在计算机领域做研究的一些想法
计算机的大牛90%以上都在美国，所以只讲讲美国的CS。别的国家没什么太大的参考意义（英国、法国、匈牙利、日本、香港、新加坡、大陆、加拿大），不过还是说两句：第一句是，美国以外的地方CS和美国有差距，主要是没钱；第二句是，搞科研也讲‘近亲繁殖’，美国以外的其他地方很明显‘人手不够 ’。没钱的问题看大陆就知道，高性能计算、硬件、网络。。统统没办法干。当年人家Stanford跑一个粒子加速器就几百万美金，中国哪个高校有这资金。人手问题也很明显，像Stanford的Dan同学，以前在Cololado Boulder，后来不也被挖走了？像以前呆在加拿大一个人闷做研究的Han Jiawei老大，不也被UIUC挖走了？为什么呢。说白了还是资源。Han Jiawei 02年被UIUC从加拿大的SFU拎到UIUC，转年就成了IEEE的FELLOW。为什么。说白了就是‘近亲繁殖’。直到现在美国相当数量的大学（就不说全部了）都非常认可同行的推荐。学校要各个同行评分，发paper也是同行review，nominate也要同行，甚至PhD的 application也相当依赖reference letter。另外呢，就是这些资源相当丰富的地方容易产‘奶牛’。当年吴健雄也才第九名考进的中央大学，可是人家一跑美国去就成了实验物理大牛，还当了美国协会的会长。物以类聚，人以群分。你说90%的老大都在美国，你呆在印度做CS，有啥意思。不管是Science还是Engineering，还得靠 inspiration。Inspiration靠什么？显然是要以Group为研究的基本单位，像Dan Jurafsky和Jiawei Han那样的人毕竟是少数。最好不还是被几个牛棚给挖走了？这玩意真没办法，是趋势。不说废话了，来扯美国的CS。
美国CS首当其冲的就是“五大牛棚”：MIT，Stanford，Berkeley，UIUC，和CMU。其他的牛校像 Washington，Princeton，Cornell，Wisconsin等等都是非常不错的，只不过可能光芒还不够。而且还有很重要的一点，就是这些学校的faculty好多都是‘五大牛棚’出来的，自然地位也就低一些。尤其是Princeton和Cornell这类学校（其他还包括 JHU，Maryland，Duke，甚至综合排名非常靠后的Amhest），好多Professor都是牛棚混出来然后过来独当一面的。特殊点的就是 Washington和Wisconsin，还有诸如Caltech这类学校，他们的Alumni也出过不少人才。
首先是MIT。我脑子里（或者说几乎所有工科学生的脑子里）可能下意识地定死了MIT是工科最牛查查的学校。甚至我一直认为（至今仍然），MIT的脑袋都是畸形，整个MIT不是牛棚，而是一个ZOO。MIT简直就是发了战争财。开始做雷达，整的它的无线电啊，EE什么的巨牛无比。然后就是冷战，国防部投了好多美金做乱七八糟的东西。CSAIL还没有合并的时候，MIT的计算机实验室叫AI实验室。就是这个实验室，早期做了很多开拓性的工作。主要是冷战的时候（90年代以前），美国国防部投资了无数的资金，狂搞AI的项目。很多学校在那个时候得到了很大的发展，譬如Texas Austin，譬如UMass Amherst，他们的CS系便是那个时代的产物。可是后来AI的投入没有打到预期的产出，糟蹋了好多国防部美好的愿景，项目一个接一个的流产，大师也一个接一个的归隐。看看MIT那些早年毕业的大牛（50-60年代左右），基本都有深厚的物理背景，这就意味着他们不仅数学知识扎实，而且具有深厚的电子电气的背景。这些“牛群”在冷战后奔向各个其他的institution，自然就成了领军人物。好多人说，MIT虽然没有做什么牛哄哄的东西，可是任何一个人都可以证明，其他institution都是他在学术上的孙子的孙子。Orz. （麻教主千秋万代，一统江湖！！ o(∩_∩)o…）事实上的确，比较一下MIT的PHD毕业生，在学术上是其他学校无法超越的。至少去年我在港中文‘打杂工’的时候，我们组的‘带头大哥 ’Professor Helen M. Meng就是在MIT拿的BS,MS和PHD；然后中大做Vision的老大Professor Xiaoou Tang，也是MIT的PHD。这两人明显带有MIT培养出来的严谨风格，而且学术嗅觉非常之好。记得我给Helen做presentation的时候，她问过我好些问题，都是一语中的的。而且她还鼓励我做Vision和Speech的数据融合，事实证明也是很好的思路。Helen在MIT是 Stephanie和Victor的学生，Stephanie又和我们剑桥的Steve有很好的合作项目和官方渠道（例如CAM-MIT）。这两个组一直都在联合做Spoken Language Dialog System的项目。又一次雄伟而彪悍无比地证明了我说的‘近亲繁殖’理论。。。娃哈哈~ MIT的老师我只接触过CSAIL的老大Professor Victor Zue，语音组的老大Professor Stephanie和Vision组的几个Professor。首先感觉是都很NICE，说话都很客气。尤其是Victor，记得去年在上海参加MIT面试的时候和Victor聊天，他老是笑呵呵的，想来脾气应该很好。虽然去年没有去成MIT的Vision组，可是总能感觉到MIT那种技术的金属质感给我带来的吸引和震撼。希望今年能去MIT念Stephanie的PHD啊~~ Bless…
然后扯一下Stanford。其实我原来对Stanford感觉蛮好的（现在感觉也不错），我在LA认识的朋友也应该是最多的（最多又是 Stanford，然后才是Berkeley，UCLA和Caltech。SYF小朋友啊~ 嗯，我在Stanford最好的几个朋友之一了。SYF，看到这个帖子给师傅留个Message哈。嘿嘿）。可是因为种种原因，以前就压根没有打算过去斯坦福念书（主要是MWJ小朋友不让我去。我又乖又听话，所以就没申请了）。Stanford给我的感觉就是超级大，而且几乎没有什么软肋。历数美国诸多 CS高校中，唯一能在AI方面和MIT抗衡的就数斯坦福了。而MIT现在AI仿佛有走下坡路的趋势，而斯坦福倚其地理优势和财政强势，迅速崛起。 Sorry，不应该是崛起，是第二波浪潮~~ 斯坦福的AI，诸如视觉，语音和自然语言，机器人等等，都有大牛撑腰。然后在体系结构和数据库方面又依赖硅谷的强大应用平台，有着得天独厚的发展资源。 AI作为CS的灵魂，斯坦福已经有了；体系结构和数据库这些应用背景很强的领域，硅谷也给斯坦福与生俱来的优势。当然，那帮学生也不是省油的灯，好多 PHD没念完就跑了。什么GOOGLE啊，YAHOO啊，通通都迅速崛起了。另一方面也反应了斯坦福的学生商业头脑很好，很灵活，不像书呆子（譬如 MIT，譬如Caltech。哈哈）。真没什么说的，牛哄哄的。对了，补充一点，斯坦福坐拥硅谷的土地，真是巨有钱啊。。。望尘莫及。
第三头大牛要数Berkeley。好多人和我讨论，和我争辩，到底是Berkeley厉害还是MIT厉害。我觉得没什么好比较的。因为每个学校发展的方向都不太一样，CS和CS没法比，可以比的只是某个组，譬如MIT的AI就比Berkeley的好，Berkeley的网络就比MIT好。 Berkeley 的传统优势就是网络，操作系统等等。早期Berkeley的CS毕业生好多去各个高校当教授，大多也做的是网络和操作系统这一块的东西。现在 Berkeley的AI也发展了起来，诸如图形图像，语音语言都有了很大的发展。Berkeley作为公立学校的老大，收费低，又地处LA，开个什么国际会议啊，养个老啊，都挺好的。UC系统又联系广泛，而且Berkeley还和诸如Stanford，UCLA和Caltech这样的牛校贴得这么近，不做点东西出来真是对不起这地理位置。想想我本科毕业的学校‘西北工业大学’，其实计算机在中西部应该是最强的，在全国我觉得某些领域也能在前五（譬如计算机应用）。可是相比起同是国防科工委的北航，就没有了地理优势。西安显然没有北京有钱，地理位置显然没有北京好，而且显然也没有清华北大这样的学校和他交流，甚至连北邮北理北工大这样的学校在西安都没有。哦，对了，有个西电。Sorry，西电也是巨牛无比的。我甚至觉得在很多领域西电比西工大牛多了。