【长期加分贴】我为什么喜欢我的专业？【CS篇】

和人交流累 和电脑交流轻松

当初是选择computer engineering 这个专业，来到美国留学之后，因为找工作便利，选课就会更偏CS，实际也是因为更底层的knowledge 并不是多感兴趣。本身喜欢解决问题的感受，当一个人做自己喜爱的事情的时候，就会有更多的热情，而且这个专业也是瞬息万变的，永远有新的tech stack 可以学习，特别有趣。现在随着LLM越发强大，很多data structure 和 algorithm的知识越来越弱化了，尤其在实际工作当中，使用的场合也有限，但是这个专业也是在进步，基础的知识只有掌握之后，才能不被错误的信息误导，才能真正指出不同，人生就是不断地学习，并且adapt into new things 的过程。

我觉得这份专业也提供了很多让你实现自己的灵感的机会，甚至生活当中写一些小插件能够帮助自己日常生活小事。虽然，这一优点可能未来会被 vibe coding 取代，但也是一件好事，写代码的能力，其实就是一种学习能力，逻辑能力，适应能力。

多年前一开始选课的时候，接触了不少 machine learning，image processing，computer vision， natural language processing 的课程，那时候 虽然觉得很有意思，但是在教授的lab打下手，以及实习之后觉得这个track可能要读phd更好。到工作的时候，第一份工作就是backend engineer，能实际 design 并且 implement 一个 feature 的感觉还是非常有趣的。

现在也是说不清楚多么喜爱这个专业，不过当一个人有目标，能够实在地解决问题的时候，总是挺有趣的。

最近在找工作当中，求加米，现在的积分还是看不了面经。

我喜欢统计学，和我的学习经历有很大关系。我的本科并不是统计学专业，一开始接触数据的时候，只是把它当成一种完成任务的工具，比如算结果、画图、交作业，并没有觉得它有多有趣。真正让我开始喜欢上统计学，是在研究生阶段转到这个方向之后，博士阶段更是天天和数据、模型打交道。慢慢地我发现，统计学不只是算对答案，而是在教人怎么想问题。

我的方向是属于Bayesian。可以分享一下我个人的经历，希望对本科统计学专业、但想申请统计学博士的有点帮助。个人观点请批评指正。我觉得主要关键不在于“是不是科班出身”，而在于你是否已经补齐了必要的知识基础，并且用实际经历证明自己真的适合、也真的喜欢统计学。

1，基础知识

首先是数学基础，这是统计博士最看重的部分。通常需要系统学过微积分，至少包括多元微积分，还要有扎实的线性代数，比如矩阵运算、特征值特征向量这些内容。同时，概率论几乎是必不可少的，不能只停留在会算题的水平，而是要真正理解随机变量、分布、期望和条件概率的含义。很多转专业的学生，都是在补概率和线性代数的过程中，才真正体会到统计学的核心。

其次是统计学的核心课程。哪怕本科不是统计专业，也最好修过数理统计、回归分析、统计推断等课程。如果对 Bayesian 方向感兴趣，还应该主动学习 Bayesian 统计的基本思想，比如先验、后验、MCMC 的直观含义。哪怕课程是自学或线上完成，只要掌握得扎实，在申请中都是加分项。另外，编程能力也非常重要。常见的是 R 和 Python，至少要熟悉其中一种，用来做数据分析、模拟和画图。如果能写一些简单的模型代码，或者自己实现过小项目，会非常有说服力。

2，研究经历

对于非统计背景的申请者来说，研究经历几乎是“证明自己能做统计研究”的关键。最理想的情况，是参与过和统计、数据分析相关的科研项目，比如用统计方法分析真实数据，或者在研究中负责建模和推断部分。哪怕项目来自其他学科，只要你在其中主要做的是统计建模或方法分析，都非常有价值。如果有机会写毕业论文、研究报告，或者和导师合作写论文，即使没有正式发表，也可以在申请中详细说明你做了什么、解决了什么问题。对于 Bayesian 方向，可以举例说明你是否用过 Bayesian 方法，哪怕是做模拟实验、比较模型结果，也能体现你的研究潜力。此外，参加暑期科研项目、统计相关的 workshop，或者长期跟随一位做统计或数据方向的导师，也是很好的经历。这些经历不仅能提升能力，也有助于拿到有分量的推荐信。

