报名了12所高校的夏令营,这12所高校分别是:

南京大学、复旦大学、南开大学、华东师范大学、天津大学、中国人民大学、中山大学、同济大学、中科大、北京航空航天大学、厦门大学、华中科技大学

入营情况
入营的学校少的可怜,没入营的原因很多,有部分是我没有别人厉害(绩点+院校背景+顶会论文等综合能力比不过别人),有部分是我overqualified了,有部分是我们学校在它校的黑名单中,具体学校名字我就不明说了,以免影响人家招生(・-・*)。最终入营只有以下四所:

  • 南京大学人工智能学院(学硕)
  • 中国人民大学信息学院(直博)
  • 华东师范大学计算机系(学硕)
  • 厦门大学计算机系(学硕)

夏令营经历

今年很多夏令营都挤在7月中上旬,幸运的是,我参加的这四个夏令营举办时间都没有冲突(也可能是我太菜,入营数量太少)。因为是线上夏令营,所以ZOOM和腾讯会议用的多一些,很多学校都要求双机位,需要提前准备好软硬件环境。

南京大学 AI学院

考核形式:笔试+面试
笔试:内容包含概率论+高数+线代+离散+四门计算机专业课+机器学习,题量比较大,我没仔细数一共多少道,估计大概200-300道题,有填空题,选择题(单选、多选),时间是两个小时,笔试分数排名前70%才能进入面试环节。
面试:开始是英文能力测试,让我用英文介绍一下自己,然后用英文阐述PCA的计算过程。接下来开始用中文问问题,问了专利情况、项目情况、操作系统、数据结构以及算法的一些知识。
夏令营感受
整体面下来,我的表现一般,没有特别出色,也没有特别拉跨,最终结果也和我开始想的差不多,在waiting list中。

中国人民大学信息学院

其实在入营之前,我看了下面这个经验贴:2019年人大信院经验贴,19年人大信院夏令营又是机试、笔试,又是多轮面试,弄得我很紧张,但是因为今年线上举行的原因,考核形式完全变了模样,如果明年恢复线下夏令营的话,我比较建议想去人大的同学认真看看上面19年的经验贴。

考核形式:读paper+面试
读paper环节:在进入面试前20分钟,等候室的老师会让你选一个方向,然后发给你这个方向的一篇论文(随机发的),在面试开始前这20分钟需要读懂这篇论文的背景挑战和解决方法,不能借助翻译和其他工具。我选的方向是多媒体方向,被分到的论文是多模态相关的一个工作,一共16页,因为我之前读过一些多模态方向的论文,所以对我来讲不是很难,我还是比较快的就看完了文章的重要部分(摘要+面临的挑战+网络结构+优化模型使用的tricks+损失函数等)。
面试:开始一分钟阐述论文的背景挑战和解决方法,接下来是抽信封答题,不同信封中的题不同,然后是英文回答问题,我被问到的问题是“请用英文阐述一个你做过的项目”,然后就是各个老师问问题环节,有问数据库的,有问数据结构的。当然,因为我报名的是博士,所以少不了问我“你为什么想读博?”,每个人读博动力都不一样,表明自己的态度就行。
夏令营感受
面试结束我感到无比的轻松,可能是因为这次的表现比南大要好吧,虽然也有不会的问题,但是我都(理直气壮的)承认了我的不足。时长大概是15-20分钟,面试老师很和蔼,面试气氛十分不错,正是因为如此,我对人大的好感度爆棚。

华东师范大学计算机系

考核形式:机试+面试
机试:5道还是6道ACM赛题,多数据点评分,无罚时,很多题都是dp和搜索,搜索需要剪枝操作才能全部通过数据点,暴力dfs和bfs基本不管用,总共三小时答题时间。
面试:可以用自己准备的PPT来介绍自己,但是需要得到面试组老师的同意才能展示。开始3分钟我使用了PPT进行自我介绍,然后老师问了一道图论的题,接下来是英语能力测试:给我一段英文,让我读出来并翻译。后面就是各个老师的问问题环节,大致上问了项目经历,专利情况,为什么选择华东师范,还有机器学习等专业课的知识。
夏令营感受
面试结束并没什么特殊感觉,可能因为我是在上午第二个面试,我很困,状态一般,面试完我直接倒头睡觉了。。。。

厦门大学计算机系

因为我最终没有参加厦大的夏令营,我只能将厦大给我们发的《考核手册》中的内容拿出来一部分,希望对你有帮助。
考核形式:面试(外语测试+专业综合能力)
面试:首先是外语测试,时长约为 3 分钟,占考核成绩的 20%,考察考生外语理解能力和表达观点能力。然后是综合能力测试,占考核成绩的 80%,考生使用 PPT 介绍,展示考生综合素质,接下来就是自由问答环节,采用老师提问,考生回答的形式。

优营情况

  • 人大(优营)
  • 南大(waiting list,后来候补到了)
  • 华东师范(优营)
  • 厦大(没参加)

其实在夏令营开始之前,我还得到了东南PALM实验室一位牛导的口头offer,但是因为今年保研形式实在不容乐观,所以经过再三考虑,我选择早些上岸,最终选择了中国人民大学