记得我在CUHK的时候，看过几篇文章都是西电的老师和港中文的老师一起写的（譬如那篇影响我很大的Xiaou文章，就是和西电的老大一起写的）。然而，西工大的老师是和蔼可亲的。以前给予我诸多帮助的WQ老师，ZYN老师我感觉在学术上都是可以独树一帜的人。事实上也的确给了我很多启发和思考的灵感。当然还有我们更加和蔼可亲的XL老师。真是又是老师又是朋友。想起在清华-港中文做RA的那段日子，的确教会了我很多东西。北航的老师我只和LW校长聊过天。 LW老师做的好像是软件理论，也是英国毕业的（好像是爱丁堡）。虽然LW老师都是校长了，可是那时候和我聊天一点都没有什么架子（5年前了），和蔼可亲的很。哎，大凡大牛都是和蔼可亲型的啊。扯着这么远，无非就是要说Berkeley有多么好的地理优势，把UC其他几个学校远远抛在了脑后（至少CS是这样）。譬如UCSD，譬如UCI，甚至UCLA也远不及Berkeley。去年我给UCSD的Alon做presentation，人家好像才40岁，就已经是IEEE的FELLOW了，这样下去怎么得了。Alon虽然是做Information Theory的，但是却为我的project提了一个非常好的建议，取得了很大的突破。这才让我感觉到IEEE Fellow的威力。我那时就想，要是Alon也跑到berkeley去，那该有多猛啊。。。。（插播广告：英语语法）’Had Professor Alon joined Berkeley, he would have already made far greater contribution to the information industry.’ EAP没白来。。o(∩_∩)o…哈哈~ Berkeley的教授我就不认识几个，不过有几位朋友在那，传说没有Stanford漂亮。呵呵~
第四头大牛是UIUC。我对UIUC的印象最开始来自高我几级的SZ。SZ和我一样都是做OI出身，然后保送到了清华。据说在清华学习十分猛，老是系里前 5名，后来又考了老高的GT，结果就去UIUC了。我当时十分郁闷，因为我那时候不是很清楚UIUC在CS领域里是个什么地位。我说怎么这么好一孩子不去 Stanford和Berkeley，非跑到‘玉米地’去了？不过这以后UIUC这个名字我就记下来了，这是第一印象。然后一个比较深刻的印象就是 Jiawei han。我当年读Jiawei Han的书时，他还在加拿大。我也纳闷，我说怎么写了这么牛哄哄的书的人，倒喜欢做武林蒙面大侠了？莫非又是一‘隐藏关卡的BOSS’？没想到Han老爷子02年的时候果真就被UIUC挖走了。这时候我才念起UIUC的好，觉得实属牛棚一个了。以前那些虚幻的带有主观臆断的想法通通成了幼稚的偏见。 UIUC是干嘛的？回答其实很明确，如果说MIT是为AI而生的话，UIUC就是为硬件和超级计算机而生的。It is UIUC that 当年改良了计算机中的晶体管、集成电路和ALU的好多东西。Intel和AMD，还有早期做chip的Motorola等等，我想都大多受惠于UICU的 faculty。自然，这些老faculty拿这些技术继续做硬件和超级计算机便有如鱼得水之势了。所以，包括硬件逻辑电路设计、计算机算术、机器结构和数值分析领域，UIUC都是独执牛耳的领军人物。UIUC的CS相来比较扎实，生源和师资都非常好，自然声誉也很高。尤其是硬件。早期的超级计算机大多出自UIUC之手，譬如ILLIAC的1、2、3、4代以及后来的一些超级计算机，都是这一领域的大手笔。UIUC的这些理论和工业成果和成功，对并行计算机的发展历程做出了不可磨灭的贡献。UIUC的老教授David Kuck就是并行处理的先驱，原来是NASA第一部超级计算机的首席设计师。属于在并行处理这个领域挖了一个坑然后等着后人来’建设社会主义美好家园式‘ 的人物。UIUC早期的发展有很多历史佐证，譬如美国国家超级计算及应用中心(NCSA)在UICU的建立，譬如Marc Andreessen在UIUC读本科大四的时候在NCSA主持编写的Mosaic。无一不是一个又一个翔实的历史介绍。可惜，后来（85年-2000年左右），UIUC的硬件学术队伍老化，没有形成良好的学术梯队，硬件队伍失去了很多元老级的人物，新的professor呢，又无心做这些东西，大多又开始弄软件去了。把UIUC的传统和家业整个换了个门面。不过，正式由于这个原因，UIUC的CS系以拥有众多充满活力的世界级青年学者。例如Josep Torrellas (其弟子有在Cornell ECE，Georgia Tech CS任教的)，Klara Nahrstedt (其弟子有在Cornell ECE，Purdue CS，Toronto ECE任教的)，还有稍老一些的Gerald DeJong (其弟子有在UW-Madison，UT-Austin任教的)等等。前几年刚被Duke挖走的Herbert Edelsbrunner，由于对计算几何的根本性贡献，1991年拿了个Waterman Award，成为历史上第一位获此殊荣的计算机科学家。UIUC的校友也有很多有名的，譬如写了Mosaic并成立了netscape的marc Andreessen，譬如David Kuck的学生陈世卿(Steve Chen)，譬如Lotus Notes的老大Ray Ozzie等等。UIUC CS 的学生毕业后去学术界的不少，Stanford，Princeton，Cornell，UT-Austin。。。都有UIUC的博士挑大梁。在U Michigan CS和UCLA CS，UIUC CS出身的教授更随处可见。在仅有的18名华裔ACM Fellow中，就有6名是UIUC的。另外一个不得不讲得人当然是我们可亲可爱的‘刘爷爷’。当年我拿到‘蒋震海外研究生奖学金’的时候，还是刘爷爷给我面试的，还要我背唐诗宋词。吓得我当时很紧张，竟然把沁园春雪给背错了几句，刘爷爷还很机敏地当即纠正了我的错误。哎，仍然记忆犹新啊。刘爷爷的确是个非常（N次幂，N > 3）的人，至少一点架子都没有，和蔼可亲得很。连我当年去MIT的推荐信也是刘爷爷亲手执笔的。可恨的是当年没有申Princeton，要不然panel 一看是刘爷爷的亲笔推荐信，肯定就把我给收了。。。哈哈哈~ Professor C.L.Liu是属于桃李满天下的那种人。在国内最有名的当然要数Professor Andrew Yao了，人家在哈佛念完物理就跑到UIUC去念计算机了，当年的导师就是我们可爱的‘刘爷爷’。后来姚老大成了世界上第一位拿过图灵奖的华人，当然，现在还是唯一一人。可以想象，当时我和图灵奖的导师聊天的时候有多紧张。。。可惜本人实在愚钝，在CS领域也毫无建树，刘爷爷把Victor从美国请过来给我面试去MIT我最后都没有如他老爷子的愿，跑到剑桥这地方天天骑自行车看康河来了。。。哎~ 真是惭愧。另外关于UIUC不得不说当然是他的发展‘现象’。为什么说是‘现象’呢？因为UIUC是有名的‘玉米地’，常年面临加州等地名校的“挖人”威胁。尽管不少教授在成名以后离开，UIUC计算机系仍然凭借着为中青年人才的成长营造最好氛围，在小地方办成了世界一流的研究重镇。我想，UIUC可能是惟一几个不靠地理位置发财的CS牛棚吧。这个‘现象’值得很多学校借鉴，譬如西工大，西电，譬如中科大等等。
最后呢，当然是牛哄哄的CMU了。事实上，CMU的CS应该比UIUC要稍微好一些。因为CMU貌似就只有一个CS在撑门面，所以它的CS硕大无比，几乎没有弱项。尤其厉害的是它的vision和robotics，当然还有software。CMU的Robotics实在是名气太响了，‘附送’的 Vision也沾了很大的光，导致CMU在AI领域的大哥地位也无人能撼。我的本科学校去年就走了一个师兄去CMU，貌似就是做ROBOTICS的。什么 FIFA CUP之类的足球机器人啦，CMU最喜欢招这些人了。其实我当年准备去CMU的VISION组的，可惜我当年实在是迷恋MIT，就没有申请CMU，现在想起来，如果当年能去CMU也是个不错的选择。对了，我一位很好的朋友现在就在CMU。可爱的CX小朋友。这哥们是少年班的天才，在CMU跟随图灵奖大师做 ‘玄学’（他自己如是说的），哈哈哈。CX绝对属于天才型的，几十位图灵奖的逸闻趣事他都知道。引用我们JK同学的话叫‘简直太神奇了’。我们漂亮的JK 小同学如今在MIT做EE，所以高智商夸赞高智商总是很有分量。CX做事很踏实，也很有目的性，他就只跟图灵奖做理论计算机的研究。当时把我佩服得直咂舌。不过，现在终于如愿以偿了，人家以后可是图灵奖的弟子啊。。。哎~~ 和我的Professor Steve Young不是一个级别的。可爱的Steve，您啥时候也拿个图灵奖让俺们沾沾光啊。CX同学，过几年回西安的时候记得再吃饭聚一聚~（看到这个给我留言哈）。CMU不仅Robotics好，Software也是技术一流。据说现在微软招得最多的软件开发员工都是CMU毕业的。某种程度上说，CMU的老大们挣了我们不少钱。哼哼~ 另据CX小朋友介绍，CMU的CS系实在是过于庞大了。。。巨多教授。哥们，这还真够挤的~~ 好了，牛棚都介绍完了。都是我印象中的东西，肯定有很多不准确的数据和理解。不过应该大致差不多。够了~
