宾夕法尼亚大学电子工程专业申请全面攻略

大家好，我叫黄炜宇，苹果公司的算法工程师。我在本科期间参与学校的2+2项目，在北京理工大学和澳大利亚国立大学的学习经历使我对国内外电子工程方向的教学异同有直观的感受。在澳洲期间，我在澳大利亚通信媒体管理局工作了一年半，参与澳大利亚电视频段调整、4G LTE引入等项目。离开澳洲后，我前往美国继续博士的学习，2017年取得宾夕法尼亚大学的博士学位和沃顿商学院统计系硕士。研究方向包括机器学习、信号处理、人脑神经网络等，发表顶尖期刊论文10余篇。博士期间经过多轮面试，拿到过数个硅谷科技公司和华尔街投行实习Offer。

在过去的几年中，结合自身经历，我在wordsunny平台帮助百余位同学拿到电子工程EE领域心仪的硕士博士Offer；对于EE领域不同方向的特点、就业前景、以及申请时需要把握的地方有着比较系统的理解。在此与各位同学分享一下。

1. EE领域综述

 电子工程（Electrical Engineering，简称EE）包含很多分支，简单来说可以大致分为三个发展阶段：第一阶段是98年前，以硬件为核心，主要包括芯片设计、频域分析、自动控制等。很多现在还在使用的技术，比如CDMA、编码解码、小波分析、Kalman Filter、图片压缩都源于这个阶段。第二阶段是98年至08年，以无线通信的快速发展为契机，EE领域加入了很多通信及其周边元素，包括网络研究、分布式计算、凸优化等。第三阶段是08年至今，大数据和机器学习的火爆让很多EE分叉或多或少的转向数据分析和人工智能。

尽管方向随着时代的需求一直在变，但核心万变不离其宗从问题出发做出假设，设计出在该假设下能够保证准确率的算法，并将该算法实现，从而解决问题。拿图片压缩为例，目的是压缩图片，做出的假设是边界的锯齿化不会很大程度地影响图片呈现的效果，从而通过频域分析，保留整体图片效果而牺牲局部细节。

EE可以看做是介于统计和软件工程之间的一个领域。统计更理论，会对于模型做出更多假设，从而得到模型更好的性质，对于此类模型研究的更透彻，但实际问题未必满足该模型的条件。软件工程更应用，往往不聚焦于设计抽象的模型，也不关心此类模型会有怎样的特征，算法设计的目的是最有效的解决手头的问题。EE介于两者之间，同时涉及理论和应用，不对模型做出过多假设，但是也关心这类模型会有怎样的特点。

2. EE专业课程中美差异

 国内专业设置细很多但所学内容基本相同，课程更偏向理论。

 EE领域广且同时涉及理论和应用，这导致中美在EE教学上存在比较大的不同。首先，国内在专业设置上普遍比较窄，同学们在入学时就已经被分到了很细的专业领域上，比如微电子、光电子、对导系统、自动控制、通信工程，这些专业其实所需要的专业知识大同小异，在美国都被归到EE，且美国一般大一下学期选择修工程、大二选择修电子工程。过早的细分和班级概念的引入往往让国内同学对于自己专业有一种亲近感，从而认为自己的专业知识只是能够应用于自己专业上。其实不然，自动控制中的很多内容和通信工程都是相通的，核心专业技能也没有很大区别。很多同学在申请美国学校时都会因专业把握不清而吃亏。我建议同学们不要太执着于自己入学时的专业，打开思路，多接触不同的项目，达到触类旁通。

同时，国内的课程普遍比较重视理论部分，考试以证明和做题为主，往往会配单独的实验课。这导致理论和应用的衔接不是很直接，同学们在申请时也比较难讲述本科期间做过哪些与课程有关的项目。美国EE本科有部分课程也很注重理论，也有不少课程上课是讲理论，作业基本都是用编程实现一些小的项目，期末考试是交一个更为系统的项目，比如语音识别、人脸识别、模拟股票交易等。我建议同学们在学校课程外多上一些以应用为主的在线课程，提高自己对于把理论转换到应用的能力。

