<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Chien-Lung Chou on Medium]]></title>
        <description><![CDATA[Stories by Chien-Lung Chou on Medium]]></description>
        <link>https://medium.com/@chienlung?source=rss-dd18642d465e------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*H5FmorBBBHomcasvYyawUg.jpeg</url>
            <title>Stories by Chien-Lung Chou on Medium</title>
            <link>https://medium.com/@chienlung?source=rss-dd18642d465e------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sun, 22 Nov 2026 02:11:47 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@chienlung/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[2022 美國New Grad-SWE求職紀錄(純軟/自駕/ML)]]></title>
            <link>https://chienlung.medium.com/2022-%E7%BE%8E%E5%9C%8Bnew-grad-swe%E6%B1%82%E8%81%B7%E7%B4%80%E9%8C%84-%E7%B4%94%E8%BB%9F-%E8%87%AA%E9%A7%95-ml-aed673c4e96e?source=rss-dd18642d465e------2</link>
            <guid isPermaLink="false">https://medium.com/p/aed673c4e96e</guid>
            <category><![CDATA[new-grad]]></category>
            <category><![CDATA[software-engineer]]></category>
            <category><![CDATA[job-hunting]]></category>
            <dc:creator><![CDATA[Chien-Lung Chou]]></dc:creator>
            <pubDate>Tue, 10 May 2022 23:50:36 GMT</pubDate>
            <atom:updated>2022-05-10T23:50:36.474Z</atom:updated>
            <content:encoded><![CDATA[<h3>前言</h3><p>據說2022是疫情後，就業機會迸發，找工作會比較容易，但在我這卻好像不是這麼一回事呢。找工規劃中大致是2021/8~2021/12暖身找工作，2022/1~2022/4全力找工作，不過到最後我還是五月初才真正簽了offer（就是寫這篇文的一週前）。去年暖身的部分就不寫了，都忘光了…</p><p>找工作的一路上磕磕絆絆，總以為到了盡頭，才發現還有一大段路。看著周遭的朋友們早早上岸，瘋狂打電動、出去玩，真的是壓力山大。好險在最後的一個月把一切都搞定了，故寫這篇來記錄這一路上的辛苦。</p><p>來自朋友的一句話，算是支撐著我後面快崩潰兩個月的生活：</p><blockquote>Great things take time.</blockquote><h3>結果</h3><h4>Summary:</h4><p><strong>Offer:</strong> Nvidia, Google, OmniVision, Qualcomm<br><strong>Withdraw: </strong>Carmera, Hive.AI, Tiktok, Apple, Lucid Motors<br><strong>Reject:<br>- OA: </strong>Amazon, Brain Corp, WeRide.AI, Databricks, C3.AI, …(很多)<strong><br>- Phone: </strong>Carnegie Robotics, Eightfold, IXL Learning, Akuna Capital, HRT, Cognex, Flexport<strong><br>- On-site: </strong>Tesla, Pony.AI, Amazon Robotics, Two Sigma, MOLOCO, Lutron, Tubular Labs</p><p><strong>Decision: Nvidia</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/720/1*SoFmaJMbFbCG7hZEdd6m3g.jpeg" /></figure><p><strong>Nvidia</strong><br><strong>Position: </strong>Software Engineer — Autonomous Driving Simulation(內推)<strong><br>Result: </strong>Offer<br><strong>Timeline:</strong> Apply (3/23)→1st Phone (4/7)→Virtual On-Site (4/25)→Offer (4/28)</p><p>雖然大家對Nvidia最耳熟能詳的應該是顯卡，挖礦、深度學習必備，但它其實還有觸及其他領域，例如自駕車相關(e.g., Perception, Localization, Simulation)，也有與其他自駕公司們(e.g., Zoox, TuSimple)合作。</p><p>一面時是Manager，簡單自我介紹後就進入Coding，比較特別的是他希望我直接寫然後他一邊看，然後會時不時點出哪裡可能會遇到什麼問題，問我該怎麼解決（像是浮點數的等於該怎麼做）。最後問問題時，感覺跟Manager的頻率沒有對到，想問一下組內都做些什麼，竟然說了everything…（指Simulation的），真的是頭疼。</p><p>On-Site時五輪，每輪45分鐘，每兩輪休30分鐘，其中有四位是Engineer，一位是Manager。這四輪Engineer基本上都是上來稍微介紹就進入Coding，題目難度大概都是Leetcode Medium，會概念基本上就可以秒解，沒有什麼彎彎繞繞；並且面試官都會要求分析一下時間複雜度，以及暴力解跟最佳解分別在什麼情況下會是比較好。另外，若解太快，有些面試官會提出其他General問題來了解我的思路，像是他設計一個情境，問我該怎麼在這個情境達成某項任務。而與Manager面試時有多考了一點幾何（旋轉、平移）以及C++ Feature（static, virtual, inheritance）的概念，都算必備的所以都有回答上。</p><p>整體面試下來，面試官都給人滿親切，很明顯地感受到是認真地在考察，聊天時也很友善地分享資訊。另外我覺得Nvidia的Recruiter也很有效率，因為Google offer deadline快到了，所以就去催了進度，Recruiter很猛地在三天內就趕出了offer，甚至在週末因為我有談薪水所以還加班趕updated offer，真的是滿佩服的。總之就是很讚很有效率又友善。</p><p>能拿到這份工作真的算滿幸運的，其實本來都打算接了Google不想再面試，但因為被室友一直鼓勵撐住，又因為無聊發了限動問大家我要不要準備，結果77%的都叫我面，就被激勵一番還是去乖乖準備（雖然前一天還是悠閒地去打球嘿嘿）。甚至，面試當天早上心血來潮看個Topological Sort，然後就剛好被考了，直接秒解！</p><p>除了這個職缺外也有申請Stereo Perception Engineer，在一面就掛掉。因為他們的主要任務是使用Deep Learning去測量影像中深度，所以圍繞在DL上問了不少問題。以我的經歷來說，就問了Transformer的實際運作，從頭到尾怎麼實作的，各種細節都需要介紹，但我回答的沒很好，就掰了。</p><p>雖然不確定正不正確，但Nvidia給我的感覺是<strong>在履歷關比較嚴</strong>，會篩選出比較適合的面試者後才開始面，而<strong>面試時難度則不高</strong>，像是Coding都是Leetcode Medium程度，比較著重在溝通以及思考邏輯吧。</p><p><strong>Google (Cloud Security)<br>Position: </strong>Software Engineer (內推)<strong><br>Result: </strong>Offer<br><strong>Timeline:</strong> Apply (9/2)→OA (11/10)→Virtual On-Site (1/21)→ Head Count (2/1)→PA Match/Offer (4/15)</p><p>在Mason校友群中剛好找到Google的員工願意幫忙內推，於是就迅速把履歷準備一下就發過去請他幫忙了。Mason校友群偶爾會有內推消息的，大家可以注意一下不要錯過了。</p><p>Google OA的部分其實都是一批一批的，所以其實去一畝稍微找一下近期的文就可以找到一模一樣的了。但其實印象中都不難，主要都是Easy/Medium的程度，所以直接寫也不太需要擔心，畢竟OA越早寫越好。</p><p>On-Site有五輪，一輪BQ、四輪Coding，順序不一定，但我的BQ第一輪。BQ的問法都是先問情境，然後有沒有相關的經驗，再深入去問各種相關的問題。以Advocate your friend to professor為例，什麼情境、做什麼事、有什麼改變、帶給你什麼啟發。上面這例子中其實沒有準備到，但後來回答時舉排球校隊的事情，然後啟發是“I’m not alone.”讓面試官很高興，所以滿有印象的。Coding的話，Google滿特別的地方就是需要當<strong>人體編譯器</strong>，要<strong>自己生test case去試跑</strong>自己的程式碼給面試官看；另外，（據說）也會把面試時的code保存下來給Hiring Committee評價面試者，所以在跟面試官的溝通上不可以只有口頭還要<strong>把過程記錄下來</strong>（越詳細越好），例如變數在每個iteration的變化。</p><p>另外，其實On-Site我在12/10就被問可以預約時間了，不過當初還有些Final Project要弄，而且感覺要迅速衝一波會有點沒準備好，就還是預約到過年之後了。但現在想想，可能當初早早約在12月，或許整個流程就不會拖得這麼久，讓人這麼崩潰惹，也可能我就變成狗家員工，結論就是<strong>儘早約不要拖</strong>。</p><p>我這次Google在VO結束後的流程是(1)gMatch: Product Area(PA) Match，過了Hiring Committee後拿到Head Count讓Google各PA來撈人，其中PA有Ads, GCP, Youtube等等； (2)Offer: 確定有PA要我後會擬Offer讓我簽；(3)Team Match: 在入職前一個月左右才會開始幫我在這PA下找適合的組。</p><p>Google的整體流程真的就是超級無敵慢，然後Recruiter的回信也是要回不回，甚至有一次寄信竟然一週多後才回我。而且整個流程看下來，我一個9月投的都可以拖到4月才結束，真的是不太能想像1月投得要怎麼辦。另外還有個很「神奇」的點是Google要Compete Offer時需要<strong>把其他Offer截圖</strong>做為證明給他，我覺得算是不太尊重人；以及算Total Compensation的方法很詭異，會把依據Performance的最高15% 乘以Base直接算進去來說自己的數字多好，但這筆錢其實是無法預期也無法量化的，所以不應該這麼算吧。</p><p>雖然Google給的各種照顧員工的福利真的很吸引人，讓我猶豫很久，但比較後還是決定不去了，可以分成幾個方面來說：(1)興趣：我被match到Cloud Security，但其實我根本沒有Cloud以及Security的經驗，所以並不是很有興趣；(2)未來性：感覺Google接下來會開始投入更多資源到Cloud，但就目前來說並不是龍頭的地位，也可能爭不到最大塊的餅；(3)誠意：就跟上面說的，整個流程中不太有誠意，讓人苦等很久。以上都是飽含個人主觀意見的發言，所以並沒有任何保證，說不定其實進去後可以賺大大大錢，是我見識淺薄了。</p><p><strong>OmniVision<br>Position: </strong>Software Algorithm Engineer (海投)<strong><br>Result: </strong>Offer<br><strong>Timeline:</strong> Apply (1/21)→1st Phone (1/28)→2nd Phone (2/4)→Virtual On-Site (3/2)→Offer (3/12)</p><p>這間公司主要是在做Image Sensor相關的，有硬體缺的晶片以及軟體缺的影像處理，產品主要用在手機、電腦、車用、安防的，面試時聽起來在安防部分比較不錯，其他則是比不上其他競爭公司(Sony, Samsung)。