我思考后的结果告诉我，其实做科研的步骤，或者说写科技文献的步骤，不是很复杂（当年我做了4年的数模果真没白费，哈）。我总结了一下，大概就一下几点：
1.Introduction
选好一个学术方向后，对此方向上的已有成果进行阅读，分析，分类, 搞清楚已解决的问题是什么，现存的难点是什么，热点是什么, 写出综述报告。其实就是literature review啦。在CUHK LAB的时候，XL老师和Helen老师老是和我提这个词，我已经比较熟悉了。另外呢，刚入门的人应该看看Journal上的东西，毕竟那是沉淀了之后的东西。然后才可以慢慢看看conference的东西练内功。
2. Problem formulation
把所要研究的具有实际工程背景的学术问题进行描述，并转化成数学问题。数学一直都是最强有力的描述工具，当然，也是最正统的科学工具。
3. Main contributions
找到适当的数学工具，给出上述问题的理论上的解决方案，得到理论上的结果, 并用定理的形式进行阐述。还是数学，科学家和工程师只相信数学和事实。
4. Simulations or experiments
通过计算机仿真或实验研究进行上述理论成果的验证。CS，计算机科学与技术，首先是科学，是理论；可是最后终归要转化成实际的产品，不像做Pure mathematics的人，整天只要YY就可以了。。。-_-
5. Conclusions
给出一般性的结论，以及需要进一步研究的问题。有头有尾的事情。一次不可能把问题都解决好，总有可以瞻望的地方，可以改进的嘎吱角落弯。
# 第三章 #
哎，扯期刊和会议。其实这是最没意思的东西了。想当年，我刚了解SCI和EI，整天琢磨着怎么在线看Nature和Science等等。其实，CS 里面根本不是这么回事。CS是一个日新月异的领域，各种技术都在以不可预测的速度在发展和变化。这和基础科学有着太大的不同了。所以，什么物理化学生物一个实验做好多年，最后发到Nature和Science上面，真正上conference上发表的东西其实没有什么特别大的价值，都是只言片语，远远没有期刊的威力来得大。所以无聊的美国人加菲猫同学（哈哈~ Garfield有一个多好记的名字），弄了个SCI来做索引。弄了个IF把整个学术界搞得乌烟瘴气，尤其是大陆还有亚洲一些国家，整天就想着弄几篇高 IF的牛paper。可是，CS压根就不是这个形式。CS的publication最大特点在于：极度重视会议，而期刊则通常只用来做re- publication。大部分期刊文章都是会议论文的扩展版，首发就在期刊上的相对较少。也正因为如此，计算机期刊的影响因子都低到惊人的程度，顶级刊物往往也只有1到2左右—-被引的通常都是会议版论文，而不是很久以后才出版的期刊版。因此，要讨论计算机科学的publication，首先就压根和 IF无关。另外一个现象就是CS的会议规模都很有限，有时候只登十来篇甚至三四篇论文，有的还是季刊或双月刊。很多好的会议每年只录用三四十篇甚至二十篇左右的论文。所以，CS的几乎每个领域都有好几种顶级刊物和好几个顶级会议。
最牛哄哄的当然是‘Journal of the ACM(JACM)’了，ACM的官方学刊。可是，这个鸟刊只刊登那些对计算机科学有长远影响的论文，因此其不可避免地具有理论歧视。事实上确实如此：尽管JACM征稿范围包括了计算机的绝大部分领域，然而其刊登的论文大部分都是算法、复杂度、图论、组合数学等纯粹理论的东西，其它领域的论文要想进入则难如登天。这让我想到了两件事情：一件是meritocracy；一件是GRE填空里面的一道讲专家如何鄙视layman的题目。哎~ 罢了。另外一个就是‘Communications of the ACM (CACM)’了。从某种意义上来说，CACM比JACM要像Nature/Science很多。JACM上登的全是长篇大论，满纸的定义、定理和证明，别说一般读者没法看，就连很相近的领域的专家都未必能看懂。而CACM则是magazine，既登高水平的学术论文和综述，也登各种科普性质的文章和新闻。即便是论文，CACM也要求文章必须通俗易懂，不追求数学上的严格证明，而追求易于理解的直觉描述。在十几二十年前，CACM的文章几乎都是经典。但最近几年，由于CACM进一步通俗化，其学术质量稍有下降。
除了ACM老大的东西外，就是IEEE的了。‘IEEE Transaction on Computers’是IEEE在计算机方面最好的刊物。但由于IEEE的特点，其更注重computer engineering而非computer science。换句话说，IEEE Transaction on Computers主要登载systems, architecture, hardware等领域的东西，尽管它的范围已经比大部分刊物要广泛。就刊物的质量而言，ACM Transactions系列总体来讲都高于IEEE Transactions系列，不过也不可一概而论。大部分ACM Transactions都是本领域最好的刊物或最好的刊物之一。大部分IEEE Transactions都是本领域很好的刊物，但也有最好的或者一般的。然而，非ACM/IEEE的刊物中，也有好的甚至最好的。例如，SIAM Journal on Computing被认为是理论方面最好的期刊之一。CS方面的会议论文事实上起着比刊物论文更大的作用。大部分会议都是每年一次，偶尔也有隔年一次的。正规的会议论文需要经过2-4个甚至更多个审稿人的双向或单向匿名评审，并且所有被接收的论文会被结集正式出版。大部分ACM的会议都是本领域顶级的或很好的会议。大部分IEEE的会议都是本领域很好的会议，但也有顶级的或者一般的。会议的档次通常可以通过论文录用率表现出来。顶级会议通常在20%左右或更低，有时能达到10%左右。我所知道的最低的录用率为7%。很好的会议通常在30%左右。达到40%以上时，会议的名声就很一般了。60%以上的会议通常很难受到尊敬。但也有例外。大名鼎鼎的STOC(ACM Symposium on Theory of Computing)录用率就达到30%以上，但它毫无疑问是理论方面最好的会议。造成这样的情形，主要是因为理论方面的工作者不多，而大部分人对 STOC又有一种又敬又怕的心理。
下面列一些CS的顶级会议和期刊，有些是网上查到的，有些是某些人用SCI的IF排序做出来的：
Computer Vision
Conf.:
Best:
ICCV, Inter. Conf. on Computer Vision
CVPR, Inter. Conf. on Computer Vision and Pattern Recognition
Good:
ECCV, Euro. Conf. on Comp. Vision
ICIP, Inter. Conf. on Image Processing
ICPR, Inter. Conf. on Pattern Recognition
ACCV, Asia Conf. on Comp. Vision
Jour.:
Best:
PAMI, IEEE Trans. on Patt. Analysis and Machine Intelligence
IJCV, Inter. Jour. on Comp. Vision
Good:
CVIU, Computer Vision and Image Understanding PR, Pattern Reco.