3，“态度”和逻辑

统计博士项目通常不会只看课程列表，更看重你的学习路径是否合理。对于转专业的学生来说，清楚地说明“我是如何一步步转向统计的”非常重要。比如，从什么时候开始对统计产生兴趣，为了转方向补了哪些课，遇到过哪些困难，又是如何克服的。如果你能在申请材料中自然地把自己的背景、Bayesian 兴趣、研究经历和未来计划连起来，招生委员会通常会认为你是经过认真思考、而不是一时冲动来申请统计博士的。总体来说，非统计专业本科生申请统计博士并不是劣势，只要数学和统计基础补得扎实，有真实的研究经历，并且能清楚地说明自己的转专业动机和研究兴趣，反而会显得目标明确、动力很强。

第一次学统计的时候，我就觉得它特别“像人脑”。比如在做判断之前，我们心里其实已经有一个大概的想法，Bayesian 方法允许你把这个想法放进去，然后再用数据一点点去修正。如果数据不多，结论就保守一点，数据越多，信心也就越足。这种过程让我觉得很踏实，而不是突然给出一个看起来很确定、但其实不太安心的结果。尤其是它会告诉你不确定性有多大，这在做选择的时候真的很有用。后来接触到 AI 相关的内容，我更能体会到统计学的价值。很多 AI 模型看起来很厉害，但本质上还是在处理不确定的问题。加入 Bayesian 思想后，模型不只是“给答案”，还会“承认自己不确定”。比如在数据不够多的时候，模型不会轻易下结论，这在现实应用中非常重要。也正是在这些例子中，我慢慢意识到，统计学其实一直站在 AI 的背后。

我选择从EE转CS，核心原因很简单：我发现自己真正感兴趣、也更适合长期投入的，是用编程解决问题的过程。
本科只学过C，当时并不特别喜欢编程，纯粹应付考试。大四开始接触python的时候，并没有想太多，只是觉得“试试看”。但随着写的代码越来越多，我很明显地感觉到状态不一样了。相比其他课程，我更愿意花时间在写程序、debug、优化逻辑上。哪怕遇到难题，我也更有耐心去一点点拆解，而不是急着结束。这让我第一次意识到，原来“学起来不那么痛苦”，本身就是一个很重要的信号。
编程最吸引我的地方，是它解决问题的方式。一个需求摆在面前，可以通过分析、建模、设计算法，一步步转化成代码，最后跑出结果。整个过程非常清晰，也很有掌控感。写错了就改，逻辑不通就重来，反馈快、路径明确，这种节奏和我个人的思维方式非常契合。
随着学习的深入，我对计算机科学本身也越来越感兴趣，而不只是“会写代码”。比如数据结构和算法让我意识到，不同的设计方式会带来完全不同的效率；操作系统和计算机网络让我开始理解程序在底层是如何真正运行和协作的。这些内容让我感受到，CS并不只是工具，而是一套完整、严密、非常有深度的知识体系。
另外，我也逐渐意识到，CS的应用范围非常广。无论是SE、DA、AI，都离不开扎实的计算机基础。这种通用性让我觉得，投入到CS学习中，是一件长期来看非常值得的事情。相比单一方向，CS给了我更多探索和调整的空间。
转码的过程并不轻松，但我从中获得的正反馈非常强。通过不断写项目、补基础、查资料，我能明显看到自己的进步，也越来越清楚自己未来想往什么方向发展。这种“靠自己一步步搭建能力”的过程，让我感到踏实，也让我对未来更有信心。
CS 带给我的不止是学术能力以及谋生手段，更多的是让我找到自信和热爱。