我面的這個組主要是負責處理原始影像，以傳統算法為主，基本上沒有DL。</p><p>面試中被問的滿多部分都是<strong>影像處理</strong>相關的知識，像是Bayer Pattern, Camera Processing Pipeline, Interpolation等等，以及問了一些影像各種轉換的差別(Rotation, Projection, Homography, etc.)，有特別準備應該都可以正常應對。</p><p>我面的這個組是算法組，所有人幾乎都是中國人，所以面試都是以<strong>中文</strong>進行，而未來合作基本上也是這樣。雖然說名義上總部是在Santa Clara，但據說還是以中國那邊為主，所以「有時候」晚上會配合時間來加班開會討論。最後有幸拿到offer，不過整個包裹雖然從歷史資料看起來算是頂包，但還是略低於灣區平均，再基於其餘各種因素考量後決定不去了。</p><p><strong>Tesla<br>Position: </strong>SLAM Engineer — Autopilot (海投)<br><strong>Result:</strong> Reject after In-Person On-Site<br><strong>Timeline:</strong> Apply (3/18)→ 1st Phone(3/24)→ 2nd Phone(3/31)→ In-Person On-site(4/15)</p><p>在官網上找SLAM海投拿到的面試，整體安排面試都滿有效率的。面的組負責的就是自家產品Autopilot的部分，其中有兩種大方向：Deep Learning &amp; 傳統算法。這個缺主要找的是傳統算法的，負責Trajectory Estimation以及3D Reconstruction相關。</p><p>一面是基本的Coding，跟面試官先討論想法後再開始實作，過程中有些小Bug也會被點出來，然後問我原因以及該怎麼解決。二面的話則著重在履歷上面的Project，要我說明<strong>做了什麼貢獻</strong>以及怎麼做到的，面試官感興趣的話會進一步問為什麼用A而不是B這樣的問題，所以要好好把自己履歷上的Project搞熟；之後則是再問了一些Camera Model, Camera Calibration, 3D point estimation相關的問題。這兩輪給我的感覺都是注重在溝通及<strong>Domain Knowledge</strong>。</p><p>On-Site的話有六輪面試。第一輪是Presentation，需要<strong>準備15~20分鐘的Slides</strong>來報告給整個組自己做過的東西，值得注意的是他們希望看到的是在這東西中我的<strong>明顯貢獻</strong>，而不是了解這個Project，而我因為用這學期做的一個簡單結合現有算法的Project所以講不深感覺有點被扣分。其餘有三輪是Domain Knowledge、兩輪是Coding相關：Domain部分會按照經歷以及Presentation來決定面試官想考的方向，我就被考了Matrix (SVD的應用, Matrix Decomposition), Geometry (Lie Algebra, Quaternion, Rotation的一些變換以及操作), Point Clouds (Registration, RANSAC)；Coding部分反而不難，都是與面試官一起合作來解決問題，有一起Debug，講解問題出在哪邊以及該怎麼解決、預防這些問題，也有一起實作一個Custom Iterator Class。整體面試下來其實蠻有趣，但真的很累，因為每輪之間基本上面試官都接著來所以幾乎沒什麼休息。</p><p>我覺得很特別的一點是Tesla在其他間公司還必須Remote時就開放讓面試者可以選擇<strong>實體面試</strong>了，然後包來回機票、住宿、餐費、交通費，對於我這個沒去過灣區的人真的超讚超有趣！而且能當面見到未來可能同組的人以及環境真的是更能去了解這份工作，所以如果有機會真的要選！另外，這次面試的地點是在Palo Alto的新辦公樓，而不是原本那棟，據說是因為原本的那棟太擠了所以在三四個月前買下HP的Building，建築內部一切都很新，甚至連電梯都還沒弄好xD。</p><p>雖然最後並沒有拿到Tesla Offer，但說實話其實滿感謝擁有這次機會讓我去了解未來生活地方的樣子，也知道了自己專業知識上滿多不足之處。最後被HR聯絡時說了雖然與大家聊得很好不過希望我有更多經驗，看來找非NG缺還是有點難，也希望不是漂亮話啦xD。BTW，打聽到特斯拉員工買車不會比較便宜，但Autopilot系統可以免費裝（價值12000$）。</p><p><strong>Pony.AI</strong><br><strong>Position: </strong>Software Engineer — Generalist (海投)<br><strong>Result:</strong> Reject after Virtual On-Site<br><strong>Timeline: </strong>Apply (1/11)→ 1st Phone(2/9)→ 2nd Phone(2/18)→Virtual On-site(3/7)</p><p>Pony是一間中資自駕新創，據說是所有中資自駕中最有潛力的，但詳細技術到哪其實我也不太確定，畢竟確定沒上就沒時間去了解更多。一面時考了Leetcode Medium，被考官提示一下找到最佳解；二面時考了超級經典的 Hard，是我少數有寫過的所以也是寫滿順的。On-Site則是三輪，一輪Resume深聊，其他都是Coding，應該都是Medium難度，但都剛好有個地方卡住所以雖然有寫出來但過程略卡，我想也是因為這樣才被刷掉了。題目都可以去一畝面經看，應該可以找到一模一樣的題目。</p><p>應該是因為職缺是Generalist，所以基本上每輪面試都是Coding為主，對於Background是什麼不太重視，也因為這樣所以這個缺好像更競爭，所以如果有更Specific並且有興趣也有經驗的職缺，我覺得不妨優先嘗試。</p><p><strong>MOLOCO</strong><br><strong>Position: </strong>Machine Learning Engineer(海投)<br><strong>Result:</strong> Reject after Virtual On-Site<br><strong>Timeline: </strong>Apply/OA(1/7)→ Recruiter Call (1/26)→1st Phone(2/14)→ Virtual On-site(2/25)</p><p>MOLOCO是一間韓資應用Machine Learning來做廣告投放的新創，在廣告業目前這麼競爭的時期能爭到排名第七，卻還是間不到500人的新創，可見其技術部分也是滿強的。在官網找職缺後投遞就收到Recruiter的面試邀約了。因為還算新創，這MLE職缺會負責的內容包括了Project中Train, Test, Deploy所有的事情，而不是只負責某一塊而已，感覺滿扎實的。</p><p>Recruiter Call中被簡單問了一下什麼是DL、什麼是NN、以及一些情境題問我怎麼設計大型分散ML系統，其實都是些回答General概念以及關鍵字，Recruiter會記錄下來回答然後給Hiring Manager看看再決定要不要下輪。過這輪不難，畢竟都是很General的概念，不過有時候情境題其實也不知道他到底期望些什麼回答，就盡量答看看吧。一面時詳細內容忘記了，好像就是Medium一題然後就聊聊天吧。</p><p>On-Site的部分是三輪，取決於面試官想要考些什麼，而不一定是常見的Coding。第一輪是針對我履歷上的Paper去問做了什麼，因為面試官滿感興趣的所以有深入去問詳細的做法。第二輪則是考了一些ML以及機率的東西，滿著重在機率的各種概念，出了一些題來考。第三輪最詭異，基本上就是在考統計，拿了一個Google doc上面列了各種統計的問題，什麼Entropy的鬼，根本沒學過所以也答不上來，直接炸裂。</p><p>因為有點久以前所以面試的詳細內容都有點忘記了，不過這間公司雖然是找MLE，但在最後面試明顯地格外注重<strong>機率</strong>與<strong>統計</strong>的部分，所以若是有興趣一定要特別去準備，不然一定炸裂。</p><p><strong>Two Sigma</strong><br><strong>Position: </strong>Software Engineer(海投)<br><strong>Result:</strong> Reject after Virtual On-Site<br><strong>Timeline: </strong>Apply (1/9)→OA(1/15)→ 1st Phone(2/2)→ Virtual On-site(2/17)</p><p>Two Sigma是一間總部在NYC的對沖基金投資公司，從官網海投的。如果擔心不懂金融相關知識，根據面試官們所說是沒關係的，因為主要考察的是Software Engineering的能力，其餘知識進去想學再慢慢學，但不強求。</p><p>OA是CodeSignal上發來的，因為平台有限制兩週內有考過別間公司的所以不可以馬上考，所以問了Recruiter說等一段時間才寫就好。一面時印象中沒有面好，是被面試官多花了一倍的時間給凱瑞過關的，滿神奇的是還被帶到下輪了。另外，跟Google面試方法差滿多的地方在於面試官希望可以<strong>直接試跑Code</strong>來快速Debug而不要人慢慢一行一行看來找。這裡也算歸納出，通常<strong>有Run Test的面試官都會希望直接跑有錯再來Debug</strong>，但如果擔心還是可以先問一下面試官，經過同意後再跑。</p><p>On-Site的安排滿酷的，他們會先預告連續兩天都需要面試，不過第一天是Coding，第二天是BQ，而我在第二天一早收到拒信，所以就沒有後續了。Coding的部分都是Medium，但我有遇到一題偏Hard的，在理解題意上花了點時間而沒有解出最佳解，感覺是因為這輪所以才掛掉，不然其他的都算解滿快的。</p><p>Two Sigma給我的感覺就是Bar滿高的（一畝上大家好像也這麼說），就是不能出任何錯誤，要都很順利地解出並分析時間複雜度給面試官。</p><p><strong>Amazon Robotics</strong><br><strong>Position: </strong>Software Development Engineer (內推)<br><strong>Result:</strong> Reject after Virtual On-Site<br><strong>Timeline: </strong>Apply (1/9)→OA (1/19)→ 1st Phone(1/31)→ Virtual On-site(2/16)</p><p>Amazon Robotics (AR)是位在Westborough, MA的，感覺起來與Amazon本身還是有些小差異，有點獨立又不是完全獨立的感覺。在面試前建議看一下AR官方各種運送機器人的影片，因為出題可能會出那樣的概念，不知道的會挺尷尬的。另外，在面試前一定要<strong>好好看熟Amazon Leadership Principle</strong>，可以去找<strong>Dave Anderson部落格</strong>或Medium對此的解釋來更清楚了解所重視的東西，以及需要準備哪樣的故事。</p><p>這個缺跟學生缺(Student Program)不太一樣，學生缺據說OA後就進兩輪VO，但這個缺就是正常流程。OA的部分是兩題Coding再配文字解釋怎麼做以及時間複雜度，然後就是最炫的Work Style Survey，盡量嘗試按照Leadership Principle來回答，雖然有時候真的也不知道怎麼選。一面印象中就是一題BQ搭配Coding。</p><p>On-Site有四輪，一輪一小時，每兩輪休息半小時。每輪都有一兩個BQ再搭配Coding。我覺得BQ反而是Amazon最注重的，因為可以看出面試者有沒有認真準備面試；題目的部分網路上都可以輕鬆查到，像是在Project中有遇過什麼樣的阻礙。其實<strong>每輪問到的問題會有滿大可能重疊</strong>，所以必須<strong>事先為每個問題準備好兩三個故事</strong>，以免最後統整面試Feedback時都是一樣的內容，我在這部分就沒做好，所以在回答BQ時都有點單調，所以就很尷尬。Coding的話就正常準備，沒什麼特別。</p><h3>總結</h3><p>找工作的這段時間真的挺痛苦的，看著周遭的朋友們很早就上岸，剩下自己一直掙扎到最後一刻。會趁著室友不在的時候在房間大吼大叫、捶床發洩情緒，也曾經跟女朋友講電話講到哭出來，搞得自己都不像自己了。</p><p>覺得自己時程被拉得這麼長有一部分是因為自己在年初面完Google然後拿到Head Count就鬆懈了，從那時的近期資料看到大家都說有拿到就穩了一定會有Offer，也因此中間的這段時間沒有好好地準備面試；但隨著時間過去Google一直沒有消息，只有一而再再而三地通知會延期出結果的時間，才發現自己好像快糗了，於是趕緊在後面再衝一波。