Network
Conf.:
ACM/SigCOMM
ACM Special Interest Group of Communication
ACM/SigMetric Info Com Globe Com
Jour.:
ToN (ACM/IEEE Transaction on Network)
A.I.
Conf.:
AAAI: American Association for Artificial Intelligence
ACM/SigIR IJCAI: International Joint Conference on Artificial Intelligence
NIPS: Neural Information Processing Systems
ICML: International Conference on Machine Learning
Jour.:
Machine Learning
NEURAL COMPUTATION
ARTIFICIAL INTELLIGENCE
PAMI
IEEE TRANSACTIONS ON FUZZY SYSTEMS
IEEE TRANSACTIONS ON NEURAL NETWORKS
AI MAGAZINE
NEURAL NETWORKS
PATTERN RECOGNITION
IMAGE AND VISION COMPUTING
IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING
APPLIED INTELLIGENCE
OS,System
Conf.:
SOSP: The ACM Symposium on Operating Systems Principles
OSDI: USENIX Symposium on Operating Systems Design and Implementation
Database
Conf.:
ACM SIGMOD
VLDB:International Conference on Very Large Data Bases
ICDE:International Conference on Data Engineering
Security
Conf.:
IEEE Security and Privacy
CCS: ACM Computer and Communications Security NDSS (Network and Distributed Systems Security)
Web
Conf.:
WWW(International World Wide Web Conference)
Theory
Conf.:
STOC FOCS EDA Conf.: Best: DAC: IEEE/ACM Design Automation Conference
ICCAD: IEEE International Conference on Computer Aided Design
Good:
ISCAS: IEEE International Symposium on Circuits And Systems
ISPD: IEEE International Symposium on Physical Design
ICCD: IEEE International Conference on Computer Design
ASP-DAC: European Design Automation Conference
E-DAC: Asia and South Pacific Design Automation Conference
Graphics
Conf.:
Best:
Siggraph: ACM SigGraph
Good:
Euro Graph Jour.: IEEE(ACM) Trans. on Graphics
IEEE Trans. on Visualization and Computer Graphics
CAD
Jour.: CAD CAGD
SE
conf.: ICSE The International Conference on Software Engineering
FSE The Foundations of Software Engineering Conferences
ICASE IEEE International Conference on Automated Software Engineering
COMPSAC International Computer Software and Applications Conferences
ESEC The European Software Engineering Conferences
Jour.:
SEN ACM SIGSOFT Software Engineering Notes
TSE IEEE Transactions on Software Engineering
ASE Automated Software Engineering SPE Software-Practice and Experience ########################
呼呼呼~~ 终于写完了。弄了我1、2个小时~~ FT~ 以上言论大多为个人关于CS的一些不成熟想法，并不代表本台观点。通俗一点说就是：‘纯属扯淡’。不要当真。25岁以下的儿童须在女朋友的指导下完成阅读。钦此。 By Xi Tan. 2007.10.6 于英国剑桥大学三一学院 绿野猪楼 R10 ~
美国计算机科学类高校排行榜编辑本段回目录
TOP 25 (1999)
1. Massachusetts Institute of Technology 5.0
1. Stanford University (CA) 5.0
3. Carnegie Mellon University (PA) 4.9
3. University of California?Berkeley 4.9
5. Cornell University (NY) 4.5
5. University of Illinois?Urbana-Champaign 4.5
7. University of Washington 4.3
8. Princeton University (NJ) 4.2
9. University of Texas?Austin 4.1
9. University of Wisconsin?Madison 4.1
11. California Institute of Technology 3.9
11. University of Maryland?College Park 3.9
13. Brown University (RI) 3.8
13. Georgia Institute of Technology 3.8
13. University of California?Los Angeles 3.8
13. University of Michigan?Ann Arbor 3.8
17. Harvard University (MA) 3.7
17. Purdue University?West Lafayette (IN) 3.7
17. Rice University (TX) 3.7
17. Yale University (CT) 3.7
21. Columbia University (NY) 3.6
21. University of Massachusetts?Amherst 3.6
21. University of North Carolina?Chapel Hill 3.6
21. University of Southern California 3.6
25. University of California?San Diego 3.5
25. University of Pennsylvania 3.5
Artificial Intelligence (1999)
1. Massachusetts Institute of Technology
2. Carnegie Mellon University (PA)
3. Stanford University (CA)
4. University of California?Berkeley
5. University of Texas?Austin
6. University of Massachusetts?Amherst
7. University of Illinois?Urbana-Champaign
8. University of Pennsylvania
9. University of Maryland?College Park
9. University of Washington
Databases (1999)
1. Stanford University (CA)
2. University of California?Berkeley
3. University of Wisconsin?Madison
4. University of Maryland?College Park
5. Oregon Graduate Institute of Science and Technology
6. University of Illinois?Urbana-Champaign
7. Georgia Institute of Technology
8. University of Texas?Austin
9. Carnegie Mellon University (PA)
10. Massachusetts Institute of Technology
Graphics: User Interaction (1999)
1. University of North Carolina?Chapel Hill
2. Massachusetts Institute of Technology
2. Stanford University (CA)
4. Georgia Institute of Technology
5. University of Utah
6. Brown University (RI)
7. Carnegie Mellon University (PA)
8. University of California?Berkeley
9. University of Washington
10. Cornell University (NY)
Hardware (1999)
1. Massachusetts Institute of Technology
2. University of California?Berkeley
3. University of Illinois?Urbana-Champaign
4. Stanford University (CA)
5. Carnegie Mellon University (PA)
6. University of Wisconsin?Madison
7. University of Washington
8. University of Michigan?Ann Arbor
9. California Institute of Technology
10. University of Texas?Austin
Software (1999)
1. Carnegie Mellon University (PA)
2. Massachusetts Institute of Technology
2. University of California?Berkeley
4. Stanford University (CA)
5. University of Washington
6. University of Illinois?Urbana-Champaign
7. University of Wisconsin?Madison
8. University of Maryland?College Park
9. Rice University (TX)
