Susie：Claire你好，可以简单地介绍一下自己吗？
Claire：
你好。我是 University of Rochester 罗切斯特大学统计学博士三年级。去年通过了博士资格考试。最近一年专注研究优化算法，核心是在精确度与运算效率之间找到更好的平衡。我的研究包括贝叶斯优化，这一方向可用于机器学习、生物、材料科学等很多领域。为了便于理解，可以把它想成品尝到一块很好吃的饼干后，如何反推可能的最佳配方。
Susie：我们有很多对生物统计感兴趣的同学。统计学和生物之间如何衔接？如果读完生物统计的硕士，还能继续哪些方向的深造？
Claire：
范围很广。可以继续往生物学、生物信息学、生物统计学走，也可以去运筹学与工业工程等交叉领域。申请时既要看项目，也要看感兴趣的老师与研究组的匹配。
Susie：统计学的研究方向能否从宏观上分一分类？
Claire：
可以从两个维度来看。
- 一是应用维度，例如生物医学肿瘤、生物信息学基因序列、人工智能机器学习、金融时间序列等。
- 二是方法维度，偏理论与偏应用。偏理论需要厚实数学推导。偏应用会做大量仿真与实证。
Susie：统计学的就业面看起来很广。我也采访过从统计学博士去了量化金融的同学。AI 对本领域的前沿影响如何？
Claire：
AI 带动了很多新课题。近年很重要的一支是因果推断与统计的结合，岗位描述里经常能看到。优化也是前沿方向的集合，但是类别太多，需要结合个人兴趣与目标行业具体落位。
Susie：申请相关的准备怎么做？只有数学统计出身才有机会吗？
Claire：
当然不是。申请材料里我认为最重要是研究经历与发表。其次是课程与专业课成绩。课程薄弱的人可以用研究经历来补，比如在心仪的组里做一年到两年，拿到合作者身份或者一封非常有分量的推荐信。数学基础方面通常包括微积分、线性代数、实分析。统计方面建议概率、数理统计以及判别推断等核心课。若本科背景是生物，研究生阶段修读相关高阶课也完全可行，而且研究生层级的课程认可度更高。
Susie：统计学同学的职业去向有哪些？
Claire：
总体可分三类。
- 其一是与生物相关的业界，最常见是药厂，例如辉瑞与诺华，地区多在波士顿与新泽西。
- 其二是科技公司，如谷歌、亚马逊。通常更偏向 AI 方向竞争很激烈。
- 其三是金融行业的量化研究员与量化交易员，此方向需要刷题与较长准备周期，竞争也很强。
学术岗位当然也有，但与业界比占比略低，需要博士毕业后做一到三年博后并持续发表高质量论文。
Susie：博士学位是否一定会让找工作更容易呢？
Claire：
并不是一条通用捷径。博士更多对应博士岗位，竞争者也主要是博士群体。但岗位起点称谓与薪资带宽会与本科或硕士不同。像量化研究员很多团队基本只招博士。
Susie：读博也有人出于身份与签证考虑。学校或导师在求职上能提供多大帮助？
Claire：
差异很大。若导师是新晋的助理教授，他为晋升压力很大，可能不太鼓励你找实习。也有很支持与有人脉的老师，会积极帮忙内推。毕业权重也与制度有关。有的学校是 PI 制，导师话语权很大；有的是委员会制，需要导师与委员会共同认可。部分导师会要求发表数量与期刊等级，也有导师只看论文整体是否有价值。
Susie：统计系的经费总体情况如何？与生命科学相比有何不同？
Claire：
看学校与项目。以我所在的项目为例，系里统一提供经费，稳定性强，录取人数有余量时也能覆盖。基础生命科学常依赖导师个人经费，容易受政府项目变动影响，学生负担会重一些。若读的是偏生信方向，依然与导师经费关系更紧。
Susie：申请前联系导师算不算加分项？
Claire：
有余力可以做，但不是决定性因素。真正的硬实力还是研究成果。如果无法发表，拿到导师非常正面的推荐信同样很有帮助，尤其是有学术人脉的老师。
Susie：研究经历做到什么程度更有竞争力？是否一定要发论文或开会报告？
Claire：
影响非常大。哪怕本科院校一般、专业不完全对口，只要有两三篇论文即使不是第一作者，也可能显著提升竞争力。我见过同学凭此进入常春藤名校博士。当然，若时间有限至少要让合作导师愿意写很强的推荐信。
Susie：本科阶段找不到研究机会，是否该先读硕士或者做助研累积经历？如何更有效找到老师同意合作？
Claire：
可以同时申请直博与硕士。直博也并非没有可能。若想以硕士为跳板，建议优先争取系主任或资历深声望大的教授，他们一封推荐信的作用非常大。也有人选择在线硕士以拓展学校邮箱与师生网络，获取名校教授推荐信也很有帮助。
Susie：硕士转本校博士是否常见？
Claire：
看学校与竞争环境。有些学校很少接收本校硕士直转博士，更多是基于整体竞争激烈而非刻意不收本校学生。选择硕士时要留意这一点。比如我之前在 Emory 读的硕士，对某些人来说未必是最合适的选择。因为 Emory 是公共卫生领域的名校，通常不太倾向从本校硕士直接录取博士，所以大家会担心这样是否会浪费时间。就我个人而言，可能不会选择这条路。当然，具体还是要看个人情况。
Susie：你的同届同学里，直博与先读硕士的大致情况如何？
Claire：
数学本科背景的同学直博很多，而且本校升本校也很常见。选择先读硕士的同学通常是为了补足短板或冲更好的学校。
Susie：统计学博士是否有面试？形式如何？
Claire：
基本都有。常见是同一天连续和三到四位教授单聊。后疫情时期很多学校会邀请你到校园参访一到两天，面谈加用餐交流。技术问题通常围绕你简历与论文里的内容，重点是交流顺畅与软实力的展现。
Susie：除了学术能力，博士阶段还需要哪些软技能？
Claire：
与导师的相处能力非常关键，要礼貌分寸得当，例如请求推荐信要考虑工作量与可行性。其次是与同学同行的信息互通，及时获取实习与项目机会。再者是公开表达与学术演讲，多参加会议结识同行。当然，若软技能不足，过硬的学术产出也可以弥补。
Susie：你为什么决定读博？实际体验与预期是否一致？
Claire：
我在硕士阶段意识到自己更适合定量科学。进入业界后可能只做项目中的某个环节，而博士能让我独立负责一个完整项目，训练问题定义与解决能力，在技术路径上获得更大施展空间。与预期一致的地方有工作时间与地点的灵活性，以及坚持做感兴趣的事能带来回报。不一致的是学校所在城市较小，生活单调，读博压力又大，对自我调节与生活平衡是个挑战。建议在学校差距不大的情况下优先考虑大城市的综合体验。同时要重视身体健康，它是一切的基础。
【竞赛报名/项目咨询+微信：mollywei007】