好險最後撐住了，拿到了更有興趣的工作，真的很幸運！</p><p>以我的經歷來說，ML, Robotics, General Software都有碰，所以在準備面試時很累，要把所有相關Domain Knowledge都複習到很花時間。對此我覺得如果能選定一個方向去找工作當然會比較輕鬆；如果依舊都想試，那就從履歷相關的出發再延伸，像是有做過YOLO就搞懂它，再去理解其他Object Detection Model的好壞差異等等。雖然Domain Knowledge滿重要，但我覺得<strong>刷題</strong>還是最重要的，畢竟對面試官而言是最能直接看出程式能力的方法。</p><p>最後想說，在確定拿到並簽下Offer前，都絕對不要鬆懈，儘管好像很有希望，繼續努力繼續面，如果前面的真的有來也可以拿來Compete得到更好的包裹。希望我的經驗可以幫助那些到最後快心態炸裂的人們，好的Offer不是不來，只是需要點時間，能做的就是繼續努力。</p><h3>致謝</h3><p>感謝女友傑尼在我崩潰、心態炸裂時願意聽我傾訴並且安慰我。感謝父母花了這麼一大筆錢讓我讀碩士，接觸到新的課程內容，才讓我有機會找到目前的工作。</p><p>感謝室友Gino在我求職路上的各種開導，每次心態不穩時都會向你請教我下一步該怎麼做，好險聽你的繼續面Nvidia了，不然就錯失一個寶貴的機會。</p><p>感謝準備Google面試時，宜倫、宣學、冠宇幫忙Mock Interview，讓我在面試時更有信心一點，雖然後來決定不去，但還是多虧了你們才拿到這個Offer。</p><p>感謝內推人張鎔、奕謙、樂哥、Paul Ou、靖安、炫澄、Bo-Hong、Peter Liu等等，願意花時間幫忙內推，也給了我不少建議，讓我拿到了面試的機會。</p><p>感謝UMich的各位好朋友，對我生活上的各種幫助、開車帶我出去玩解悶、找我吃飯聊天、來我們家打整晚的桌遊及Switch。</p><h3>學習資源</h3><p>因為在我先前已經有很多人列出超級多的資源， 像是內推平台、該看什麼樣的書準備Domain Knowledge、申請哪些公司，所以就不特別分享，但我這邊還是列出這些包含很多資源也給我很多啟發的找工心得分享了。</p><ul><li><a href="https://jaycho2007.medium.com/2021-swe-new-grad-%E6%89%BE%E5%B7%A5%E9%9B%9C%E8%AB%87-816ce8b93677">2021 SWE New Grad 找工雜談</a></li><li><a href="https://robintzeng.medium.com/2021-%E7%BE%8E%E5%9C%8Bnew-grad-%E6%B1%82%E8%81%B7%E5%BF%83%E5%BE%97-cve-swe-f66b136b7a05">2021 美國New Grad 求職心得（CVE /SWE）</a></li><li><a href="https://ilewu.medium.com/%E7%BE%8E%E5%9C%8B%E8%BB%9F%E9%AB%94%E6%B1%82%E8%81%B7%E5%BF%83%E5%BE%97-%E9%9B%BB%E8%85%A6%E8%A6%96%E8%A6%BA-%E8%87%AA%E9%A7%95-37e5614e46e1">美國軟體求職心得 (電腦視覺/自駕)</a></li><li><a href="https://ilewu.medium.com/computer-vision-job-hunting-faq-3ea3d78f3778">美國軟體求職 FAQ (電腦視覺領域)</a></li><li><a href="https://medium.com/@zzycc/2022-%E7%BE%8E%E5%9C%8Bsde%E6%AD%A3%E8%81%B7-%E6%89%BE%E5%B7%A5%E5%88%86%E4%BA%AB-28b870f63ece">2022 美國SDE正職 找工分享</a></li><li><a href="https://medium.com/@a7532ariel/%E5%8C%97%E7%BE%8E-2022-summer-swe-intern-%E6%B1%82%E8%81%B7%E5%BF%83%E5%BE%97-40a0918bc5d4">北美 2022 Summer SWE Intern 求職心得</a></li></ul><p>如果有什麼問題想問的可以透過以下找到我：</p><ul><li>LinkedIn: <a href="https://www.linkedin.com/in/chien-lung-chou/">https://www.linkedin.com/in/chien-lung-chou/</a></li><li>Facebook: <a href="https://www.facebook.com/chouchienlung/">https://www.facebook.com/chouchienlung/</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=aed673c4e96e" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[PyAgrum使用心得及分享]]></title>
            <link>https://chienlung.medium.com/pyagrum%E4%BD%BF%E7%94%A8%E5%BF%83%E5%BE%97%E5%8F%8A%E5%88%86%E4%BA%AB-eeca4f7816a6?source=rss-dd18642d465e------2</link>
            <guid isPermaLink="false">https://medium.com/p/eeca4f7816a6</guid>
            <category><![CDATA[probability]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[bayesian-networks]]></category>
            <category><![CDATA[python-libraries]]></category>
            <dc:creator><![CDATA[Chien-Lung Chou]]></dc:creator>
            <pubDate>Sun, 19 Sep 2021 05:16:22 GMT</pubDate>
            <atom:updated>2021-09-21T01:12:42.094Z</atom:updated>
            <content:encoded><![CDATA[<p>因為實習時剛好使用<a href="https://pyagrum.readthedocs.io/">PyAgrum</a>構建Bayesian Network做Project，但找了很久發現網路上相關的資源真的是少得可憐，甚至查不到中文資源，所以想來簡單地介紹一下使用方法以及心得。</p><h3>什麼是 PyAgrum 呢？</h3><p>這是一個基於C++的Python Library，用來開發各種概率圖模型 (Probabilistic Graphical Models)，像是<a href="https://en.wikipedia.org/wiki/Bayesian_network">Bayesian Network</a>、Markov Network等等。</p><h4>官方網站</h4><ul><li><a href="https://pyagrum.readthedocs.io/">https://pyagrum.readthedocs.io/</a></li><li><a href="http://www-desir.lip6.fr/~phw/aGrUM/docs/last/notebooks/">http://www-desir.lip6.fr/~phw/aGrUM/docs/last/notebooks/</a></li></ul><h3>安裝</h3><p>如何安裝可以去<a href="https://agrum.gitlab.io/pages/pyagrum-installation.html">官方網站</a>找到方法像是pip, anaconda, docker等等，不過我只稍微介紹就好：基礎地使用的話，只需要安裝python, numpy, pyagrum就可以使用了。不過PyAgrum滿方便的地方是可以<strong>視覺化來看網路架構以及參數</strong>(conditional probability table, CPT)，所以通常會用jupyter notebook開發，也因此會需要多安裝更多Library: scipy, matplotlib, pydotplus, graphviz。</p><pre># Necessary<br>pip install numpy pyagrum<br># Optional for jupyter notebook<br>pip install notebook scipy matplotlib pydotplus graphviz</pre><h3>用法</h3><p>因為我只有使用Bayesian Network (BN)，所以只會針對它來介紹。另外，建議可以從<a href="https://github.com/AlvaroCorrales/BayesianNetworks/blob/main/Bayesian_Networks_Tutorial_covid-19.ipynb">此ipynb</a>著手，並且搭配官網來了解如何運作，這篇文章也會藉由該ipynb來介紹。</p><h4>變數 (Variable)</h4><p>使用變數的時候都需要轉換為<strong>字串</strong>的形式，因為好像都是以字串的形式儲存的。我覺得如果要使用，可能需要都用字串的形式來做，不然遇到類別部隊的情況也會很討厭。在Project中我只使用了第一種變數 (LabelizedVariable)來作為類別的對應，而沒有使用到數值。</p><ul><li><a href="https://pyagrum.readthedocs.io/en/latest/randomVariables.html#pyAgrum.LabelizedVariable"><strong>LabelizedVariable</strong></a>: 直接定義多個以字串形式存在的類別。</li><li><a href="https://pyagrum.readthedocs.io/en/latest/randomVariables.html#pyAgrum.DiscretizedVariable"><strong>DiscretizedVariable</strong></a>:以增加tick方式來定義區間，使輸入值（可為浮點數）被分配為不同的range，而有多個類別。但增加的tick數量需要大於二。</li><li><a href="https://pyagrum.readthedocs.io/en/latest/randomVariables.html#pyAgrum.RangeVariable"><strong>RangeVariable</strong></a>: 直接定義<strong>整數</strong>區間，所以有這個區間（包含上下屆）的整數種類別。</li></ul><h4>相關性 (Arc)</h4><p>Bayesian Network (BN)雖然可以用演算法以及資料來跑出網路架構，但是不一定準確或符合真實情況（像是因果可能相反），所以構建BN時通常會藉由<strong>專業知識</strong>來初步構築，再用演算法進一步去完善架構。而專業知識的部分即會反映在定義變數間的相關性上面。</p><ul><li><strong>Mandatory arc</strong>: BN中一定存在的相關性。</li><li><strong>Forbidden arc</strong>: BN中一定不存在的相關性。</li></ul><h4>訓練 (Learner)</h4><p>擁有資料後，就可以使用BNLearner來使用內建的演算法得到BN。接下來會從程式碼來進一步解釋。</p><p>初始化BNLearner 時我們使用了 train_bn.csv以及template ：</p><ul><li>train_bn.csv: 儲存於硬碟中的訓練資料。官方定義這樣來拿取資料的…</li><li>template: 目前構建好的網路架構，此步驟時只有創好變數，以及各變數所擁有的種類們。</li></ul><p>接下來將前面所說的 Mandatory arc 以及 Forbidden arc 加入到BN當中，備註：增加這些arc對於訓練的時間長短有所影響。