3. EE就业前景

 EE领域就业主要是包括纯EE、纯CS、数据科学、和金融。

 EE领域广，所学知识多，所以在美国就业可选的方向很多，大致可以分为以下四类。

第一，纯EE领域，包括芯片，通信系统，电子硬件等。此就业领域已经存在几十年，和EE专业课联系密切，不需要太多自学的知识，市场上职位需求不算旺盛但稳定且数量相当。因为工作对经验要求高，所以优点是工作更稳定，越做越吃香。缺点是收入水平和其他三个方向存在一定差距，职业上升也不如其他三个领域快。

第二，纯CS领域，这就是大家常说的码农了，SDE（Software Development Engineer）。通过前端后端编程实现整个系统的一些功能，此就业领域近十年需求旺盛且现在还没有呈现供大于求的趋势，以硅谷为例，大公司每年都会招很多人，收入与其他行业相比高很多，发展也快。不过，EE毕业生从事该领域存在一定劣势，因为编程功底不如CS毕业生，而EE专业课中对于数学的强调在该领域也没有太多助力；想走该就业方向的同学需要进行大量编程练习，多修一些EE中涉及编程的课程，减少过于理论而与编程无关的课程。

第三，数据科学领域，Data Science，与大数据、人工智能大同小异。通过建模和测试从数据中找规律。此领域近几年快速发展，需求很旺盛，收入高，发展快，而且很多初创公司需求此方面人才。相比于码农，EE所培养的数学和建模功底在此领域更能发挥出来。劣势在于EE课程中很少有能够直接培养数据科学领域技能的，更多的需要自己课外学习，做小项目，对于Python核心包、云计算有一定掌握。

第四，金融领域，Quantitative Researcher，俗称矿工。通过建模找金融市场上的规律，并通过C++进行实现。此领域存在近十五年，对人才需求比较旺盛，收入极高，工作安全性不如其他三个领域，表现不好被裁掉的几率大。除了课外对建模、Python、C++能力自己的培养，面试中体现出自己对于金融的兴趣极为重要，买卖股票、外汇、人肉套利机（两个交易平台价格不一样，在一个平台买，一个平台卖）、学习金融系统规则，都能够体现自己对于这方面的兴趣。

4. EE申请需要把握的地方

 硕士申请需要有清晰的职业规划、课外做更多的应用项目、不拘泥于专业；博士申请需要研究经历、对于研究的兴趣、对于教授之前文章的理解和见解。

硕士申请：本科期间的GPA、GRE等硬件条件是证明学生是否具有良好的学习能力，但硬件的“纬度”不是唯一的指标，学生是否对于自己接下来五年到十年有着比较清晰的规划，比如专攻哪些领域，毕业后的计划也是申请文书中极为重要的部分。我给同学们的建议是，在GPA、GRE达到了基本的要求后（对于好学校而言，GPA 3.0以上，GRE Quantitative 90% percentile以上），将更多的时间思考自己毕业后想走哪条就业方向，以此倒推自己硕士时需要上哪些课程，本科时上哪些课外课程，多做项目培养研究或工作能力。不用拘泥于自己本科专业，只要目标清晰并有计划地填补空缺，本科专业在申请时并不一定是决定性因素。

博士申请：硕士申请结果往往是由多个教授形成一个委员会决定，而博士申请的机制不同，录取地结果很大程度上取决于教授本人，也就是博士期间的导师。博士的申请和去公司申请一份工作有些类似，和Hiring Manager是否合拍很大程度上决定了未来几年的成长速度。在美国，一个全奖Offer包括学费并和生活费，通常在一年6-10万美元左右。五年的成本并不是一个小数字，所以，导师对于博士申请人会从多个方面去衡量这个花费是否值得。从导师的角度来考虑，学生具不具发论文的能力，会不会中途因为种种原因（研究干不下去、找到业界工作）而不读了，交流是否通畅，种种因素都决定了最后的录取结果。

5. 结语

 EE领域极广，同时涉及理论和应用，国内和国外的教学侧重点也有所差异。对于正在准备申请的同学们而言，提早做出清晰的升学就业规划不仅能够弥补申请时其他方面不足，扬长避短提升竞争力也会早早起步，更从容地迎接挑战。如果大家对于EE硕博申请和职业规划有更具体的问题，欢迎随时联系我。我会通过我的经验和见解在EE领域的定位和申请上助你一臂之力！