10. Cornell University (NY)
Theory (1999)
1. Stanford University (CA) 2. Massachusetts Institute of Technology
2. University of California?Berkeley
4. Cornell University (NY)
5. Princeton University (NJ)
6. Carnegie Mellon University (PA)
7. Harvard University (MA)
8. University of Washington
9. Yale University (CT)
10. University of Texas?Austin
美国大学计算机教育漫谈编辑本段回目录
美国纽约市立大学 钟京馗
前言
前几天收到《CSDN开发高手》杂志社编辑的约稿邮件，主题是关于中外计算机教育对比。笔者因学习和工作的关系对美国大学计算机教育体系有较深刻的了解和认识。同时与国内计算机系的教授也有一定的联系，比较了解国内大学计算机教育的现状。国内计算机系的学生就经常拿自己调侃，调侃之一：“计算机专业最没前途了，因为计算机专业大体分三类，硬件、软件和网络。硬件方面不如电子系，软件方面不如数学系，网络方面不如通信系…”。以往对这类的调侃，多是付之一笑。但谈及目前国内大学的计算机教育，尤其是国内大学扩招以后的状况，令人感慨万分。因为这类调侃竟然在很多学生心里得到了一定的认可。调侃之二：“国外计算机科学系是Computer Science， 国内计算机科学系是Counter Striker(反恐精英)”。这说明，国内计算机专业的学生大多都沉溺于网络游戏而放松了对本专业的学习。这些听后令人心酸的调侃，反映了国内大学计算机教育的现状，以及国内大学计算机教育的滞后性和缺乏创造性。
作为一名计算机专业的学生，中美两国的计算机教育在本科和研究生阶段究竟有何不同？哪种方式更适合中国学生？如何提高国内众多大学计算机系学生的专业水平？课程该如何设置？师资该如何配备？教授的能力该如何评估？这些问题实在是到了该探讨如何改革的时候了。
笔者研究生阶段的学习是在美国完成的。毕业于纽约市立大学 (City University of New York) 计算机科学系。回顾留美期间的读书，选择课程、挑选教授、课堂演讲、以及团队合作等种种难忘的经历。现将这些经历整理成文，以笔者个人的视角来观察分析美国大学计算机教育的特点。
大学本科
大学本科阶段的教育是一切高等教育的基础。基础不坚实，何以建高楼？本科阶段学习的重要性是不言而喻的。任何计算机方面的学习都离不开硬件和软件两部分。美国大学在这方面为计算机本科学生都提供了什么样的设备呢？
硬件篇
笔者从1996年下半年开始接触BBS。那是当时全国都大名鼎鼎的重庆海阔天空BBS站。第一封电子邮件，第一次下载软件，第一次实时聊天，都是在BBS网上完成的。之后，电信局终于开通了拨号上网。那是一个连拨号设置都非常复杂的时代，操作系统是Windows 95。昂贵的网费以及慢得如同老牛爬坡的速度，至今回忆起来仍沥沥在目。
在那个年代，最快的网络是T1，是世界上最快的网络。到底有多快，就只能从杂志书籍上了解一些。知道这个最霸道的T1网络位于北美，是互联网的骨干网。1997年，来到了美国。最初的震撼就是见识了美国大学的计算机房，全天开放供学生使用，居然还有空位子。任何一间计算机房都配备了至少一到两台黑白激光打印机。估计那是工作最为繁忙的计算机设备，每天不知道要消耗多少A4标准打印纸。打印机是免费提供给学生使用的。因打印数量庞大，为方便学生使用，于是整箱的打印纸就堆放在打印机下面的机柜里，学生可以随时自行添加。最大的震撼是，全校的任何一台计算机都与互联网相联，速度很快。记得在国内的时候，如果要在网上显示一幅图片，等上几分钟是很正常的事情。可当时的情况几乎是即点即现。这可是在1997年啊！惊喜之下，询问机房管理员，答曰：”本校的局域网隶属于北美大学骨干网，自身就是这个信息高速公路的一部分”。终于见识了T1网络的威力了。下载速度最快的时候可以达到5兆每秒，平时基本上是100-400K的下载速度。
如果是大学的教职工或者全日制学生，学校将会分配每人一个以@大学名称.edu结尾的电子邮箱。其实这不仅培养了学生对母校的认同感和自豪感，同时也是展现一个学校在网络技术实力方面的一种手段。不难想象，要维护一个复杂而庞大，运行稳定可靠的电子邮件系统不是件容易的事情。即使学生毕业离校多年，学校也不会注销学生的账号。学生仍然可以经常使用这个账号登录到母校的主机，查询自己感兴趣的信息。
对于居住在校内的学生，大学还为每个宿舍提供了10/100兆免费的宽带接入，只要填张申请表即可办理。对于不住校的学生，学校另外提供电话号码，键入这个号码就可以登录互联网了。有些类似国内目前的16300方式，只不过需要提供正确的用户名和密码。以上服务是每个已经正式注册的学生都可以享用的。计算机以及电子工程专业的学生还有额外的一些服务，诸如：
l 5兆个人主页空间。支持CGI，PERL（之后考虑到网络安全，停止了对CGI的支持）；
l Oracle数据库的使用权限。可以使用学校主机上的Oracle， 便于课程的学习，例如，数据库程序设计以及数据库管理。
基本上每台计算机都安装了一些开发工具。例如，微软的Visual Studio系列，如，VB，VC，另外还有TC，JAVA等等。如果是商业或者是有版权的开发工具，大部分安装的是免费版，个人版，学习版，或者是共享版。在公共计算机房的计算机上，几乎看不到国内大学计算机房里面令人眼花缭乱的专业版，企业版。从这个角度来说，国内大学生所使用的开发工具要比美国大学提供的好。
总的来讲，大多数的美国大学在计算机方面的配置是差不多的。但是，如果是名校，不论是公立的还是私立的，计算机的配置要比普通大学好得多。例如，纽约市立大学(CUNY)就是其中之一。得益于纽约市政府的大力支持。学校在教学质量，规模，硬件配备等方面在全美几个巨无霸型的公立大学中占据重要位置。其它两个巨无霸型的公立大学是纽约州大和加州州大。看来教育不下大本钱还是不行的。由于政府的支持，这些大学普遍收取较低的学费 (本州学生最低，外州学生其次，外国留学生最昂贵)，因此吸引了大量本国学生及外国留学生报考，竞争非常激烈。批准入学后，更不同于国内大学的严进宽出，而是要认真对待所有的课程，否则无法保证顺利毕业。
软件篇
前面谈了美国大学的基本硬件配备情况。接下来，谈谈软件方面。下面分别从课程设置，教学方式及教材的选用、成绩评估、和毕业要求等几方面加以阐述。
课程设置
目前国内高校的教学内容都是由国家教学大纲来制定，应该说还是带有很强的计划经济的色彩。笔者认为大学或学院要创办出自己的特色，就应当由学校制定自己的教学大纲，由教授制定授课的内容。教学大纲定死了，就不容易创办出自己的特色来。在课程设置上，必须紧密结合市场的经济需求，克服脱离实际的现象，同时还要避免因迎合市场而盲目追求最新的理论。从另一方面来说，国内的大学希望紧跟国际计算机科学发展的最新理念和技术，并将最新的信息传授给学生。但就目前来看，国内大学还是有力不从心之感。因为任何新的理论技术，要想掌握得比较好，没有一定的技术储备是很难办到的。一方面教授的素质和能力要跟上，另一方面，学生要有强烈的学习欲望和钻研精神才行。两者缺一不可。
这里以纽约市立大学(CUNY)计算机科学系本科与Bridgeport大学计算机科学系本科学生2004年度课程设置为例。(课程名称笔者就不翻译了，相信国内大学生应该是相当熟悉的)。
纽约市立大学(CUNY)计算机科学系本科课程设置，见表一
表一 美国纽约市立大学(CUNY)计算机科学系本科课程设置表
课程代码 课程名称 学分时
CSCI 012 Understanding and Using Personal Computers 3
CSCI 018 Computers with Business Applications 3
CSCI 080 Problem Solving with Computers 3
CSCI 081 HTML and WWW Programming 3
CSCI 082 Multimedia Fundamentals and Applications 3
CSCI 084
Models of Computation
3
CSCI 085
Database Application Programming
3
CSCI 086
Science Computing Tools and Instrumentation
3
CSCI 090
Topics in Computing
1-3
CSCI 111
Algorithmic Problem Solving I
3
CSCI 211
Algorithmic Problem Solving II
4
CSCI 220
Discrete Structures
3
CSCI 240
Computer Organization and Assembly Language
3
CSCI 280
Self-Study Programming
1
CSCI 307
Compilers
3
CSCI 310
WWW Programming
1
CSCI 313
Data Structures
4
CSCI 316
Principles of Programming Languages
3
CSCI 315
Artificial Intelligence
3
CSCI 320
Theory of Computation
3
CSCI 323
Design and Analysis of Algorithms
3
CSCI 331
Database Systems
3
CSCI 332
Object-Oriented Databases
3
CSCI 335
Information Organization & Retrieval
3
CSCI 340
Operating Systems Principles
3
CSCI 341
Computer Organization
3
CSCI 342
Operating System Programming
3
CSCI 343
Computer Architecture
3
CSCI 344
Distributed Systems
3
CSCI 345
Logic Design Lab
3
CSCI 348
Data Communications
3
CSCI 361
Numerical Methods
3
CSCI 368
Computer Graphics
3
CSCI 370
Software Engineering
3
CSCI 381
Special Topics in Computer Science
1-4
CSCI 391
Honors Problems in Computer Science
1-3
CSCI 393
Honors Thesis
3
CSCI 395
Research Projects
1-3
CSCI 398
Internship
1-3
CSCI 399
Honors Readings in Computer Science
3
总计40门课程，不包含毕业论文。（注：附录一列出了上述课程内容的简要说明）。
美国大学的课程可以从其课程的编码就能了解到这门课的适用范围。所有课程都以某个系或某个专业为单位由浅入深地从100－999编号。100－499为本科生课程，500－699为高年级本科生选修课和低年级研究生课程。编号为700－799隶属于研究生的学习范围。800及其以后的课程则属于博士生及其以上学生的学习范围。而某些大学规定计算机专业的研究生，在攻读700以上的研究生课程前，必须先完成特定的一些500－699之间的课程。
下面看看Bridgeport大学计算机科学系本科课程设置，见表二
表二 美国Bridgeport大学计算机科学系本科课程设置以及学校建议各门课程学习计划表
课程代码
课程名称
学分时
第1学期（FIRST SEMESTER）
Eng C101
Composition & Rhetoric
3
Math 110
Calculus I
4
CS 101/101a
Introduction to Computing I / Lab.