</p><pre>import pyAgrum as gum<br>learner = gum.BNLearner(&#39;train_bn.csv&#39;, template)<strong><br>for</strong> i <strong>in</strong> self.tabu_arcs: learner.addForbiddenArc(i[0],i[1])<br><strong>for</strong> i <strong>in</strong> self.mandatory_arcs :  learner.addMandatoryArc(i[0],i[1])</pre><p>此處構建BN是使用內建的useGreedyHillClimbing() 演算法。不過其實內建的演算法不少種，但可惜的是<a href="https://pyagrum.readthedocs.io/en/latest/BNLearning.html">官方的文件</a>寫的不太詳細。以下列舉少數，理論部分可能無法從官網得到，需要自行去查找。最後則是讓初步構建好的BN開始學習！(算法: useGreedyHillClimbing,useEM, useK2, useMIIC , etc.)</p><pre>learner.useGreedyHillClimbing()<br>...<br>self.bn = learner.learnBN()<br>self.bn = learner.learnParameters(self.bn.dag())</pre><h4>測試 (Inference)</h4><p><a href="https://pyagrum.readthedocs.io/en/latest/BNInference.html">官網</a>列出的Inference方法有不少種，不過根據官網所說最主要使用的是<strong>LazyPropagation</strong>，原理應該是只從與所求的變數有連結的點來計算的 (i.e., Marov blanket)，有興趣可以去了解一下。以下按照程式碼來說明用途。</p><ol><li>指定Inference方法為LazyPropagation。</li><li>使用addTarget指定要預測的目標，可以為任意變數，不過這裡使用指定的變數。</li><li>將測試資料一筆一筆預測，使用setEvidence將資料的feature轉為變數中的類別作為參考。</li><li>使用makeInference來得到預測結果。</li></ol><pre>ie = gum.LazyPropagation(self.bn)<br>ie.addTarget(self.class_name)</pre><pre>for i in range(len(test)):    <br>    evs = test.iloc[i,:].astype(str).to_dict()          <br>    ie.setEvidence(evs)<br>    ie.makeInference()<br>    scores[i] = ie.posterior(self.class_name).toarray()<br>return scores</pre><h4>視覺化 (Visualization)</h4><p>以showBN將（訓練好的）BN在jupyter notebook中顯示出來。若是BN太大會耗費許多時間並且因為jupyter notebook中的cell有大小限制所以會無法看清BN模樣。</p><pre>import pyAgrum.lib.notebook as gnb<br>gnb.showBN(bn, size, nodeColor)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*OUMKPqYxK-UlxmBBv6xs5Q.png" /><figcaption>Bayesian Network from <a href="https://reurl.cc/bnXlxd">https://reurl.cc/bnXlxd</a>.</figcaption></figure><p>關於上述所說的問題，有其餘的辦法解決：使用getBN來得到HTML string，將此string寫入檔案並儲存及可以在本機端去打開看架構了，不過畫圖仍是需要時間。</p><pre>gnb.getBN(bn, size, nodeColor)</pre><p>除了看整個BN，也有特別指定某個變數來看它的Markov Blanket，這樣就可以看到局部並且最有關係的變數們了。詳細定義請見<a href="https://en.wikipedia.org/wiki/Markov_blanket">wiki</a>。</p><pre>gum.MarkovBlanket(bn, variable_name)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*G1Enf60BAQwA7aqiY9-w7A.png" /><figcaption>Markov blanker of <strong>covid_19</strong>. Image from <a href="https://reurl.cc/bnXlxd">https://reurl.cc/bnXlxd</a></figcaption></figure><p>除了架構的部分，也可以去看參數（conditional probability table, CPT）。</p><pre>bn<strong>.</strong>cpt(variable_name)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/832/1*nb6PnMb2lcLLz6yMs67pRQ.png" /><figcaption>CPT of <strong>title.</strong></figcaption></figure><p>這邊只提及了一些比較基礎常見的使用，其餘的可以去<a href="http://www-desir.lip6.fr/~phw/aGrUM/docs/last/notebooks/Tutorial.ipynb.html">官方的tutorial</a>近一步地瞭解怎麼使用。雖然官方網站寫的真的不算清楚，也沒有很容易查資料，但滿多用法仍是可以查到的。</p><h3>心得</h3><p>覺得PyAgrum就現在來說沒有很好用，大概分為以下幾點：</p><ul><li><strong>輸入輸出會有所限制。</strong>像是一定要字串或者是整數。</li><li><strong>I/O的部分頗詭異</strong>。先前嘗試去儲存BN在電腦上但是官方所給的方法要不是不能跑就是跑出來變數以及類別名稱都被改動了。以及訓練BN的方式竟然是去讀取電腦中的csv檔而不是拿程式執行放在記憶體的資料。</li><li><strong>程式莫名死去</strong>。訓練BN時會因為未知的原因執行到一半就死去。初步推測是因為變數太多以及變數中的種類太多，到達某一個數量級之後就無法完成訓練，會在中途就自我了結（Kernel die）而不會顯示錯誤訊息。（大約為632k種類組合 =個類別的種類相乘）</li><li><strong>訓練久又不方便</strong>。機器學習的各種Library層出不窮 (e.g., scikit-learn, PyTorch)，方便搭建又輕鬆就高準確率，並且又支援GPU加速。不像這個除了訓練時間長，還可能會程式自我了結而不知道原因。</li></ul><p>雖然缺點很多，不過實習的時候發現它還是有部分的好處：</p><ul><li><strong>獨特性</strong>。沒有其餘的Library做得像PyAgrum一樣有專門為各種Probabilistic Graphical Models開發，所以若是要使用相關Network (e.g., Bayesian Network)可能就需要用它了。</li><li><strong>解釋性好</strong>。機器學習的模型的可解釋性不好，沒有辦法直觀地看到是哪些feature造成這個結果。然而使用BN的話可以除了可以得知哪些變數(即feature)會造成某種結果，也可以了解變數之間的相關性，而可以進一步有更多的延伸應用。</li><li><strong>對資料中的缺少值容忍度高</strong>。機器學習通常都需要feature完整才能做，但在現實中並沒有這麼理想，經常會有各種缺少值，甚至超過一半。然而使用BN的話因為BN本來就不會是考慮所有其餘變數，而是只考慮跟自己相關的變數，所以若是feature中有關鍵幾個即可以有好的預測效果，並且若沒有某些feature，可以無痛地忽略(即不將該feature加入evidence中)。</li></ul><p>最後，覺得人生中可能不會再用到PyAgrum了，所以為它記錄了一下，也希望日後如果有人剛好要用到可以不像我一樣找不到資源參考。讚讚。</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=eeca4f7816a6" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[First Semester at University of Michigan]]></title>
            <link>https://chienlung.medium.com/first-semester-at-university-of-michigan-1c2d0a93343b?source=rss-dd18642d465e------2</link>
            <guid isPermaLink="false">https://medium.com/p/1c2d0a93343b</guid>
            <category><![CDATA[ann-arbor]]></category>
            <category><![CDATA[university-of-michigan]]></category>
            <dc:creator><![CDATA[Chien-Lung Chou]]></dc:creator>
            <pubDate>Tue, 18 May 2021 07:59:37 GMT</pubDate>
            <atom:updated>2021-05-18T08:02:11.072Z</atom:updated>
            <content:encoded><![CDATA[<p>學期結束後回台灣隔離14天，現在有很長的時間可以來稍微回顧一下這學期了。BTW，最近台灣疫情開始爆發了，希望出關前可以趨緩，不要讓我就算在台灣還是被關起來，也希望不要讓我回不去美國啦🙏。</p><p>接下來會分享在Ann Arbor的生活、這學期的花費、修課內容&amp;心得、以及接種COVID-19疫苗的感受。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Mf7H5bmS2CsPE-rVw_B8TQ.png" /><figcaption>房間外的雪景</figcaption></figure><h3>Life in Ann Arbor</h3><p>剛抵達時是晚上沒有辦法入住租屋處，所以在出發前有找好外面的旅館先住一晚。據說Detroit比較危險，所以找了Ann Arbor附近的<a href="https://goo.gl/maps/FK4R39RhbBTUPckD8">Microtel Inn &amp; Suites by Wyndham</a>，算是評價不錯、價格剛好的一間，然後附近有<a href="https://locator.chase.com/mi/ann-arbor/3500-plymouth-rd?jp_cmp=rb/LocalListings/aff/branch/na">Chase</a>所以可以隔天一早去辦理銀行帳戶。另外，那邊又有台灣人銀行專員，所以辦理時溝通上沒有問題，一些細節也可以比較了解，可以私訊我再給她的聯絡方式。</p><p>因為疫情，所以UM的課大多數是remote以及一些hybrid，所以其實可以都在家用Zoom上課就好了，而且就算想要去現場上，但如果課程前後的課也是remote就會需要一直跑來跑去，所以後來覺得不如直接在家就好了。因為其實都可以待在家，所以有時候甚至會兩個禮拜都沒出門，真的是會悶壞😩。另外，remote上課真的滿無趣的，甚至有時候會上到想睡覺zZ，而且有時候要討論大家也都不太踴躍，畢竟看不到彼此，感覺上可能還是差了一些，好險目前計畫2021 Fall會幾乎全in person，讚讚。</p><p>暑期實習的話，因為是在美國的第一個學期，在美國的時間還未滿九個月，所以沒辦法用CPT，所以反而都是投台灣的實習，大概一月底就開始慢慢丟，但台灣公司的回應真的是很慢，等到了四月也只有三間外商有回應，慘慘，但也可能是我菜QQ。還是希望可以找到個實習可以充實自己&amp;刷履歷，不然下學期開始找正職感覺真的是會被直接刷掉…</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Ha_jeIBLeU5n7Wg0aboBUw.png" /><figcaption>雨後的中校區</figcaption></figure><p>本來學期初其實都會特別找時間親自去Kroger或者Way 1買東西提回來，但後來發現每次要買的東西真的太多，搬回來都覺得手快斷了，就轉而投靠外送了！Kroger的話外送費就10$，然後可能再加一些tips，而華人超市的話就改用<a href="https://www.shophuaxing.com/about">華興網站</a>去訂外送，然後這個就是免費外送了！