Min erfarenhet av att söka till masterprogram för datavetenskap utan bakgrund

Jag gav en allmän introduktion till hur jag blev intresserad av att studera datavetenskap i mitt förra blogginlägg. Det är jättebra, men det är inte alla som tar den akademiska vägen när de överväger en karriär inom datavetenskap. Men här är mina skäl till varför jag vill ha den formella utbildningsvägen:

1. Och även om internet är en fantastisk resurs för att lära sig stora mängder material, tänkte jag att jag bara skulle känna mig mer bekväm med ramar och vägledning som tillhandahålls av ett program och att ta lektioner personligen.
2. Jag var nyfiken på hur och varför vissa aspekter av koden fungerade på det sätt som de gjorde. Jag hoppades kunna lära mig mer om teorin och logiken bakom datorprocesser. Men självklart var det slutgiltiga målet en lyckad karriärövergång.
3. Som internationell student ville jag verkligen ha ett visum…

Ja, jag är ingen bra skribent, men det kändes som om det inte fanns så många bra resurser som jag kunde vända mig till när jag förberedde mig för att ansöka om ett magisterprogram i datavetenskap. Så här är mitt ärliga försök att dela med mig av hela min erfarenhet. Jag hoppas att det hjälper.

0. Min ärliga akademiska bakgrund

• Internationell student från Sydkorea (tyvärr inga Toefl-poäng)
• GPA: 3,31
• Emory University
• Undergraduate Majors: BA i biologi och internationella studier
• Arbetserfarenhet: 2 års klinisk forskning
• GRE-poäng: V-160 (86:e percentil)/Q-162 (81:e percentil)/W-4 (60:e percentil)

1. Göra en lista över skolor

Jag kommer skamlöst att erkänna att jag valde min lista över potentiella skolor baserat på de listor som tillhandahålls av dessa rankningar:

• https://www.usnews.com/best-graduate-schools/top-science-schools/computer-science-rankings
• https://tfetimes.com/best-computer-science-program-rankings/

För att vara ärlig så visste jag inte hur jag skulle göra en lista över skolor och för mig var det här en bra början.

2. Filtrering av listan över skolor

Här är några saker som jag tog hänsyn till när jag tittade på olika program:

• Förkunskapskrav som låg utanför min kontroll – vissa program krävde att de sökande skulle ha en kandidatexamen i datavetenskap eller accepterade studenter med en kandidatexamen inom ett kvantitativt område som teknik, matematik, fysik osv.
• Förkunskapskrav som jag kunde arbeta med – listan över förkunskapskurser som skolorna tillhandahåller finns ofta i FAQ eller i avsnittet för presumtiva studenter.
• Programmets varaktighet – jag ville ha en hel tvåårig erfarenhet för att åtminstone få tillräckliga kunskaper för att kunna gå in på ett annat område. Åtminstone var det så lång tid jag kände att jag behövde innan jag bröt in på området.
• Examensnamn/typ – Jag ville ha en magisterexamen på campus snarare än en yrkesexamen på grund av mina skäl ovan ^. Här förklaras skillnaden: https://www.northeastern.edu/graduate/blog/professional-degrees-vs-academic-graduate-degrees/
• Typ av program – Är det ett allmänt CS-program? Är det ett koncentrationsbaserat CS-program? Vilken typ av kurser erbjuder de? Vilka är några intressanta kurser som jag skulle kunna läsa? Hur stor frihet har jag när det gäller att välja valbara ämnen? Vilken typ av forskning finns det (när jag trodde att jag ville göra en avhandling…eller alternativet. HAHA…nej tack.)?
• Skolan är ansluten till programmet vid universitetet – jag ville ha den bästa utbildningen, vilket alla alltid borde vilja ha. Jag värderade också skolans alumnibas.
• Ställe – jag ville vara i närheten-ish en storstad.
• Självklart, $$$$TUITION$$$$.

3. Att bestämma sig för klasser

Det slutade med att jag gjorde ett Excel-kalkylblad med skolans namn, läge, terminsavgift, ansökningsdatum och kurser med förkunskapskrav. Jag var också tvungen att vara försiktig när jag gjorde listan över förkunskapskurser eftersom vissa förkunskapskurser hade egna förkunskapskurser. SIGH.

Jag är inte riktigt säker på hur mycket vikt antagningen lägger på vilken typ av/antal CS/matematikkurser man har läst. Jag gjorde bara en lista över kurser baserat på överlappning och jag visste att jag var tvungen att göra bra ifrån mig. Hur som helst, här är en lista över kurser och mina betyg:

CS50 (A-)

Diskret matematik (A)

Linjär algebra (A-)

Kalkyl II (B+ – när kursen var slut, var jag redan antagen till ett program)

Introduktion till programmering i C++ (B+)

Datastrukturer i C++ (A-)

Datorarkitektur – (A: Jag har inte haft någon erfarenhet av att läsa en klass om datorsystem… den här kursen var den närmaste jag kunde hitta. Och jag älskade den!)

Det finns program för eftergymnasiala studier/yrkesintyg som också kan förbereda dig för högre studier och karriärväxlingar. För att nämna några: NYU, Columbia, Tufts, BU, etc… (det finns säkert många fler).

4. Förberedelser för GRE

Jag köpte Barron’s GRE-förberedelsebok och anmälde mig själv till ett 3-månaders Magoosh-program (*när det var på rea*). Jag tyckte att båda resurserna var ganska bra när det gäller att ha mycket övning.

