作者:aaronhan223发表于一亩三分地院系介绍版
时值新一年决定去向之际,特地分享一下LZ在UT两年经历后对学校的认知,因为地里很多关于UT的软硬件找工贴,于是LZ结合自身经验写一个面向想读PhD的同学的院系总结,特别是ML related的方向。LZ录取到UT是17Fall ECE MS,这学期正式转入PhD program,导师一个在CS一个在ECE(主要导师在CS,ECE老师co-advise),研究方向是machine learning算法(ICML,NIPS,ICLR,etc.)。
UT做ML的老师主要集中在ECE和CS两个系,由于LZ的program是ECE(虽然现在感觉自己90%是一个CS学生),所以先详细介绍一下ECE的情况。LZ所在的ECE DICE(decision, information, and communication engineering)track是department下最大的track(应该?),虽然从名字看出这是一个通信related track,不过这个方向的许多大佬(optimization,control,signal processing,information theory等等)近年转来做ML成果丰硕,当然,也不缺很早就开始做data mining / ML的教授,这使得UT ECE成为ML professor的大本营之一,也吸引了很多CS的PhD学生来找advisor。WNCG是DICE track afflicted的一个研究机构,是ECE最大的实验组之一,也是phd学生主要的funding来源,近几年加大了在ML/AI方面研究的投入,包括recruit related faculty,加大industry合作以及成立UT-MINDS(传送门:http://data.ece.utexas.edu/)。DICE track的学生录取质量一流,在ECE各个track中的bar是比较高的(应该?因为据我了解,身边的同学都是各个国家的top university),因此录取的学生大部分都会读PhD。仰仗WNCG的声誉,很多学生PhD毕业后的去向都不错,做ML的包括Facebook AI research,Google research,amazon AI etc,以及转去做quant,two sigma,citadel之类。找faculty的人也有找的很不错的(一般先读post-doc),有同级学校如UIUC,Cornell,Columbia等,也有回国内top 4或香港top 3做AP,国内top学校也经常会来宣讲招人。总体来说,DICE可以给学生提供一个比较高的平台,提供很多机会的可能性(最主要还是靠自己争取)。由于近两年ML/AI方向申请难度越来越大,对于担心申请不到top 10 CS PhD program的同学,可以考虑把UT ECE DICE作为保险项目之一(DICE整体申请难度比UTCS略低,个别老师可能除外,UT ECE rank 7~9,CS rank 8~10上下)。
在课程设置方面,DICE cover了所有ML researcher需要的基础和advanced课程,并且每年都有special topic。上课的老师都很负责任,load大部分很重,甚至成为系里的招牌课,比如probability and stochastic process, convex optimization, data mining etc,advanced课会开一些unsupervised learning, GAN, fairness & interpretability ML,  large scale optimization, learning & inference这类可能比较赶时下潮流的课,再搭配CS系的其他related课程比如reinforcement learning,NLP,deep learning seminar等,一定能把你培养成基础扎实,视野广阔的ML researcher~
再说CS系,对于ML算法这个研究方向来说,和ECE比,CS在faculty数量和publication上反而有些相形见绌(当然是基于我自己的观察,若不准确求轻喷),原因除了ECE这两年在使劲发力外,还有几个CS大教授都on leave去了工业界,学生也该实习实习该推走推走,不过这并不能影响CS录取的high bar。总体来说,CS在各个方向研究都没有死角。在ML方面,从learning theory到methodology再到CV / NLP都有很好的教授,包括有声望的大牛和中流砥柱的AP,学生去向跟ECE比也是只好不坏。不过,CS,ECE学生互相找对方学院的导师,教授交叉合作的情况很多(比如LZ)。最近4月份是faculty招聘的收尾时间,几乎每周CS系里都会至少发一次faculty candidate talk announcement,ML/CV/NLP方向居多,预计以后CS系在这方面规模还会扩大很多,对于potential applicant来讲是好事情。
最后再随意讨论下对研究方向的看法,由于仍然是PhD萌新如果观点片面还请专家们批评指正。LZ根据最近申请的热度大致判断CV > NLP > ML,原因除了CV / NLP落地场景多(尤其是CV),还有做纯ML算法所需要的数学功底让不少人止步。对比ML,前两者更加接近application从而更容易被人接受,但多了解算法机理对CV / NLP的研究也有很多帮助。有很多做ML的PhD在第四甚至第五年转去做CV / NLP可以得心应手,而且在industry职位方面,CV related职位申请人数一般比ML要多很多倍,并且了解了算法内核可以更容易接近公司核心业务。扯了这么多,主要观点是phd早期多做点算法可能对以后各方面发展帮助很大,也希望小伙伴们多试一下ML方向的PhD,如果我上面的内容能有帮助就最好不过了。
最后祝所有人都能拿到dream school的offer,若觉得我的信息有用请加米,感谢!(附件有UT ECE 19Fall以及之后两年的研究生课程表,希望也可以帮到其他track的小伙伴)
补充内容 (2019-4-13 02:14):关于UT ECE和CS由MS转PhD的流程,我在[一亩三分地原帖]下面的回复里面做了详细说明,可以参考一下
左下角阅读原文,去地里跟作者和大家的交流
   谷歌工程师讲系统设计    
   数据科学面试真题讲解    
   工业界资深数据库科学家

   教你破解各大公司面试    
   模拟面试 - 数据科学    
   模拟面试 - 机器学习    
    公众号太多,找不到一亩三分地怎么办?

   点击订阅号

   长按Warald,置顶公众号

   就可以一眼找到Warald
    ▼https://www.1point3acres.com/bbs/▼     
继续阅读
阅读原文