就是因為這樣所以才越來越不出門xD。BTW，一定要辦Kroger會員，結帳時刷app的會員bar code就好了，通常有滿多優惠的，可以省上不少錢👍。</p><p>一月到三月幾乎每天都會下雪，甚至有幾天會到負二十度，出去一定要穿大外套帶手套跟帽子，但即便這樣還是冷到靠杯啦🥶。雖然疫情很靠杯，但有時候卻還是可以感受到些許的好處，像是可以不用在天寒地凍的外面走路去上課xD。後來四、五月就回溫了，大概都會有十幾度，有太陽的時候甚至會二十五度，又因為房間會被太陽直曬，真的是熱爆🥵。</p><p>平常想運動的話，Huron Towers有自己的健身房，雖然器材大部分都是有氧的器材為主，但還是可以稍微地去做一下重訓，算是不想出門運動時的好選擇。打球的部分也剛好有認識的學長有揪我，才發現在Pierpont旁邊就有一個沙灘排球場，幾乎每週都會揪個一兩次，想去就在群組裡面按個讚直接去就好；另外也有找到一個有點像Club的形式，每個人花10$然後在一個超級大的場館打室內，雖然地板有點硬啦但能打室內就要惜福了xD。有時候還會出去跑跑步，可能就會跑到中校附近晃晃🏃，畢竟悶著悶著真的有時候覺得快得憂鬱症了。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*TEZaRW2VXEAnp-FTCf9LSw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*DcpXVIw8T0uJ5iW9qlg0wg.png" /><figcaption>Legacy Center Sports Complex (室外&amp;室內)</figcaption></figure><h3>Expense</h3><p>大概把這學期在Ann Arbor的花費整理了一下，因為是第一個學期來，所以會買不少家具來增添房間。另外因為COVID-19的原因也不太敢外食，所以基本上都是自己煮，這邊的原型食物 (牛排、萊豬、雞胸腿)還滿便宜的，自己煮相對於叫外賣還是可以省不少，但就是比較花時間，而且還會吃膩xD。</p><ul><li>一次性的生活相關用品：書桌、椅子、立燈、床、床墊、延長線等等，零零總總大概花了<strong>1500$</strong>左右，但我會亂買些東西啦😅</li><li>學費：可以參考<a href="https://ro.umich.edu/tuition-residency/tuition-fees?academic_year=159&amp;college_school=22&amp;full_half_term=35&amp;level_of_study=38">UM的Tuition&amp;Fees</a>，ECE的話在College/School是選COE。Full-time (9+ credits)的話是26049$，然後因為國際生所以又再加個500$，最後又214.19$的Mandatory fee。總共為<strong>26763.19$</strong>。另外每個月又有保險費149.95$要去繳，逾期會有30$罰款。(根本斂財學校zZ)</li><li>每月房租&amp;電費：我是住Huron Towers的兩人房，大約<strong>700~800$</strong>。電費大概是<strong>25~30$</strong>。</li><li>每週食物花費：我跟室友都是想吃什麼就點什麼，不會顧慮太多，所以可能花的也不少，大概<strong>150$</strong>吧。</li></ul><h3>Courses (Winter 2021)</h3><p>這學期修了EECS 501, EECS 545, SI 507, 以及ELI531，老實說這其實算是滿涼的一種組合，而且跟我學過的東西同質性有點高，所以到學期中覺得有點後悔QQ。另外其實學期開始前EECS482的Request被Approve，本以為可以修到這門UM神課，所以其他的課就都選得剛剛好，然而學期開始後一直都沒有收到可以修這門課的通知才發現<strong>其實Request通過不代表修得到那門課</strong>。 (附上Request<a href="https://deptapps.engin.umich.edu/gradreg/student/index?dept=216001">連結</a>，好像滿難找的)</p><p><strong>EECS 501 Probability and Random Process (4 credits)</strong></p><p>這門課算是深入淺出的帶學生去了解機率，Prof. Sandeep教學真的超級認真，每教完一種概念基本上會給一個Example讓大家去了解這個該怎麼用，而且又會馬上問大家有沒有問題，除非沒時間了不然通常會馬上幫大家釐清那些問題，然後如果問了問題沒馬上說了解了甚至會被他唸出名字問理解了嗎…。</p><p>教學方式因為Covid的緣故開放線上視訊，所以寫在平板上然後用Zoom分享螢幕給大家看，而且為了不同時區沒法上課的人也有把課程給錄下來讓大家有空去看。另外，雖然不知道之前正常上課有沒有錄影，但我覺得這真是個超大的福利，因為有時候上課的節奏可能會太快，所以光是抄著教授所寫的東西可能會漏掉(或者沒聽懂)他講的概念，所以之後再聽的時候可以把那些滿重要但教授沒寫下來的概念補起來，超級幫助理解！</p><p>因為教授非常希望大家能夠融會貫通這些概念，所以作業、小考跟考試真的是出爆，整個學期作業有十一次 (幾乎每週)，小考有八次 (期末前幾乎每週)，考試有三次 。</p><ul><li>作業大概都十題左右，每週通常都要花至少12小時去寫 (但也可能是我爛QQ)，很多概念都會是課程教的或者是延伸的，但有時候也是會有那種絕對想不到的，需要上網查才找到一些hints。</li><li>小考則是每週考個一題，大概有15分鐘寫，期初的小考很多都拿不到分，因為寫不完不然就是太鬼了，後來比較放水就還好了。另外因為小考主要考概念，所以只要寫出個概念基本上都會給一半。</li><li>考試的話，一次期中跟期末三小時，另一次期末四小時。看起來有不少時間可以檢查，但真的是教授給你多久時間，你就需要寫多久時間，甚至不夠。因為很多題目都很「創意」，根本不是跟作業甚至考前練習類似的，或許真的需要融會貫通那些概念(?)，所以我其實覺得寫考前練習對於考試沒什麼用，到後來就沒寫了xD，但這不代表對於理解沒什麼用喔！</li></ul><blockquote>會有很多人利用office hours的時間去問助教作業的問題，助教都滿樂意解答的，有時候想不到解法可以去聽聽看。但也因為抱著這種心態的人很多，有時候Zoom meeting 10個人，但完全沒有人要講話，一起當伸手牌(?)</blockquote><p><strong>EECS545 Machine Learning (3 credits)</strong></p><p>這門課是由Prof. Honglak Lee教的，算是滿中規中矩地教各種ML概念，講得內容有點太廣所以很多東西教的不深都只有點到為止，覺得有點可惜，但好像也滿正常的，不然怎麼教得完，看來還是得自己上網看Paper跟有興趣的題目惹。</p><p>教授在課前會上傳PPT，上課時會按照順序講，如果有數學推導教授會親自推導。這部分對於理解還滿有幫助的，但我覺得應該又更有效率的方法，因為有點花時間，不如直接給詳細的推導過程讓大家自己讀，上課時就簡單地Go through一些重點部分。而在課程最後都會有個不計分的Quiz來總結今日教的內容，可以釐清一些概念，算是還不錯。除了上課時間，這門課也有用Piazza來讓大家討論各種問題 (e.g., 作業或課程內容)，助教都回得滿快的，大家也算討論滿熱烈。另外，個人覺得教授的講話實在是有點太平穩了，會把本來就沒有很有趣的東西講的很催眠xD。但是其實能感覺到教授是一個大神，因為推導什麼的真的都是信手拈來，並且問問題都能馬上回答出來。</p><p>這門課原本的預定是有期中考、六次作業、以及自訂題目的Final project。但因為教授人真的是太好了，本來說要延後考試時間，學生們吵一吵，教授就開放投票讓大家選擇要不要考試，結果可想而知，大家都投不要然後就取消啦xD。</p><ul><li>作業部分，有推導也有程式(Python)，我覺得算是這門課的靈魂，因為作業真的算是都出得恰到好處，對於理解上課講解的概念很有幫助。可惜後來知道六次作業只取四次最高分的我就沒寫最後兩次了xD，近期看看有沒有空來做一下。</li><li>Final project的分組是自己找隊友，四到五人一組，在開始前幾堂課大概就需要找好了，因為滿早就需要開始的。這學期的時程安排是2/23 Project proposal, 3/24 Progress report, 4/26 Presentation, 4/30 Final report。值得注意的一點是，因為這門課的Final project很早開始，所以相較於其他門課，<strong>對於Project的要求會比較嚴格</strong> (也有聽說是這教授的課好像都是這樣)，所以需要認真地把這個做好，不然成績會很難看。我們的Project是Monocular Depth Estimation的loss function empirical study，因為Novelty不高，即便我覺得報告算是寫的不錯最後也只拿了A-啦。</li></ul><blockquote>這門課似乎每學期的教授都不同，所以我也不太確定其他教授教的怎麼樣，但我覺得如果學過ML的其實沒有必要來修這門課，因為能學到的內容滿有限的。另外，Project的部分我覺得可以多花點時間做，因為給的時間很長，所以說實話是有辦法做出點酷東西，之後放到履歷感覺也會加分吧！</blockquote><p><strong>SI 507 Intermediate Programming (3 credits)</strong></p><p>上完只能說，大家會說SI課很水很涼不是沒有原因的xD。這門課講師是Bobby，教起來就是手把手帶你，節奏略慢。課程內容就是教Python以及一些Package，像是SQL, Flask, requests, beautifulsoup等等。這門課還有前置課SI 506，應該是給那種完全不會Python的人，但我覺得就算不會Python的人都可以直接修這門課，應該會比較充實，有點難想像SI 506會多水。</p><p>上課方式是每週課前傳PPT以及上課會用到的code，然後每次教個兩小時左右，另外也有每週一小時左右的Lab (Optional)，會比課程上的內容再稍微進階一點。因為教授會Po課程的安排，所以可以提前看好對於哪部分有興趣再上就好，我上個幾堂後就沒什麼在上了，因為花的時間不少但幫助滿有限的。我修這門主要是想做個Python project啦，有人逼比較有動力xD，但後來越修越覺得太水，好像沒有很值得QQ。</p><ul><li>作業部分有七次，有一週的時間做，滿簡單的，每次大概花個1~2小時可以做完，也可以要寫作業的時候再去看課程內容來完成。會把最低的兩次作業去除掉，所以可以不寫，連老師都建議大家可以選想寫的寫就好。</li><li>課程Project則是有三次，有兩週的時間做，比起作業稍微麻煩一點，可能就花個5~6小時做吧，有些眉眉角角地方比較麻煩。跟作業相似，會把最低的一次去除掉。</li><li>Final project的話則是自己想題目，然後要用SQL、爬蟲等等來完成。時程的話則是4/2 Proposal, 4/19 Progress Checklist, 4/28 Final report，時間算是滿充裕的。</li></ul><blockquote>這門課因為太涼太水了，我覺得不該這麼早就修。建議前一兩學期可以修一些比較難而且有Project的課來增添履歷，之後忙著找實習或找正職的時候再修，不然真的算是滿無聊的課，雖然可以滿輕鬆拿到A+啦。</blockquote><p><strong>ELI 531 Language &amp; Communication (1 credit)</strong></p><p>我是選Anna開的課，選這門課是因為這學期都remote，所以認識人或者跟別人用英文對話的機會不多，所以修來認識別人也不錯，只不過修的人幾乎都是亞洲人(日本、中國、韓國)，所以說練習到口說跟聽力其實也有限。這門課不太一樣的地方是只上到4/2，所以期末忙Project或考試的時候不會有太大的影響。老師會慢慢地給大家一些Feedback，像是口說時常常用錯的字，可能是時態、單複數等等。</p><p>這門課會選出兩個時段來讓大家自由參與，每週會有跟主題讓大家分享想法，像是What is art to you之類的，雖然是Optional但因為每週都會有Group work要做，所以其實參加會比較了解。另外還有每週的分享, Panel Presentation, Ted talk。</p><ul><li>Group work是由兩到三人一組，大概三週左右會換一批隊友。每週會有個主題讓大家自行討論然後做作業，可能是錄影片也可能是回答問題。</li><li>每週的分享是在Yellowdig的平台上，錄個一到兩分鐘的影片分享這週的事情，偶爾才會有所限制主題。</li><li>Panel Presentation則是小組內要針對某個主題(e.g., What is art to you)然後各自選個小主題去分享，最後要把過程錄成影片傳上去。</li><li>Ted talk則是自由發揮，自己想題目然後錄成6~8分鐘的影片與大家分享。</li></ul><blockquote>在有其餘正課作業要趕的時候就會覺得這門課滿麻煩的，因為後期的作業都要花滿多時間 ，所以要考慮一下。