4
Hum C201
Humanities
3
Phys 111
Principles of Physics I
4
第2学期（SECOND SEMESTER）
Math 112
Calculus II
4
Phys 112
Principles of Physics II
4
CS 102/102a
Intro. to Computing II / Lab. (Data Structures & Algorithms)
4
IntSt C101
Computer Ethics
3
Hum
Humanities Core
3
第3学期（THIRD SEMESTER）
CS 227
Discrete Structures
3
Math 215
Calculus III
4
CS 201
Advanced Data & File Structures
3
SoSc C201
Social Sciences
3
第4学期（FOURTH SEMESTER）
Math 214 or 314 or 340
Linear Algebra or Numerical Methods or Queuing Theory
3
CS 203
Second Programming Language
3
SoSc
Social Sciences Core
3
Engl 204
Technical Writing for CS
1
FA C101
Fine Arts
3
CpE 210
Digital System Design I
3
第5学期（FIFTH SEMESTER）
CS 300
Economics & Management of Computer Projects
3
Math 323
Probability and Statistics
3
CS 301
Programming Languages
3
CS 329
Fundamentals of Algorithms
3
CpE 286
Microprocessor System Design
3
CS 300
Economics & Management of Computer Projects
3
第6学期（SIXTH SEMESTER）
CpE 408
Operating Systems
3
Humanities Elective I
3
CS Elective I
3
CS 311
Computer Architecture
3
Tech Elective
1
第7学期（SEVENTH SEMESTER）
CS 450
Database Design
3
CpE 489
Software Engineering
3
CpE 471
Data and Computer Communications
3
CS Elective II
3
Technical Elective II
3
CS 449a
Senior Design Project
1
第8学期（EIGHTH SEMESTER）
Caps C390
Capstone Seminar
3
Free Elective
3
CS Elective III
3
Humanities Elective II
4
CS 449b
Senior Design Project
3
总计学分时
130
总计42门课，含毕业论文(Capstone)。
现在让我们对比研究这两所大学课程设置的特点：
纽约市立大学(CUNY)计算机科学系本科课程的设置很专业。全部都是与计算机直接相联系的科目。例如，数学和大量程序设计的课程，基本上不包含其它学科的课程。Bridgeport大学却与之相反。含盖了数学、物理、化学、工程、电子工程、计算机科学、计算机工程、社会科学、人文科学、英语、艺术等各个专业的课程。课程内容为Elective表示该门课程为选修课，Free Elective表示该门课程不受任何限制，可任意选择。两所大学除数学类的课程以及核心的计算机课程相同外，例如，数据结构，算法等，其它的课程设置可以说是差别很大。这充分体现了美国大学教育体制的一个特点，即自主性，多样性和灵活性。
同样的专业，却因为不同的教育传统和思路，则在课程设置上各有特点。CUNY是在美国享有很高声誉的公立大学。在课程设置上尽其所能地满足纽约的需求，纽约对计算机人才的要求是非常专业的。所以如此的课程设置也就不足为奇了。
Bridgeport大学是所私立大学。在师资和生源上都远不及CNUY。虽然Bridgeport离纽约市很近，但却隶属于美国新英格兰地区的康奈提克州。该校比较注重本科生的综合能力，所以在课程上设置了一些看似与计算机毫不相关的课程。美国的高中毕业生在选择大学的时候，就可以在网上查询到不同大学的课程设置。因而可以非常容易地挑选到最适合自己的大学。如果对计算机的课程感兴趣，而对其它的，褚如：人文，社会和艺术类的课程没有兴趣，那么CUNY就是很好的选择。如果兴趣比较广泛，不仅仅是局限于计算机类，那么Bridgeport大学就是很好的选择。
教学方式及教材的选用
美国大学在新学期开始前，各系都会在其主页上刊登出详尽的列表。例如：本学期开始及结束的日期，本学期开设的课程，授课教授的信息，授课教授的接待时间，授课教室，期中期末考试的日期及考试地点等等，都可以轻松查阅。
一旦注册某门课程的学生比较多，将同时会有几个教授讲授同一门课。学生可以选择上哪一个教授的课。如果该教授招收的学生已经满员，则只能选择到其他教授门下。不同的教授，授课风格也迥然不同，有严厉死板型的，也好好先生型的。总之，如果以前没有听过该教授的课，可以询问其他学生对该教授的评价就可以了。但并不是说，某个教授招收的学生少，就说明该教授的水平差。
美国私立大学学费之昂贵，想必大家也有所耳闻。以Bridgeport大学为例，本科学生的学费是475美元（研究生550美元）每一学分时。每门课程通常是3或4个学分时，算下来，一门课程折合人民币12000—16000元的学费。而前面提到的公立大学，例如：市立纽约大学和私立大学相比，学费明显偏低。市立纽约大学本科学生的学费是360美元（研究生425美元）每一学分时。而且在美国大学没有补考的概念。如果某门课程，教授判定Failed -- 不及格，不仅成绩单上该门课程的成绩栏里会有一个难看的F，而且唯一的补救方法就是下学期重读这门课。当然，学费也要再缴一遍。即便重读过关，那个难看的F成绩同样会保留在学生成绩单上，那是永远也抹不到的记录。正是这种学分的管理制度，也起到了督促学生努力学习，完成学业的作用。
尽管学费昂贵，美国大学在学费管理上也有很人性化的一面。允许学生在一定的期限内注销（withdraw）所注册的课程。一般在该门课程开课的一个月之内。在此期限内，还有更详细的划分。比如，在开课一个星期之内注销课程，学校会退还此课程的全部学费给学生本人，而且在成绩单上不作任何记录。如果在两个星期后，最后期限之前做出注销决定，则退还此课程学费的50%给学生本人，或将这笔款转入学生名下，学生只能将这笔款用于支付学费。这个体制在美国大学中很普通，只是不同学校的具体政策不尽相同罢了。
一般来说，当学生确定了选修的课程及缴付所有的费用后，就会立即在大学的注册办公室(Register Office) 得到一张Timetable。上面明确列出了本学期课程的详细信息。例如：授课时间，授课教室等等。每门课程的第一节，教授会发给每个学生一份课程提纲 (Syllabus/Guideline)，上面列出了该门课程所要求的教材及其它参考书目，必须完成的课后作业，多少次测验（Quiz）及课堂演讲(Presentation)，有没有团队(Group)作业，期中和期末考试的安排，出勤率的考核，以及上述这些考核项目各占总成绩的比例，通过这门课程的最低标准等信息。通常，出勤率占总成绩的5%-10%，期中考试占总成绩的20%—25%，期末考试占30%-35%，其余部分就由平时作业（独立作业和团队作业)，测验以及课堂演讲组成。美国大学的评分标准跟国内不一样。不采用100分制，而是采用A、B、C、D、F的等级制度。F就是前面提到过的Failed -- 不及格，A+，大致相当于国内的97-100分，A，93-96分。A-，90-92分。B、C、D的评分标准与此相似。
有些教授不指定教材，而是采用自己的讲义。有些教授虽然指定了教材，却很少使用。笔者在读《计算机分布计算与并行计算》课程时，Syllabus上注明：教材一本，辅助教材三本。正在思考如何去读这些书的时候，教授轻轻说了句，“我相信你们的能力。教材嘛，自己看就可以了，我将着重讲解书上的重点和难点，以及最新的发展趋势”。碰到这类教授，是一大幸事，因为可以学到很多这方面的知识。但要获得理想的成绩确实不易。