Jag kan inte med säkerhet säga att jag hade mycket självdisciplin när jag förberedde mig för GRE. Jag studerade seriöst med början ungefär en månad före mitt prov, vilket förmodligen inte var till det bästa. Jag tittade dock ständigt på vokabulärkort som också finns tillgängliga via Magoosh GRATIS i appbutiken.

Jag lämnade skrivövningen till slutet bara för att jag hade hört att poängen i skrivdelen egentligen inte spelar någon roll. Jag fokuserade mest på den kvantitativa delen men för den tid jag lade ner tror jag inte att jag gjorde särskilt bra ifrån mig på provdagen.

Men som folk sa, GRE var SAT på droger och jag hoppas att jag inte behöver utsätta mig för det igen…

5. Skrivande av målbeskrivningen

Som jag nämnde ovan är jag inte särskilt säker på mina skrivkunskaper.

Jag reviderade min avsiktsförklaring så många gånger att jag inte ens kan räkna. Dessutom visste jag till en början inte skillnaden mellan en PERSONLIG FÖRKLARING och en SYFTEFÖRKLARING. Vilket, när jag fick reda på det, SUCKADE.

Jag kämpade till en början hårt för att koppla ihop allt som jag hade lärt mig/upplevt sedan college med varför jag sökte till forskarutbildningar inom datavetenskap.

Till exempel var jag tvungen att på något sätt förklara hur en bakgrund inom biologi, internationella studier och klinisk forskning hade förberett mig väl för den akademiska världen inom datavetenskap. Detta krävde så mycket eftertanke (jag vet inte om det gäller andra, men återigen, detta är min erfarenhet) och ansträngning. Men så småningom, med hjälp av andra, kunde jag brainstorma många överlappningar i disciplinerna!

Jag är säker på att du kommer att läsa detta i många inlägg när det gäller att ansöka till forskarskolor, men se till att du forskar om något om programmet (oavsett om det är en professor, en klass eller en aspekt av programmet som du verkligen dras till) och prata om hur det kan gynna DIG.

Jag har också haft enormt stor nytta av Jessica Yuns redigeringstjänster. Hennes tjänster var mer än bra och hon gav mig faktiskt självförtroende när jag skrev min SOP. Hon är mycket kvalificerad – men viktigast av allt är att hon arbetar med dig på distans och snabbt.

Så, för att sammanfatta alla råd som kom från min egen erfarenhet:

• Säkerställ att du vet vilken uppsats du ska skriva!
• Lämna tillräckligt med tid för att skriva din uppsats
• Brainstorm
• Bjud inte för många människor på åsikter/redigeringar eftersom alla kommer att ha olika åsikter och idéer och det kan bli ganska galet, ganska snabbt.

6. Ansökningsförfarandet

Nu när GRE och uppsatsen var ur vägen var ansökningsprocessen något lättare(?). Om jag får betona en sak:

Skriver du upp dina professorer (det är viktigt att majoriteten är CS-professorer) som du tror känner dig bäst i en akademisk miljö. Om jag minns rätt frågade jag mina professorer tre månader i förväg (alla professorer från mina förkunskapskurser så att de kommer ihåg mig väl) och skickade dem rekommendationslänkarna senast en vecka innan.

En vecka är kanske lite väl mycket (jag skulle säga att två är på den säkra sidan), men en sak som jag inte insåg när det gäller vissa skolor är att du måste slutföra din del av ansökningsprocessen för att systemet ska skicka ut rekommendationslänkarna till professorerna!!! SÅ VAR UPPMÄRKSAM!

Om jag kan sammanfatta:

• Sök alla CS-professorer som kommer att minnas dig väl och be dem IN FÖRVÄNTNING om rekommendationsbrev
• Säkra dig att du har åtminstone deras e-postadress. Ansökan kan be om telefonnummer och adresser, men jag stötte inte på några problem genom att bara skriva in information om institutionen som de var anslutna till.
• Följ upp med dem kontinuerligt om de inte har skickat in sina rekommendationer. Om de inte gör det kan det påverka din ansökan!!
• Efter processen, oavsett vad resultatet blev, TACKAR DU DEM. De tog tid av sin dag för att skriva något trevligt om dig som eventuellt kan förändra din framtid.

7. Beslut

Brown – rejected

NYU – accepted

John’s Hopkins – accepted

UT Austin – rejected

Columbia – rejected

I princip kom jag bara in på två program. Men mot slutet trodde jag inte riktigt att jag skulle komma in någonstans, så jag var glad att jag åtminstone kom in någonstans. Jag gjorde till och med lyckodansen.

Oppenbarligen var de program som jag inte kom in på högre rankade, men jag vet fortfarande inte anledningarna till varför jag kom in på vissa program och inte på andra. Jag skulle kunna gissa på en miljon anledningar till varför, t.ex. otillräcklig erfarenhet, mediokra GPA, mediokra SOP och listan kan göras lång, men jag skulle aldrig få veta. Jag försökte hänvisa till GradCafe under ansökningsprocessen men jag kände inte att det var så informativt.

Hursomhelst, jag bestämde mig för NYU framför Hopkins eftersom jag trodde att det att befinna sig i New York City skulle ge mig bättre/mera tekniska möjligheter och jag uppskattade verkligen det faktum att programmet var hela 2 år i motsats till 1,5 år för Hopkins. Båda skolornas demografi var ganska likartad och även om sysselsättningsgraden efter examen var mycket viktig för mig, var den informationen inte tillgänglig från dem… (och jag är fortfarande inte säker på varför).