另外，選ELI的課好像滿多人是為了湊個Full time學分，像是3+4+1這樣，不然就是超過9學分不用錢就選了。之後如果想練習英文口說的話，應該就會去Conversation Circle。</blockquote><h3>COVID-19 Vaccine</h3><p>在美國的時候打Covid疫苗是<strong>免費</strong>的，而不是因為學生保險。疫苗總共有供應三種可以打: Moderna (莫德納), Pfizer (輝瑞), Johnson &amp; Johnson (嬌生)。前兩者都是兩劑，Moderna兩劑之間要28天，Pfizer兩劑之間要21天，而J&amp;J則是一劑的。因為從資料看來是Pfizer效用比較優，所以我找的時候都是找Pfizer的了。另外，J&amp;J也在4月時傳出已經有六例血栓情形，有點抖。</p><p>起初因為Ann Arbor附近沒有地方可以打了，所以就按照學校的指示去找看看各間藥局(e.g., Kroger, meijer, CVS)有沒有機會能打。我是在CVS的網站搜尋才找到的，只不過最近的地方在遙遠的Detroit，但為了時程安排不要拖到回台灣時間，於是就預約4/8打第一劑，然後搭了一小時的UBer跑到Detroit去。第二劑Ann Arbor附近依舊沒有地方可以打，學校雖然開始提供打疫苗，但那似乎是給連第一劑都尚未打過的人，所以依舊是另謀出路。本來是連第二劑都要回原地點打，但真的是太遠，所以重新再找又剛好找到開車15分鐘的Kroger有，所以第二劑就預約4/29這裡了。</p><p>4/8第一劑的反應只有晚上及隔天手臂比較痠，身體並沒有出現什麼感冒症狀，都還滿正常的。4/29第二劑的反應也是手臂比較痠，而且隔天起來身體有點虛弱無力，但中午後其實就滿正常的了。雖然我的情形是這樣，但也有朋友打完第二劑隔天有重感冒症狀，所以每個人情況都不一樣啦。</p><blockquote>我講的是Michigan甚至UM的情況，其他州的情況不太清楚。五月開始學校疫苗施打的機會變得滿多的，基本上還滿容易就預約到的，但好像要從MyUofMHealth去預約吧。詳細的資訊可以去學校網站(<a href="https://www.uofmhealth.org/coronavirus/vaccine-info-update">MyUofMHealth</a>, <a href="https://campusblueprint.umich.edu/">Campus Maize &amp; Blueprint</a>)看，滿常更新的。</blockquote><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=1c2d0a93343b" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[2020 Fall ECE/CS 研究所(MS)申請總結：Electrical Computer Engineering & Computer Science]]></title>
            <link>https://chienlung.medium.com/2020-fall-ece-cs-%E7%A0%94%E7%A9%B6%E6%89%80-ms-%E7%94%B3%E8%AB%8B%E7%B8%BD%E7%B5%90-electrical-computer-engineering-computer-science-c3334cd9f7e2?source=rss-dd18642d465e------2</link>
            <guid isPermaLink="false">https://medium.com/p/c3334cd9f7e2</guid>
            <category><![CDATA[碩士]]></category>
            <category><![CDATA[低toefl]]></category>
            <category><![CDATA[出國留學]]></category>
            <category><![CDATA[umich]]></category>
            <dc:creator><![CDATA[Chien-Lung Chou]]></dc:creator>
            <pubDate>Fri, 28 Aug 2020 16:03:05 GMT</pubDate>
            <atom:updated>2020-09-14T09:55:57.551Z</atom:updated>
            <content:encoded><![CDATA[<h3>2020 Fall ECE/CS 研究所(M.S.)申請總結：Electrical Computer Engineering &amp; Computer Science</h3><h3><strong>Preface</strong></h3><p>申請國外研究所算是告一段落了，在申請期間一直瘋狂爬文看各位學長姐的分享文，想說自己忙完後也要寫個分享文來回饋社會，但想著想著就拖了好幾個月，原諒我當兵期間好不容易放假的時間拿去陪女友跟了解今年COVID-19造成的影響吧xD。</p><p>其實就讀國外研究所這件事情在我大三的時候就開始想了，但是一直無法下定決心，因為直升或者申請國內其他研究所真的是比較簡單而且前例又很多，相對容易多了。不斷地猶豫導致了我本來看似充裕的申請時間漸漸流逝，然後搞得我申請日程非常的趕，甚至托福是在同時有許多事情的一個半月內瘋狂趕出來的，但最後仍未達到出國仔普遍認為的標準(100分)。所以本文也是給那些仍在猶豫的人一個較負面的案例，越晚只會事情更多，別再等了，趕快開始做吧！</p><p>這一路來也受到許多人的幫忙，希望這篇文章也可以幫助到之後想要留學的人，如果有問題也歡迎寄信或留言來詢問。雖然對於這個申請結果感到不甚理想，但覺得仍算幸運了，畢竟有好多的巧合才讓我可以成功申請到理想的學校。</p><p>這篇文章主要會分享<strong>申請的結果</strong>、<strong>個人背景</strong>、<strong>時間軸</strong>，簡略地分享<strong>TOEFL</strong>跟<strong>GRE</strong>心得，以及申請文件中的<strong>選校</strong>、<strong>撰寫SOP</strong>、<strong>CV</strong>、以及<strong>推薦信(LoR)</strong>。</p><p>本文大綱如下所示：</p><ul><li><a href="#b8c2">Application Results</a></li><li><a href="#f12c">Background</a></li><li><a href="#eb23">Timeline</a></li><li><a href="#0c52">GRE / TOEFL</a></li><li><a href="#6b53">Application Documents</a></li><li><a href="#f69a">Conclusion</a></li></ul><h3>Application Results</h3><h4><strong>Program</strong></h4><p>M.S. in ECE / CS, Fall 2020</p><h4>Admission</h4><ul><li>3/2: UMich, M.S. in ECE (Track: Computer Vision)</li><li>3/5: UC San Diego, M.S. in ECE (Track: Intelligent Systems, Robotics, and Control)</li><li>4/10: USC, M.S. in CS (Track: General, CS28)</li><li>4/10: USC, M.S. in CS (Track: Scientists &amp; Engineers, CS37)</li><li>5/6: TAMU, MCS</li></ul><h4>Rejection</h4><ul><li>1/3: GaTech, M.S. in ECE</li><li>1/7: Purdue, M.S. in ECE</li><li>3/18: Rice, MCS</li><li>3/31: UIUC, MCS</li><li>4/10: UC San Diego, M.S. in CSE</li><li>4/14: CMU-SV, M.S.in ECE</li><li>4/22: UW-Madison, PMP</li><li>4/29: UC Irvine, MCS</li></ul><h4>Pending</h4><ul><li>Columbia, M.S. in CS</li></ul><h4>Decision</h4><p><strong>UMich, M.S. in ECE </strong>(Track: Computer Vision)</p><p><em>Go Blue!</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*B61Cq45VDlzztuwnO5xjfQ.png" /></figure><h3>Background</h3><h4>Education</h4><ul><li>B.S. in ECE, NCTU, Sep. 2015 ~ Jun. 2019<br>Cross-Disciplinary Program: <em>Computer Science</em></li><li>Overall GPA: 3.81/4.3 (3.8/4.0)<br>Last 60 GPA: 3.89/4.3 (3.88/4.0)</li><li>Rank: 15/36</li></ul><h4>Test Score</h4><ul><li><strong>TOEFL</strong><br>92 (R: 28, L: 25, S: 18, W: 21); Dec. 21, 2019<br>82 (R: 26, L: 19, S: 17, W: 20); Dec. 7, 2019<br>82 (R: 21, L: 24, S: 15, W: 22); Dec. 1, 2019</li><li><strong>GRE<br></strong> 322 (V: 153, Q: 169, AWA: 3.0); Nov. 8, 2019<br>314 (V: 145, Q: 169, AWA: 3.0); Sep. 8, 2019<br>309 (V: 142, Q: 167, AWA: 2.5); Nov. 18, 2018</li></ul><h4>Research Experience</h4><ul><li>大學部專題*2 (Undergraduate research)<br>(1) Project on Electrical and Computer Engineering (BASICLab, 6-month)<br>(2) Project on Electrical Engineering (AIMMLab, 1-year)</li><li>研究助理 (Full-time Research Assistant)<br>Work at AIMMLab, Jun. 2019 ~ Dec. 2019</li></ul><h4>Publication</h4><ul><li>TNNLS journal, 1st author (Under review)</li><li>ICIP conference, 3rd author</li><li>ACMMM conference, 3rd author (Oral Presentation)</li><li>CVGIP conference, 2nd author (Best Paper Award)</li></ul><h4>Recommendation</h4><ul><li>1 from 交大電子 鄭文皇 教授 (專題+RA指導)</li><li>1 from 交大電機 帥宏翰 教授 (專題+RA指導)</li><li>1 from 交大電機 溫宏斌 教授 (修課指導)</li></ul><h4>Extracurricular Experience</h4><ul><li>交通大學排球校隊 (NCTU Varsity Men’s Volleyball Team), Sep. 2015 ~ Jun. 2019</li><li>電機系隊教練, Sep. 2016 ~ Jun. 2019</li></ul><h3>Timeline</h3><h4>July, 2018</h4><ul><li>跟女友跟朋友去日本嗨玩六天</li><li>忍痛砸自己的錢去報名Mason GRE</li></ul><h4>August, 2018</h4><ul><li>開始補Mason GRE八月平日密集班<br>每天早起台北-桃園搭車來回。有時候會很厭世不想起來，但想到每堂課都很重要，而且又是滿滿的錢，就衝了。</li></ul><h4>September, 2018</h4><ul><li>在開學前將GRE丟旁邊去綠島嗨玩三天</li><li>開學：開始做專題，目標投CVPR (Deadline: Nov. 16, 2018)</li></ul><h4>October, 2018</h4><ul><li>猶豫要不要投國內的研究所，最後決定(破釜沈舟?)