某些计算机课程，例如，《数据结构》、《高级数据结构》、《算法》、《高级算法》及《软件工程》等涉及到程序设计方面的课程，采用哪种计算机语言进行讲解，并没有明确的规定。基本上是由授课教授指定。目前上述核心课程采用的计算机语言最广泛的是Java其次是C++,也有一些大学采用C#。
这里简单说说教材的问题。因计算机语言频繁升级的缘故，美国大学计算机的教材更新速度很快，可能每年都会有新的版本出版。最典型的例子就是Java。教材的选定由授课教授决定，故此不同的教授即使教同一门课，教材也很难有统一的标准。但很多教授对以下两部教材的选择却是相当的认可。笔者也认同不论是初学者还是高手，仔细阅读这两部书，应该会有些斩获。这两部书都是由Deitel & Associates公司出版，分别是：
1. Java How to program
2. C++ How to program
在教学方面，大部分教授都不建议学生使用可视化的开发工具。认为在学习基础理论的时候，不应过分借助于这些可视化的开发工具。不过，学生如果坚持使用，教授也不反对。但是当教授拿着源程序提问时，学生要清晰理解源代码的设计思路，实现方式以及程序流程。否则即便源代码没有任何问题，成绩却会令人很失望。
关于团队作业（通常3人一组），一般在商定后，每个人各自负责相应的部分，并规定好完成各自部分的最后期限。在团队作业的进行中，每个成员都会尽力完成自己的任务，都不希望因为自己的工作而影响团队的最终成绩。但毕竟水平有差异，有时候不一定能顺利完成。在这个时候，所有的成员就会聚集在一起讨论解决的方案。此类的团队作业，一般都要求在课堂上做演讲。每个人负责讲述自己所完成的那一部分。在演讲期间，教授及其他学生可以随时打断话题，提出他们的问题或观点。只要是与演讲内容有关联的问题，都可以发问。所以，课堂演讲实际上是较难的学习内容。需要作出充分的准备。结构清晰，言简意明，口语流畅，制作精美（一般采用MS的PowerPoint制作，也有学生采用Flash制作）的演讲通常是可以获得高分的。在国内大学，类似这样的作业是比较少见的。其实国内大学在这方面应当大力加强，因为这不但可以锻炼学生的表达与组织能力，同时也是培养学生分工协作，增强团队精神的有效方法。
成绩评估
对于课后作业，教授通常规定了明确的最后期限 （Deadline/Due day），一旦超过这个期限，那么该次作业的成绩无效。一般同时以两种形式上交作业：
1. 标准的A4打印件
2. 电子邮件
教授会很快给予评定。并占用一定的时间来讲评作业。如果发现学生存在普通的问题，教授会再次讲解。作业的成绩不会当众公布。例如，分发试卷的时候，是由教授点名。被点名的学生走上讲台，由教授亲自分发试卷，标有分数的那一面试卷是朝下的。当然，教授也会向学生讲评考试结果。比如，分数的分布情况、最高分和最低分等等。还有常见的方法是，将学生的分数打印或者在网上发布出来。但是不列出学生的姓名，取而代之的是学生的ID。
学生每门功课的最终成绩，是依据一学期的总体表现，由授课教授评定。一旦学生认为教授评定的分数过低，可以同教授商谈。但在没有误判的情况下话，是很难更改分数的。如果商谈后对教授的最终评定结果仍不满意，可以继续向系主任投诉。不过，大部分是维持原判，因为系主任也没有更改学生最终成绩的权力。
毕业要求
前面我们从表一及表二得知，要获得纽约市立大学计算机科学系学士学位，就必须得完成120个学分时，而要获得Bridgeport大学计算机科学系学士学位，则必须完成130个学分时。本科学生获得学位的要求不是很高，每科成绩不低于D即可。但如果希望本科毕业后继续进入研究生院学习，那么平均成绩不得低于C是最低要求。如果希望申请著名大学的研究生院，则平均成绩不应低于B+。当然，除了学习成绩外，学生的其它素质也是录取与否的因素，例如，是否具备独立思考，善于发现问题的能力？是否具有该学科的专业研究能力？等诸如此类的个人因素在录取中也占一定的比重。
其它
众所周知，美国计算机的硬件软件水平执全球之牛耳。计算机最重要的三大部分，微处理器、操作系统和数据库几乎被美国产品所垄断。美国大学生在计算机的应用水平上也普遍高一些。国内大学生绝大部分熟悉的OS就是微软的系列产品。而美国大学生是普遍使用两种操作系统，Windows + Unix/Linux。
以笔者为例，以前只熟悉Windows，会用Novell。但在美国留学期间，意识到必须学习UNIX的操作，原因是：
1. 学校服务器是SUN OS 5.0，可以利用服务器强大的计算能力；
2. 服务器上安装了C、C++、Java、Perl、Python等编译环境；
3. 服务器运行非常稳定，可以被当作一个稳定的网络硬盘使用；
4. 因为是计算机专业的学生，开放了个人网页，可以实战HTML编程；
5. 除Oracle外，还可以学习MySQL、PostgreSQL等数据库；
6. UNIX的安全性是不用质疑的。源代码存放在上面，非常安全；
7. 避免有时把源代码或作业忘记在家里，通常可以复制一个备份存放在服务器上；
8. 服务器上可以快速的传输文件。
美国大学的主机基本上都是UNIX系统。要使用学校的资源就必须学会使用UNIX。在这种情况下，笔者先从Windows 最基本的telnet 登录开始学习，由于telnet是以明文的方式和服务器通讯，安全方面有很大的隐患，所以很快就放弃了telnet，改用ssh登录学校的UNIX主机。接着，学习如何使用PINE（UNIX上的邮件收发程序）、VI(文本编辑器)、如何管理文件及设置权限、如何编写脚本、如何运行脚本程序、如何在UNIX下实时交谈, 以及如何安装自己的应用程序。随着使用UNIX的日益频繁，笔者对UNIX的理解也越来越深，也越来越喜欢UNIX了。
总之，正是由于学习UNIX的这个经历，令笔者在以后接触Linux的时候，很快就上手了，并且能够顺利系统的学习并掌握了DNS、WWW、SENDMAIL、POP3/IMAP、IPCHAINS、ROUTE、IPCHAINS、DHCP等服务器的安装和配置。
研究生
目前国内大学计算机系的传统教学模式确实存在不少弊端。所幸的是已有越来越多的有识之士开始意识到这些问题，并积极探索改革的方向和出路。特别是针对计算机教育，国家已着手大力扶持，除强化计算机系的教学质量外，还批准开办了多所不同层次的示范性软件学院，一些高校也开始了改革教学的实际行动。
在学位制度方面，国内高校基本上没有严格的淘汰制。特别是对于研究生，能考进去基本上就可以获得学位。而美国大学对学位的评定则是层层筛选，而且学位越高，淘汰的比例越大。这种对人才质量严格把关的机制，尤其值得我们仿效。
研究生的适应能力以及创新能力在很大程度上取决于坚实的理论基础和专业基础知识，这是高质量研究生教育的重要特征之一。在当今科学技术突飞猛进，专业知识日新月异的时代，只有扎实掌握专业的理论基础和系统的专业知识，才有可能从事这个专业所进行的科研、教学和其他专业技术工作，才能打好进行创造性研究的基础。因此课程的学习就显得尤为重要。如果没有合理的、科学的课程设置，没有切实可行的教学计划，课程教学就没有可靠的科学依据。如果课程教学不是立足于本学科的前沿，不立足于提高研究生的学术水平和科研能力，那么课程的教学质量就得不到保证。由于课程学习是实现研究生的培养目标、保证研究生质量的重要环节。课程设置将直接影响到研究生知识面的宽度和研究能力的高低，因此，研究生课程的设置是否合理、科学是非常重要的。
国内大学的研究生教育，专业课设置过于专业，例如，过去的物理化学专业是一个博士点，博士生上的课程全是物理化学。四大力学全是物理化学的内容；有机化学，学生修的全是有机化学，学术面过窄。而国外已经打破了二级学科的限制，甚至打破了一级学科。例如，国外化学系的博士生，有些课程是属于生物学，有生物仪器分析、生物物理学等课程。这样培养出来的学生适应能力和研究能力就相对较强。可以在学科的发展中间迅速调整自己的学科方向，跟上学科发展的潮流。我们过去培养的学生就非常专业，跳出自己的专业就一筹莫展。所以我们必须改变在很窄的专业学科范围内培养研究生的这种局面，要打破二级学科的限制，甚至要在一级学科上做些交叉。