我的答案一直很简单：**我不仅不后悔，反而越来越庆幸当初的选择。**

### 一、CS 给了我“把想法变成现实”的能力

在很多专业里，想法停留在纸面；
但在 CS 里，**想法可以直接被“运行”出来**。

一个功能、一个系统、一个模型，从 0 到 1，全靠自己写出来。
那种“代码跑通、结果正确”的瞬间，是一种非常纯粹的成就感。

你会意识到：

> 原来我真的能创造一个东西。

这种掌控感，是我爱上 CS 的第一个原因。

---

### 二、它训练的是“思维方式”，而不仅是技术

很多人以为 CS = 写代码。
但学久了你会发现，**代码只是外壳，核心是思维**：

* 如何拆解复杂问题
* 如何权衡效率与成本
* 如何在不确定中做最优决策
* 如何系统性地排查错误

这些能力，**不只在计算机里有用，在现实世界同样适用**。

CS 让我变得更理性、更有逻辑，也更能接受“问题本来就很难”。

---

### 三、CS 是一个“永远学不完”的领域

对我来说，这恰恰是它迷人的地方。

从算法、系统、网络，到 AI、数据、图形、HCI……
你永远不会走到“学完了”的终点。

这意味着两件事：

* **你永远有成长空间**
* **你永远不会被轻易淘汰**

在这个变化极快的时代，这种“可持续成长感”非常珍贵。

---

### 四、努力与回报的关系相对公平

我很现实，也很诚实地说：
**CS 是一个努力比较容易被看见的专业。**

你写过什么项目、解决过什么问题、掌握了什么能力，
都可以被量化、被展示、被验证。

只要你真的投入过时间和精力，
它往往会给你一个不算差的回报。

---

### 五、当然，它也很难

我不想把 CS 说得太浪漫。

它确实难：

* Debug 到凌晨
* 被算法题反复打击
* 被新技术追着跑
* 被“不懂但要装懂”的瞬间折磨

但也正是这些难，让我确认：

> 我在做一件有价值、值得长期投入的事。

---

### 结语

我喜欢 CS，不是因为它“热门”“高薪”或“体面”，
而是因为它让我**持续感到成长、掌控与挑战**。

如果你也在 CS 这条路上感到迷茫，
希望你有一天能发现属于自己的那个理由。

**因为一旦你找到了，
这条路会走得很长，也很稳。**

其实我虽然是 CS 科班出身，但真正的热爱是在工作中一步步找到的。

我最早做前端，喜欢那种改行代码就能看到效果的反馈感。后来为了追求技术的深度，转去做 Java 后端，去啃那些复杂的业务逻辑和底层架构。到现在做全栈，我觉得状态最舒服。

为什么呢？因为全栈给了我一种“全局掌控感”。 一个需求来了，我能从数据库怎么设计，一直想到页面怎么交互。这种能把整个流程串起来的感觉，特别踏实。写代码对我来说，就是一个不断拆解问题、构建逻辑的过程。这种“遇到问题能自己全链路搞定”的能力，给了我很大的自信。

我在国内读完初中 高中出来加拿大这边 一开始收到我的影响 一直想读商科 大一进了商学院后 才发现商科学的东西和我想象的完全不一样 了解到的所有专业都和我喜欢做的相差甚远 不喜欢 accounting 觉得很 tedious 不喜欢 finance 觉得学金融的人都很装 最后看到我们商学院有个 combined major 的 program 可以读cs 从小喜欢游戏电脑的我觉得这个就是我想做的 就选择了这个 program 所幸的是有国内数学的底子逻辑能力也还不错 虽然很多 cs 课程的 theory 很难懂 但还能继续下去 本科还没毕业 每个学期都想找实习 但是频频失利 有些时候会想到底是因为什么自己找不到实习 会觉得很迷茫很沮丧 但是一想到这个东西是我喜欢的 热爱的 自己很享受每次能解决问题带来的成就感的时候 我还是决定坚持下去

以前00-10年头其实software都是比其他专业门槛底 意思说不用degree 也不用考什么牌 技术学好就可以面试 拿到比一般人高的薪水 而且是一个有挑战性不会无聊的工作
可以现在很多都被AI取代 这条路都不好走了

我感觉我喜欢CS但也没有特别喜欢，没有喜欢到胡子拉碴坐在屋里不出门专注于os，也没有动力去打比赛。但是每天不写点东西不刷刷题其实也觉得没事可做，最后发现CS是自己为数不多会做的也能相对来说做的好的东西。别的爱好也基本没有。

作为一名从电子工程（EE）转型至计算机科学（CS）的小马工，我始终相信编程的核心在于解决问题的逻辑与创造力。

我的职业生涯起步于本科（C9），本科阶段对编程的理解曾局限于课本。直到接触 Python 后，我才真正体会到代码解决复杂问题的魅力。这种从逻辑设计到快速反馈的掌控感，促使我决定前往 某玉米地 研究生 深造，正式跨入计算机领域。

在系统的学术训练中，我对数据结构、算法以及操作系统等底层架构产生了深厚兴趣。对我而言，CS 不仅仅是谋生工具，更是一套严密且深邃的知识体系。这种对技术底层的追求，也一直驱动着我在🐶厂解决复杂的工程挑战。

我享受这种靠技术能力稳步搭建未来的过程，并始终保持着对技术边界探索的热忱。