只丟國外</li></ul><h4>November, 2018</h4><ul><li>GRE一戰 309 (Nov. 18)<br>成績大爆炸。可以看到我們專題剛開始做就想去投CVPR，因此這段時間幾乎都在做專題根本沒時間用心準備GRE，甚至還跟組員們吵架，因為submission deadline跟GRE時間差不多，只要多用心一點準備GRE，做專題的時間就會相對減少，然後就為分配時間工作內容等等事情吵架了。結果就因此延後了考GRE的時間，先準備paper了。</li><li>錯過CVPR Deadline，目標轉向在台灣舉辦的ICIP (Deadline: Jan. 31, 2019)</li></ul><h4>December, 2018</h4><ul><li>大專盃排球比賽 (初賽)</li></ul><h4>January, 2019</h4><ul><li>投稿ICIP的論文，並且再將下個目標轉向ACMMM (Deadline: Apr. 8, 2019)</li></ul><h4>March, 2019</h4><ul><li>最後一次的大專盃排球比賽 (複賽)</li><li>畢旅：與室友們去日本嗨玩8天<br>每天玩得累爆，晚上還要寫論文，因為Deadline快到了…</li></ul><h4>April, 2019</h4><ul><li>投稿ACMMM的論文<br>論文的部分大概就這邊告一小段落，投完這個之後就各自準備期末考 (但其實是大家疲乏了xD)</li></ul><h4>May, 2019</h4><ul><li>畢旅：跟同屆校隊去澎湖嗨玩4天</li></ul><h4>June, 2019</h4><ul><li>大學畢業</li><li>開始在AIMMLab當RA，繼續之前的研究</li></ul><h4>August, 2019</h4><ul><li>投稿國內會議CVGIP並且得到Best Paper Award</li></ul><h4>September, 2019</h4><ul><li>GRE二戰314 (Sep. 8)</li><li>去台北參加ICIP</li></ul><h4>October, 2019</h4><ul><li>開始花時間選校、了解申請要求；整理以往申請狀況、找不錯的申請分享</li><li>去法國尼斯(Nice, France)參加ACMMM</li></ul><h4>November, 2019</h4><ul><li>GRE三戰322 (Nov. 8) \終於超過320/</li><li>詢問教授們幫忙寫推薦信&amp;擬稿</li><li>開始寫SOP&amp;CV</li></ul><h4>December, 2019</h4><ul><li>TOEFL地獄，一、二、三戰 (82, 82, 92…都沒過100…)</li><li>因為TOEFL來不及錯過CMU MSCV (但沒錯過可能也GG啦)</li><li>請人幫忙潤稿SOP&amp;CV</li><li>針對各Program來改寫SOP&amp;CV</li><li>12月中丟出半數申請，將主力放在1月中的申請</li></ul><h4>January, 2020</h4><ul><li>月初補寄TOEFL成績給先前申請的學校</li><li>被GaTech跟Purdue reject，因為TOEFL未達標</li><li>1/12前丟出所有申請</li><li>投稿TNNLS</li><li>準備邁入國軍</li></ul><blockquote>總的來說，(1)雖然滿早就開始有出國的想法，但因為猶豫而導致浪費許多時間，變得最後同時間要處理的事情太多，然後就什麼都擠在後面(大爆炸！)。(2)TOEFL以及GRE極不適合長期抗爭，而且最好要早早早早就把它們給完成，絕對不要在已經要申請的時候才去考，不然真的會心態崩潰；除此之外，托福對於申請而言通常是<strong>硬門檻(</strong>如果未達標就不會被考慮<strong>)</strong>。(3)研究學校Program這件事絕對不嫌時間太多，有太多的選擇，而且每個Program都有不同的主打，所以需要花很多時間去了解。(4)我的時程都拖得太晚了，如果可以的話要往前移至少2個月。</blockquote><h3>GRE / TOEFL</h3><h4>GRE</h4><p>起初看GRE考試的內容真的是看得霧煞煞，完全不知道要幹嘛，即便網路上資源不少，但因為沒有多少時間，所以還是選擇去補習。在<a href="https://term.ptt.cc/">PTT</a>的GRE版爬文爬一爬就會發現<a href="https://masongre.blogspot.com/p/mason-gre-gre-mason-20-gre-gre-75-toeic.html">Mason GRE</a>的分享文真的是特多，也因此多留意了一下這個先前沒有看過的補習班，而在比較價格以及上課時程之後，發現Mason GRE是最便宜的也最快上完。考慮搭客運桃園台北兩邊跑很花時間及經歷，而且許多大推的分享文，於是～就決定是你了！！</p><p>GRE中我覺得最重要的就是單字了，真的是知道單字意思才能開始答題，有一定的單字量後才可以正常地去考試，不然每換一題都會愣住。除了這個我當初準備最多以及覺得最有幫助的就是<strong>刷機精</strong>了，但好像我考完之後網站就剛好沒了@@。然後我認為Mason GRE裡面給我感觸最多的就是<strong>字彙</strong>以及<strong>閱讀</strong>了（抱歉我是理工仔，GRE數學就是不要粗心，粗心就是下次再來喔QQ）。以下分享是個人感受，應該會因人而異。</p><ol><li><strong>字彙<br></strong>覺得Mason講解作題技巧的部分，我個人覺得還不錯，可以在答題的時候省一些時間，而GRE就是這種你會需要省掉單字的時間去拼閱讀部分的考試，但是我覺得我並沒有很大地利用到這些技巧，滿多時候還是硬幹。而講義的部分，真的覺得編排得滿人性的，因為一時學大量單字就是滿無聊的，所以中間有時候會穿插一些「生動」的記法讓人可以對單字有深深的印象，像是妙麗圖的hilarious以及白白熊貼圖的forbear，然後剛好用到先前學到的單字時又會再一次整理一遍讓記憶加深，如此一來不會那麼地疲倦。<br>在前兩次的考試中覺得最崩潰的大概就是看不懂單字了，即便題目只有短短的三句話，但可能兩三個單字看不懂，這一道簡單題可能瞬間就毀了。我認為我在GRE三戰前做的最多的就是把Mason 1000單及Mason 2000單看完很多遍以及寫考古，並把不會的單字都在<a href="https://quizlet.com/zh-tw">Quizlet</a>中註記星號，有空閑的時候就狂背（像是去廁所、吃飯、等女朋友啊）。</li><li><strong>閱讀</strong><br>Kory的閱讀課彷彿為了我的英文閱讀開了一扇門。運用主動閱讀的技巧，要去思考「句子與句子間的關係」以及「句子在文章中的角色」（主要與次要子句、後者反駁前者、大眾觀點vs作者觀點等等），而非逐字去翻譯來拼湊句子意思。有了這些概念之後，在看文章的時候就可以看完前面幾句就開始推測後面會發生的事情，像是轉折、或者是解釋矛盾等等。除此之外，這樣的方式讓我在日後TOEFL閱讀以及平常看paper都有滿大的改變。</li></ol><blockquote>我覺得Mason GRE真的超級值得，除了課程以外還有許多其他極有幫助的資源，像是 (1)作文諮詢：事先在FB預約並將自己寫的作文寄給Mason，接著會藉由公開群組電話給建議，因為是公開的所以也可以看別人的文章以及多聽聽看其他人可能有什麼問題，藉此來更近一步改進自己的作文 (2)苦手Line群：這是一個讓大家討論GRE題目，如果遇到不會的問題可以在上面詢問大家也可以參與進去其他人的討論，來讓自己解題觀念更清楚 (3)梅森校友群：一群都上過Mason課程的夥伴們，有些人尚未出國還在台灣努力著，也有些人已經成功出國讀書甚至在美國找到工作了。藉著這個龐大的校友群，可以找到一群共同奮戰的夥伴們，也可以找到值得信賴的學長姐，甚至也能找到未來給你工作機會的大腿唷。</blockquote><h4>TOEFL</h4><p>托福部分真的沒什麼能分享的，還是去爬PTT托福版吧（成績淒慘成這樣真的是不好意思打捏😅）。因為我11/8才考完GRE，12/1, 7, 21就考托福了，這期間又要準備申請文件以及RA的工作，可想而知就是短時間衝刺一直寫題目也沒有補習，接下來所說的就是基於這種情況下的準備。</p><ol><li>閱讀：因為先準備好GRE了，所以閱讀部分真的輕鬆很多，閱讀的節奏不需要像GRE瘋狂抓重點，以正常節奏從文章找答案即可。朋友說Sk2教的方法是看到文章就先看各段開頭以及部分內容，然後做好各段總結再去看題目，答題時就可以簡單地對應到那段。我覺得也不一定要先寫好各段總結，我的話會記著大概然後直接去看題目了，從結果來看也沒有比較慢，所以覺得還是可以都試試看，最後再看個人習慣、喜好就好。</li><li>聽力：聽力一直都算是我的罩門，從高中英聽就是B。所以當知道要考TOEFL，其實就讓自己的生活周遭都是英文來熟悉這個語言，平常能做的就是聽英文歌、看劇只看美劇，然後題目的話就狂寫TPO當練習。</li><li>口說：算是我擺在閱讀及聽力之後的科目，但現在想想覺得不太應該，因為對於一個生活中不會講到一句英文的人來說，是真的很需要大量的練習。練習的方法不外乎也是跟朋友借了Sk2的講義，參考其中的準備方法，像是畫出樹狀發想資料來應對各種第一題、畫六格來寫聽力所聽以及口說要講的題材等等，我想準備方法找有上課的人或者爬文就可以知道。總之，我覺得口說分數該拿要拿到，感覺口說18到22的分數比閱讀或聽力26到30所花的時間還要更少，更何況可能閱讀、聽力大家通常沒有這麼差，所以多花點時間在口說感覺分數衝得比較容易。</li><li>寫作：幾乎是完全沒準備啦，總共就寫過2、3篇TPO來感受時間壓力，甚至一戰前一天才看作文在幹嘛…</li></ol><blockquote>托福成績差會導致你申請學校連被考慮的機會都沒有，也可能無法達到大多CS的 M.S.托福標準 (100)，甚至即便 CV中經歷不錯可能也不會給你 offer。<br>盡量越早考完越好，越晚考場次不好搶只能去怪地方，壓力也山大。</blockquote><h3>Application Documents</h3><h4>選校</h4><p>因為大學讀ECE，而修課的部分因為興趣就走的比較軟體以及專題領域選的就是深度學習（圖片補圖 Image inpainting、虛擬試穿 Virtual Try-on），所以我的策略就是投CS/ECE。其中CS佔比較大多數，因為心中對走往這個領域一直有某種憧憬，但最後還是邁向了ECE的擁抱xD，而主要選擇的領域都是電腦視覺(Computer Vision)相關的Program。</p><p>因為我申請的準備時間滿趕的，並沒有很仔細地先去研究每個program，反而像是投了之後再去選😅，所以大家可以稍微參考一下短時間內要生出來的方法，但事後認為這種為投而投的感覺不太優啦。</p><p>我選校的起步就是先把CS以及ECE的從US News Top50先列出學校再從2018, 2019 Fall的申請成果挑出大家比較常申請的學校去優先看一下（PTT爬文紀錄在Excel檔），再扣除Deadline趕不上的以及TG(可能)到不了標準的QQ，剩下就去看<a href="https://www.1point3acres.com/bbs/">一畝三分地</a>、PTT了解Program的情況來篩選。Btw，我沒有去各Program官網看統計的資料，但這其實滿重要的（關乎名額及錄取率）。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*FCbkfc5WBmek509yS6LGiQ.png" /><figcaption>將CS以及ECE的排名列出，然後可以用Excel的排序選項來選要用哪種為基準。我將有興趣的學校用粗體，確定要投的再用藍底來標示。</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*jLjz4Q3KLHhbQnGLhS1hzA.png" /><figcaption>爬PTT紀錄一下近年的申請狀況，像是Program領域、錄取狀況、學業背景、分享文連結、以及在文內講述到的特別重點（像是二碩、學校分析）。我有特別把背景跟我比較相似的在Number的地方用粗體來標記，哪天想再找來看看也就可以更迅速地來找到，不然表格太長了。</figcaption></figure><p>如此一來就可以再慢慢建立出有興趣學校的Excel，把每個Program的相關資料（像是Deadline、申請門檻、學費、Program網站、經驗分享等等）都紀錄於其中，日後查找就可以很輕鬆地來翻了。我在這邊大概紀錄了30個左右，然後再慢慢篩選出最後的選擇。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*nRnD7v2OuKasMC9VtV9UDg.png" /><figcaption>可以特別紀錄Program學制、M.S.轉Ph.D容不容易、研究導向或是就業導向、學費、以及一些經驗分享的重點（ex: Career Fair）。