后记

在接下来的直博时间里,我准备在图神经网络(GNN)以及数据库+AI方向做一些工作。其实我在本科看了很多CV领域的论文,特别是目标检测相关的工作,感觉这些论文挺有意思的,但是从就业形势上看,CV人才过于饱和,美团今年计算机视觉岗位的32:1投递录用比吓到我了(´Д`)。

最后希望大家都能拿到满意的offer,加油 😃。

这篇关于【2020计算机保研经验分享】中国人民大学信息学院、南京大学人工智能学院、华东师范大学计算机系、厦门大学计算机系的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/324952

相关文章

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

基于人工智能的图像分类系统

目录 引言项目背景环境准备 硬件要求软件安装与配置系统设计 系统架构关键技术代码示例 数据预处理模型训练模型预测应用场景结论 1. 引言 图像分类是计算机视觉中的一个重要任务,目标是自动识别图像中的对象类别。通过卷积神经网络(CNN)等深度学习技术,我们可以构建高效的图像分类系统,广泛应用于自动驾驶、医疗影像诊断、监控分析等领域。本文将介绍如何构建一个基于人工智能的图像分类系统,包括环境

【专题】2024飞行汽车技术全景报告合集PDF分享(附原数据表)

原文链接: https://tecdat.cn/?p=37628 6月16日,小鹏汇天旅航者X2在北京大兴国际机场临空经济区完成首飞,这也是小鹏汇天的产品在京津冀地区进行的首次飞行。小鹏汇天方面还表示,公司准备量产,并计划今年四季度开启预售小鹏汇天分体式飞行汽车,探索分体式飞行汽车城际通勤。阅读原文,获取专题报告合集全文,解锁文末271份飞行汽车相关行业研究报告。 据悉,业内人士对飞行汽车行业

usaco 1.3 Mixing Milk (结构体排序 qsort) and hdu 2020(sort)

到了这题学会了结构体排序 于是回去修改了 1.2 milking cows 的算法~ 结构体排序核心: 1.结构体定义 struct Milk{int price;int milks;}milk[5000]; 2.自定义的比较函数,若返回值为正,qsort 函数判定a>b ;为负,a<b;为0,a==b; int milkcmp(const void *va,c

业务中14个需要进行A/B测试的时刻[信息图]

在本指南中,我们将全面了解有关 A/B测试 的所有内容。 我们将介绍不同类型的A/B测试,如何有效地规划和启动测试,如何评估测试是否成功,您应该关注哪些指标,多年来我们发现的常见错误等等。 什么是A/B测试? A/B测试(有时称为“分割测试”)是一种实验类型,其中您创建两种或多种内容变体——如登录页面、电子邮件或广告——并将它们显示给不同的受众群体,以查看哪一种效果最好。 本质上,A/B测

【北交大信息所AI-Max2】使用方法

BJTU信息所集群AI_MAX2使用方法 使用的前提是预约到相应的算力卡,拥有登录权限的账号密码,一般为导师组共用一个。 有浏览器、ssh工具就可以。 1.新建集群Terminal 浏览器登陆10.126.62.75 (如果是1集群把75改成66) 交互式开发 执行器选Terminal 密码随便设一个(需记住) 工作空间:私有数据、全部文件 加速器选GeForce_RTX_2080_Ti

计算机毕业设计 大学志愿填报系统 Java+SpringBoot+Vue 前后端分离 文档报告 代码讲解 安装调试

🍊作者:计算机编程-吉哥 🍊简介:专业从事JavaWeb程序开发,微信小程序开发,定制化项目、 源码、代码讲解、文档撰写、ppt制作。做自己喜欢的事,生活就是快乐的。 🍊心愿:点赞 👍 收藏 ⭐评论 📝 🍅 文末获取源码联系 👇🏻 精彩专栏推荐订阅 👇🏻 不然下次找不到哟~Java毕业设计项目~热门选题推荐《1000套》 目录 1.技术选型 2.开发工具 3.功能

java常用面试题-基础知识分享

什么是Java? Java是一种高级编程语言,旨在提供跨平台的解决方案。它是一种面向对象的语言,具有简单、结构化、可移植、可靠、安全等特点。 Java的主要特点是什么? Java的主要特点包括: 简单性:Java的语法相对简单,易于学习和使用。面向对象:Java是一种完全面向对象的语言,支持封装、继承和多态。跨平台性:Java的程序可以在不同的操作系统上运行,称为"Write once,

基于人工智能的智能家居语音控制系统

目录 引言项目背景环境准备 硬件要求软件安装与配置系统设计 系统架构关键技术代码示例 数据预处理模型训练模型预测应用场景结论 1. 引言 随着物联网(IoT)和人工智能技术的发展,智能家居语音控制系统已经成为现代家庭的一部分。通过语音控制设备,用户可以轻松实现对灯光、空调、门锁等家电的控制,提升生活的便捷性和舒适性。本文将介绍如何构建一个基于人工智能的智能家居语音控制系统,包括环境准备

计算机视觉工程师所需的基本技能

一、编程技能 熟练掌握编程语言 Python:在计算机视觉领域广泛应用,有丰富的库如 OpenCV、TensorFlow、PyTorch 等,方便进行算法实现和模型开发。 C++:运行效率高,适用于对性能要求严格的计算机视觉应用。 数据结构与算法 掌握常见的数据结构(如数组、链表、栈、队列、树、图等)和算法(如排序、搜索、动态规划等),能够优化代码性能,提高算法效率。 二、数学基础