美国大学的研究生院、研究生教授协会和科系对研究生课程的设置极为重视。一般而言，本科生与研究生的根本区别在于研究生的“后劲”比本科生足。而后劲来源于宽厚、坚实的理论基础。基于这种认识，国外大学科系在硕士研究生新生入校后，要进行摸底考试。若考试成绩不理想，则建议新生补课，并且只能在课程编号为600－699的范围内确定相关的补课科目。倘若核心课程的成绩达不到“B”，则失去获得研究生学位的资格。目前在美国大学的研究生培养方案中，理工科研究生的数学和有关基础理论学科的总学时仍呈上升趋势。一些著名的学府，研究生新生在第一学年不学习本专业课程，而是学习数学、物理、化学或统计学等课程。在此基础之上，从事本专业课程的学习。
这里再顺便谈谈美国大学的博士生制度。美国大学博士生的培养尤其重视课程学习。其课程设置的范围较广，一般要求修16－20门课程，30－40个学分（文科要求修满45个学分以上的课程，理工科侧重实验，一般要求修满30个学分以上的课程）。基础课程的学习时间为1－2年。课程设置通常分为5个专业领域，其中一个领域还要跨一级学科。要求写大量的书评和课程论文。学习期间有多次考试，最后还要通过所修课程的全面性考核。各大学对博士生考试成绩的要求不尽相同。有的大学要求在B级以上；有的大学规定要有2门课程的成绩为A级，否则取消获得博士学位资格。例如，柏克莱加州大学工学院，要求博士生主修领域的课程成绩必须达到3.5，辅修领域的课程成绩也必须达到3.0。
现在看看美国大学计算机系研究生的课程设置及毕业要求。仍以纽约市立大学(CUNY) 为例：
被录取的研究生新生必须完成以下三门课程（不算学分）之后，才能真正开始攻读研究生的课程：
1. 数据结构(603. Data Structures) ；
2. 汇编语言与计算机结构（642. Assembly Language and Computer Organization）；
3. 信息技术概览（615. Survey of Information Technology）；
在完成上述三门课的前提下，必须完成30个学分时，编号不低于700的课程，这些课程包括：
1. 算法1 （700. Algorithms I）；
2. 分布计算（715 Distributed Computing）；
3. 可计算性与复杂性(722 Computability and Complexity)，主要讲述计算模型，如图灵机，随机存取机器，时序电路等等；
4. 计算机体系结构与网络（744. Computer Architecture and Networks）；
5. 软件类，必须完成以下课程中的一门：
l 软件设计 （701. Software Design ）；
l 编译器结构（707. Compiler Construction）；
l 计算机图形（718. Computer Graphics）
6. 硬件类，必须完成以下课程中的一门：
l 开关理论 （745. Switching Theory）：这部分主要同电子电路有关；
l 计算机系统（746. Computer Systems）：主要是指并行计算机结构、RISC及CISC处理器，并行计算的程序设计等；
l 计算机网络（748. Computer Networks）
7. 应用数学及算法类；
l 算法2 （762 Algorithms II ）；
l 系统模拟（764. Topics in Systems Simulation）；
l 计算机系统概率模型（766. Probabilistic Models in Computer Systems）
8. 在获得21个学分时后，每个学生还必须满足或完成以下几个毕业条件（Capstone Requirement）中的一种；
l 软件开发项目实习（731 Software Development Practicum）；
l 研究项目实习（732 Research Practicum）；
l 硕士论文（733 Master's Thesis）
(注：附录二列出了上述课程内容的简要介绍)。
前面提到美国大学研究生教育的一个明显特点就是多学科交叉。这里就以笔者研究生的课程为例，对此作进一步的阐述并以此结束本文。课程是关于手写数字字符的识别问题。这门课程应该属于电子工程、人工智能、智能识别、信号处理、自动化处理等学科的交叉学科。首先，这门课程没有教材。全部阅读材料由教授Dr.Ihsin Phillips提供。这些阅读材料大部分是发表在IEEE刊物上的论文。这些论文都是讲述如何进行手写数字字符的识别。每篇论文采用的识别算法都不一样，而且作者来自不同的国家。
教学和考核的方法是，学生分成若干小组，每个小组负责自己的材料。小组成员将在课堂上讲述自己对数字识别算法的理解以及自己的观点。然后依据演讲的情况来评定成绩。但期末考试则不同，阅读资料在期末演讲前一个月分发下来，并且要求每个学生必须独立完成所有的工作，例如：阅读、理解、算法分析、算法扩展，幻灯片的制作、演讲内容的准备，以及对可能被提及的相关问题的准备等等。
下面列出教授提供的部分学习资料。这些是来自不同国家不同大学的研究成果。有国内的清华大学，还有来自美国纽约州立大学布法罗分校、英国Essex大学，韩国以及巴西的一些大学。
1. 一种新的分割手写的非规范数字字符串的方法 (A New Method for Segmenting Unconstrained Handwritten Numeral String)
作者：Bin Zhao, Hui Su and Shaowei Xia
Department of Automation
Tsinghua University, Beijing, 100084, P.R. China
2. 分割与识别完全非规范手写数字字符的系统（A System for Segmentation and Recognition of Totally Unconstrained Handwritten Numeral Strings）
作者：Z. Shi: S. N. Srihari, Y-C. Shin and V. Ramanaprasad
Center of Excellence for Document Analysis and Recognition
State University of New York at Buffalo: Buffalo, NY 14260, U.S.A.
3. 分割与识别手写数字字符的新的范例（New Paradigm for Segmentation and Recognition of Handwritten Numeral String）
作者：Sungsoo Yoon, Gyeonghwan Kim, Yeongwoo Choi, Yillbyung Lee
Dept. of Computer Science, Yonsei University, Seoul, Korea
Dept of Electronic Engineering, Sogang University, Seoul, Korea
Dept of Computer Science, Sookmyung Women’s University, Seoul Korea
4. 面向对象的表单描述语言与表单手写字符的处理方法（An object-oriented form description language and approach to handwritten form processing）
作者：C. Cracknell, A.C.Downton, and L. Du
Department of Electronic Systems Engineering
University of Essex, Wivenhoe Park, Colchester CO4 3SQ, U.K.
5. 分离手写数字字符图像的识别( Disconnected Handwritten Numeral Image Recognition)
作者：Luan Ling Lee and Natanael Rodrigues Gomes
Decom-Feec-Unicamp
Universidade Estadual de Campinas
此外还有其它一些相关的学习材料，但笔者印象最深的就是这五篇论文。从阅读资料的来源就可以看出教授Dr.Ihsin Phillips渊博的知识。通过这门课程的学习，可以扩展学生的思维，同时学生也更加深刻体会到交叉学科对本专业知识起到的一种补充和促进作用。
总结
笔者以自身的经历从个人的视角来观察分析美国大学计算机教育在本科和研究生阶段的一些特点。如何尽快提高我国大学计算机的教育水平，以及如何提高大学计算机系学生的专业水平，需要你、我，大家的共同努力
本文作者：钟京馗 美国纽约市立大学计算机科学系助教