</figcaption></figure><p>最後我總共申請了12間學校中的14個Program (UCSD跟USC各申請兩個program)，而這時我就在更近一步整理出最後申請Program的表格，其中主要包含Deadline(first &amp; last), Application繳交 , 各種申請文件, Application fee等等，除外還包括了SOP中所提及有興趣的教授及課程。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ylNzqELH9zoTlpDtYToaSQ.png" /><figcaption>做成表格來確認自己還有什麼尚未繳交，以免白費努力QQ。</figcaption></figure><p>我在選校的時候沒有特別區分哪些是夢想或哪些是保底，基本上就是認為都是目標啦。畢竟聽說一些自認保底的學校也是拒你拒的毫不猶豫，而且也聽過就算上保底的學校會不會去還不一定的這種想法，所以覺得在申請時就不特別分了，選自己會想去的地方吧✌️。</p><p>若是對於我的Excel表格有興趣可以再跟我說喔，雖然我有些心得文沒有很完善地記錄，但還是把一畝有查到覺得有用的分享文記錄下來了。然後再分享一些先前申請狀況的整理文：</p><ul><li><a href="https://www.zhihu.com/question/290670460">2019 Fall錄取結果彙整</a></li><li><a href="https://www.zhihu.com/question/271404778">2018 Fall錄取結果彙整</a></li><li><a href="https://zhuanlan.zhihu.com/p/29119295">選校分析</a></li></ul><h4>Statement of Purpose (SOP)</h4><p>我認為SOP就是包含<strong>自我介紹、自我認知、自我行銷</strong>於一身的<strong>傳單</strong>。</p><ul><li>自我介紹</li></ul><p>介紹自己在<strong>相關領域</strong>的背景。曾經有過什麼相關經歷（像是project、internship），在其中有了什麼<strong>領悟</strong>或者<strong>不足</strong>，而從<strong>過往經驗</strong>得出<strong>為什麼認為這個Program適合你</strong>未來的發展。</p><ul><li>自我認知</li></ul><p>寫SOP的同時也等同於<strong>認真且仔細地去審視你自己的經歷以及思考你未來的發展</strong>。學費很貴，申請費也很貴，我想沒有人會願意花一大筆錢讀一個自己沒有那麼喜歡的領域。所以每寫下一句話，都要捫心自問這個Program的未來發展與自己的經歷、興趣、理想到底相不相符，這是個好時機讓你正視你的未來。</p><ul><li>自我行銷</li></ul><p>傳達內容以外，這還要是一篇可以<strong>令人對你引起興趣的推銷</strong>。內容要一直緊緊貼著為什麼你會是一個Perfect Candidate，經歷要說相關的且具體並量化它們，但又不會太超過得像是編年體版的自我介紹。</p><p>個人覺得SOP大概有幾個比較需要注意的地方：</p><ol><li><strong>用詞精準、文章精簡</strong>：有些學校會規定SOP要寫出哪些內容，但每個學校都會寫的就是<strong>Concise</strong>，因為教授可能要看幾百份，寫得越沒有重點就越不容易讓人有印象，所以不要浪費文字去描述較不重要的事情，然後自己寫完就可以看一下句子之間的承接，不要邏輯炸裂了。</li><li><strong>減少錯字跟文法錯誤</strong>：有錯字或者文法錯真的是會讓人白眼吧（看看中文的「在」「再」打錯就有一票人會噴你😂），所以真心建議可以去找Native speaker來潤稿。雖然真的是又要花一筆錢，但我覺得跟你的未來（或者實際來說就是學費xD）相比，這筆錢真的是小錢，卻可以極大程度地提高機會被選上。Btw, 在給別人潤稿前，建議可以幾個朋友互相校稿，甚至請教授幫忙，畢竟專業的部分還是要交給專業的來，像是專業用語或者句子承接就很容易地被指出來（大概是看Paper看到瘋魔的後遺症吧 lol）。</li><li><strong>不相關的經驗別放</strong>：SOP還是圍繞著你的專業以及未來的追求，假若你要讀M.S. in ECE/CS，內容卻寫了一段的系隊經歷，可想而知就是看到整個黑人問號都出來了，就算你打到全宇宙第一名，但你又不是來打球的😶。所以就算其他不相關經驗很猛，但不適合就是不適合（就跟愛情一樣？）。可以在寫之前，先列出所有的成就、經驗，然後以重要性及關聯性篩選，再安排一下哪段該寫什麼。</li></ol><p>接下來就來說說我是怎麼準備SOP的吧！起步是參考交大電機系留學會中歷屆學長姐的分享，大概知道段落要怎麼去分配，然後就開始邊寫邊參考，寫完後先給朋友們看、再請教授看、接著請Native Speaker幫忙潤稿(<a href="https://transcendadmissions.com/">Transcend 創陞</a>)，接著就是針對各Program小改。而我的SOP分配段落如下：</p><ol><li>開頭：破題並極簡略地說經歷、興趣讓你想要申請這個Program。</li><li>專題的研究歷程(Part I)：於專題的啟發、貢獻、及歷程。</li><li>專題的研究歷程(Part II)：承接先前的歷程、專題成果及達成的成就。</li><li>RA的研究歷程：研究歷程、成果、對自己這方面興趣的影響。</li><li>課程的Project：運用演算法、達成的效果、對自己這方面興趣的影響。</li><li>學校的資源(Part I)：先前研究的不足，學校課程可以怎麼幫助自己。</li><li>學校的資源(Part II)：兩位教授及研究的題目，與自己領域的關聯。</li><li>結尾：認為學校可以給予哪些幫助給自己、以及自己的職涯目標。</li></ol><p>在過程中，我有特別找書(<a href="https://www.books.com.tw/products/0010785022">如何撰寫留學讀書計畫：SOP及CV這樣寫，成功申請上世界名校</a>)以及Fiona的Blog(<a href="https://www.cantabenglish.com/blog/sop_writing_tips">Cantab English</a>)來先了解SOP。除外，也有去參與SOP的講座(<a href="https://ntetaiwan.com/">創勝NTE</a>)，並且趕快寫完一版之後免費諮詢了一次。Btw，滿多的機構都有免費諮詢一次的服務，我認為可以多多利用，而之後要不要請他們潤稿就不一定，因為聽到有人說諮詢時很棒，但潤稿出來的成果就…不多說了xD，自己上網查評價或問別人看看吧。</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*oEbmV8XymeE46hpl" /><figcaption>Photo by <a href="https://unsplash.com/@digitalcontentwritersindia?utm_source=medium&amp;utm_medium=referral">Digital Content Writers India</a> on <a href="https://unsplash.com/?utm_source=medium&amp;utm_medium=referral">Unsplash</a></figcaption></figure><h4>Resume / CV</h4><p>這個部分我是用Latex找網路上的模板來編排，但是如果要請別人幫忙修訂，可能用Word就會比較方便。雖然這麼說，其實網路上還是可以找到轉PDF成Word檔的工具，雖然格式可能會稍稍跑掉，但還算是沒有太大影響吧。結論就是看個人喜好囉～</p><p>以下我會對我認為比較常犯錯&amp;重要的點來說明：</p><ol><li><strong>時態的使用</strong>：如果都用過去式來描述內容，就都用過去式，不要把現在式和過去式混著用。</li><li><strong>句末的句號</strong>：有時會順手加句號，但有時候又忘記，所以會搞得句子有些結尾有句號有些沒有。</li><li><strong>塞滿每頁</strong>：如果要做兩頁，就把兩頁塞滿，不要一頁半，空白半頁會令人感覺你好像沒什麼經歷能寫。雖然我不知道有沒有人少半頁然後被reject，但目前我聽到大家都這麼做，而我也覺得少半頁那個空白很醜。</li><li><strong>動詞的使用</strong>：通常會使用比較「強力」的動詞，像是Develop, Establish, Analyze, Implement, Design, Outperform等等。</li><li><strong>講重點、講清楚（量化）</strong>：一個經歷用兩三句話來描述，而一句話說完一件事，像是Developed a novel system … / Optimized the algorithm by …/ Outperformed the existing methods 50%…</li><li><strong>一定要請別人審</strong>：雖然內容比較少，但是因為句句都是重點，所以其實份量都很重，如果有錯扣分也很大，尤其注意文法。</li></ol><p>而我的Resume有兩頁，其中順序是把我認為我<strong>比較加分的部分往前擺</strong>，如下：</p><ol><li>Education</li><li>Publications and Talks</li><li>Research experience</li><li>Project experience</li><li>Extracurricular activities</li><li>Skill</li><li>Award and Certificate</li><li>Part-time work experience (Optional)</li></ol><p>Btw, 有些學校會註明Resume中一定要含有什麼或者某些格式，要特別注意。像是University of Michigan就有註明要有UM-ID（申請時給的）。</p><h4>Letter of Recommendation (LoR)</h4><p>大多數的學校基本都會要求三封推薦信，就算是兩封但第三封也會是optional，但總感覺如果只給兩封，差別就顯現出來了。滿多人因為大學期間有在業界實習，所以推薦信的分配會是兩封教授一封主管，但因為我大學期間沒有實習過，主要都是在做專題（以及打校隊xD），所以就三封都是請學校教授幫忙寫，其中兩位教授是我的專題指導教授，而另一位則是修課指導教授。</p><p>三封推薦信的內容分配很重要，因為他們需要從不同的角度看到你的優點，以此來顯示你的優秀，或許會有一樣的優點，但是展現在不同地方上也沒關係。於是在寫之前可以先與教授討論一下覺得自己有什麼優點（自信心就是這樣來的！），之後就可以請適合的教授來寫各個優點了。</p><p>要注意的是，因為教授們普遍很忙，所以</p><ol><li>需要提早至少一兩個月詢問教授願不願意幫你寫推薦信，不然讓教授為你趕Deadline，你不會臉紅我都為你臉紅了。</li><li>討論及思考完各個教授寫的內容，通常都會請學生先擬稿再寄給教授他們，如此可以減輕他們負擔也可以讓他們更迅速幫你寫好推薦信。</li><li>有些教授會限制推薦信的數量，這樣就要多找教授來分配了。但我遇到的剛好都是願意幫我寫完全部的，真的是大感謝❤️。</li></ol><h3>Conclusion</h3><p>申請的路程心真的很累，心態會很負面，覺得事情很多而時間卻不夠。但是現在回頭看看，其實那也算是自己最認真最積極去了解自己以及為自己拓展未來的一段日子，想想升大學的時候應該沒有多少人認真看過各學校甚至系上的網站以及問東問西到處爬文就輕易決定哪一間學校吧。</p><p>在這條路上，真的很建議要有幾個一起奮鬥的朋友，在低谷時互相鼓勵、打嘴砲，也可以互相分享各種有用的資訊，讓自己在疲憊的時候可以放鬆，也讓自己在於準備的路途中可以更順遂。</p><p>這一路上想受到的恩惠真的很多，</p><p>感謝球隊的各位，因為我個人的規劃經常沒有練球但仍是包容我</p><p>感謝一路上不斷地幫助我以及指導我的教授們</p><p>感謝AIMM Lab中的各位好夥伴</p><p>感謝申請期間以及申請上了之後給過我寶貴意見的學長們</p><p>感謝在153R5B3C一起經歷地獄般磨練的各位國軍弟兄們</p><p>感謝專題一起做了一年多的組員們（云&amp;瑋），當初大家發瘋般地衝了才有了現在的成果</p><p>感謝一同準備申請出國的超強RA戰友們（夏神&amp;賴神），記得內推我</p><p>最重要的，</p><p>感謝我的爸媽，願意毫不保留地支持我的留學夢，即便總說我是「貴」子</p><p>感謝我的女朋友，從起初的不支持變成支持我出國，在我壓力山大的時候讓我可以放鬆休息一下，辛苦妳了❤️</p><p>最後，希望同為申請出國的各位可以順利地按照計劃走，即便疫情肆虐、CPT/OPT一堆問題、川普大叔朝令夕改，也希望2020年的接下來可以平平安安，不要再鬧事了，不然心臟頂不住R</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=c3334cd9f7e2" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>