一、核心准备要素
- 学术基础建设
- 课程选择:重点修读《数学分析》《概率统计》《线性代数》《算法设计与分析》《机器学习基础》《数据挖掘》等核心课程
- GPA管理:保持3.7+/4.0的GPA,特别注意专业核心课程需达到A-以上
- 跨学科选修:补充《计量经济学》《生物信息学》《计算神经科学》等交叉学科课程
- 科研能力培养
- 参与实验室:加入学院AI/ML实验室,争取参与国家自然科学基金项目
- 论文产出:以第二作者身份在CCF-B类以上会议(如ICDM、ECCV)发表论文
- 竞赛经历:参加Kaggle竞赛(至少进入前10%)、ACM-ICPC区域赛
- 实践项目积累
- 企业实习:通过Uoffer录取项目争取微软亚洲研究院/Google Brain暑期实习
- 开源贡献:参与TensorFlow/PyTorch等主流框架的代码贡献
- 自主项目:开发部署完整的MLOps系统并开源
- 标准化考试
考试类型 目标分数 时间节点 TOEFL 105+(单项≥25) 大三寒假前完成 GRE 325+(Q170+V155) 大三暑假前完成 GRE Subject(CS) 90%+ percentile 可选但建议考取
二、详细时间规划
时间段 | 核心任务 | 执行细节 |
---|---|---|
大三上学期 (9月-1月) |
|
|
大三寒假 (1月-2月) |
|
|
大三下学期 (3月-6月) |
|
|
大三暑假 (7月-8月) |
|
|
大四上学期 (9月-12月) |
|
|
三、重点注意事项
- 推荐信策略:需包含1封海外教授(可通过暑研获得)+2封国内导师(含企业导师)
- 文书差异化:重点突出在南京大学智能学院的独特培养经历(如产教融合项目)
- 应急方案:若标化未达标,及时启动Uoffer录取项目(需提前3个月准备)
- 技术栈建设:需熟练掌握PySpark+Ray+MLflow技术组合,并取得AWS/Azure认证